Show simple item record

dc.contributor.advisorAkal, Fuat
dc.contributor.advisorSever, Hayri
dc.contributor.authorÇınar, Muhammet Serkan
dc.date.accessioned2019-10-11T10:27:34Z
dc.date.issued2019
dc.date.submitted29-05-29
dc.identifier.urihttp://hdl.handle.net/11655/9200
dc.description.abstractSocial Network Analysis (SNA) is widely used in revealing meaningful information from the relationship networks in different domains. Crime organizations are also a social network which composed of members and relations between members. SNA used by security forces in the whole world in order to uncover structure of terrorist organizations and destabilization of them. Today considering that terror or cocaine organizations are not active in a region and a country and that they are accompanied by different criminal organizations in the context of different interest relations all over the world. The disclosing mathematical model of criminal networks via analyzing structure of criminal organizations, the identification and analysis of the key role players (Leaders, Reporters and Fundraisers etc.) who are interacting with the different groups and the people who is close to them provide the authorities of the countries affected by criminal activies to make effective decisions in their struggle with criminal organizations. One of the most important goals of the metrics used in the SNA is to identify the individuals who are the key players in the network. For the long-term future of all organizations exhibiting social network structures, the identification of those who can replace the key player in the organization is one of the most important issues in terms of the continuity and effectiveness of the organization. While the identification of successors which may cause the organization to be more effective is great importance for the efficiency and development of the organization, the identification of the succesors which may cause organizations such as criminal organizations to be more ineffective, is equally important. The thesis is summarized in four main titles. In this context; i) structural analysis of network structures of some real terrorist and cocaine criminal organizations in terms of SNA metrics and their differences from non-criminal social networks; ii) the creation of a new model for the identification of criminal organizations through the use of machine learning and statistical methods; iii) the creation of a model that includes different strategies for identifying the successors of key players and successors’ new connections to others within the criminal organizations; and iv) the analysis of changes in similarities of criminal networks to new networks which will be formed according to different strategies as a result of the removal of members from criminal organizations and detection of the member that will cause the most damage to the network. Since the military guides, which played a very important role in the state and the army of ancient Turks, have been given the name of YIZEK because of their superior military service and administrative experience, the thesis and a SNA metric created in this thesis was called YIZEK which will guide the decision-making systems of the security forces to neutralize criminal organizations.tr_TR
dc.description.tableofcontentsABSTRACT iii TEŞEKKÜR v İÇİNDEKİLER vi ŞEKİLLER DİZİNİ ix ÇİZELGELER DİZİNİ xii SİMGELER VE KISALTMALAR xiv 1. GİRİŞ 1 1.1. Problem 4 1.2. Tez Motivasyonu 5 1.3. Özgünlük 7 1.4. Tez Organizasyonu 9 2. ALAN BİLGİSİ VE ALAN YAZIN ÖZETİ 11 2.1. Çizge Teorisi (Graph Theory) 12 2.1.1. Çizge Türleri 14 2.1.2. En Kısa Yol (Shortest Path) 18 2.1.3. Dış Merkezilik (Eccentricity), Çap (Diameter) ve Yarıçap (Radius) 19 2.1.4. Ayrımın Altı Derecesi (Six Degrees of Seperation) 20 2.1.5. Motifler 20 2.1.6. Sentetik Çizge Üreteçleri 22 2.1.7. Çizge Veri Tabanları ve Görselleştirme Araçları 25 2.2. Sosyal Ağ Analizi 26 2.2.1. Anahtar Düğüm Tespitine Yönelik SAA Metrikleri 27 2.2.2. Ağın Genel Topolojisine Yönelik SAA Metrikleri 32 2.2.3. SAA Kullanım Alanları 38 2.3. Makine Öğrenmesi ve İstatistiksel Yöntemler 39 2.3.1. Karar Ağacı Öğrenmesi 39 2.3.2. Rastgele Orman Öğrenmesi 42 2.3.3. Ortalama ve Ortanca Değerler 44 2.3.4. Kutu Grafiği Analizi 44 2.3.5. Minimum-Maksimum Veri Normalizasyonu 46 2.4. Suç Örgütleri Ağ Yapılanmaları 46 2.4.1. Klasik Yaklaşımlar 48 2.4.2. Yeni Yaklaşımlar 49 2.5. Suç Örgütlerinin Analizine ve Etkisizleştirilmesine Yönelik Yapılan Çalışmalar 50 3. KULLANILAN VERİ SETLERİ VE YÖNTEMLER 55 3.1. Veri Setleri 55 3.1.1. Kokain Suç Örgütleri 56 3.1.2. Terör Örgütleri Ağları 59 3.1.3. Yasal Arkadaşlık Grupları 64 3.1.4. Test Amaçlı Kullanılan Veri Setleri 69 3.2. Yöntemler 71 3.2.1. Metrik Önem Değerleri Destekli Kutu Grafiği Analiz Modeli (MÖDKAM) 71 3.2.2. Karar Ağacı Öğrenme Modeli 72 3.2.3. Ağ Motifleri Frekans Analizi 72 3.2.4. Varis Düğümlerin Tespitinde SAA Metriklerinden Üretilen YİZEK Metriğinin Hesaplanması 73 4. SUÇ ÖRGÜTLERİNİN TESPİTİ VE ANALİZİ 75 4.1. Kullanılan SAA Metrikleri 75 4.2. Suç Ağlarının Yapısal Analizleri ve Değerlendirilmesi 76 4.2.1. Yoğunluk Metriği 77 4.2.2. Geçişlilik Metriği 79 4.2.3. Çap ve Ortalama En Kısa Yol Metrikleri 80 4.2.4. Derece Metrikleri 82 4.2.5. Arasındalık Metrikleri 84 4.2.6. Yakınlık Metrikleri 85 4.2.7. Öz Vektör Metrikleri 87 4.3. Ağ Gruplarının (Terör, Kokain, Yasal Arkadaşlık) Kutu Grafiği Analizleri 88 4.3.1. Yoğunluk Metriği 89 4.3.2. Geçişlilik Metriği 89 4.3.3. Çap ve Ortalama En Kısa Yol Metrikleri 90 4.3.4. Derece Metrikleri (Ortalama, Maksimum, Merkezilik) 91 4.3.5. Arasındalık Metrikleri (Ortalama, Maksimum, Merkezilik) 94 4.3.6. Yakınlık Metrikleri (Ortalama, Maksimum, Merkezilik) 96 4.3.7. Öz Vektör Metrikleri (Ortalama, Maksimum, Merkezilik) 99 4.4. Ağları Sınıflandırmada Karar Ağacı Modeli 100 4.5. Ağları Sınıflandırmada Metrik Önem Değerleri Destekli Kutu Grafiği Analiz Modeli (MÖDKAM) 105 4.6. Ağları Sınıflandırmada Motif Analizi 110 4.7. Test Verisi ile Sınıflandırma Modellerinin Test Edilmesi 113 4.7.1. Gerçek Veri Setleri Test Sonuçları 114 4.7.2. Sentetik Veri Setleri Test Sonuçları 117 5. VARİS KİŞİLERİN TESPİTİ VE ANALİZİ 120 5.1. Anahtar Düğümlerin Tespiti 122 5.2. Varis Düğümlerin Tespiti 124 5.3. Ağın Yeniden Yapılandırılması 126 5.4. Örnek Durum Çalışmaları 128 5.4.1. MAMBO Kokain Suç Örgütü Örnek Durum Çalışması 129 5.4.2. 11 Eylül 2001 Terör Ağı Örnek Durum Çalışması 137 6. SONUÇLAR VE TARTIŞMA 146 6.1. İlave Yapılabilecek Çalışmalar 149 7. KAYNAKLAR 150 EKLER 160 EK 1 - Tezden Türetilmiş Yayınlar 160 EK 2 - Tezden Türetilmiş Bildiriler 161 EK 3 - Tez Çalışması Orjinallik Raporu 162 ÖZGEÇMİŞ 163tr_TR
dc.language.isoturtr_TR
dc.publisherFen Bilimleri Enstitüsütr_TR
dc.rightsinfo:eu-repo/semantics/openAccesstr_TR
dc.subjectSosyal ağ analizi
dc.subjectSuç örgütleri
dc.subjectÇizge teorisi
dc.subjectMakine öğrenmesi
dc.subjectKarar ağacı öğrenmesi
dc.subjectRastgele orman öğrenmesi
dc.subjectRastgele orman öğrenmesi
dc.subjectAnahtar kişilerin tespiti
dc.subjectVaris kişilerin tespiti
dc.subject.lcshKonu Başlıkları Listesi::Teknoloji. Mühendislik::Bilgisayar mühendisliğitr_TR
dc.titleYizek: Varis Kişilerin Tespiti ve Analizitr_TR
dc.title.alternativeYizek: Varis Kişilerin Tespiti ve Analizitr_TR
dc.typedoctoralThesistr_TR
dc.description.ozetSosyal Ağ Analizi (SAA) farklı alanlarda ilişki ağlarından anlamlı bilgilerin açığa çıkarılmasında yaygın olarak kullanmaktadır. Suç örgütleri de, üyeleri ve üyelerin birbirleri arasındaki ilişkilerden oluşan bir sosyal ağdır. SAA suç örgütlerinin yapısının ortaya çıkarılması ve etkisizleştirilmesi adına tüm dünyada güvenlik güçleri tarafından yaygın olarak kullanılmaktadır. Günümüzde terör grupları ya da kokain ticareti yapan gruplar gibi suç örgütleri bir bölge veya ülkede faaliyet göstermemekte, tüm dünyada farklı çıkar ilişkileri çerçevesinde farklı suç örgütleri ile hareket etmektedirler. Suç örgütlerinin ilişki yapısının incelenerek matematiksel modelinin ortaya çıkarılması, farklı gruplar arasında irtibatı sağlayan anahtar roldeki kişilerin (Liderler, Haberciler, Para Akışı Sağlayanlar vb.) ve bunlara yakın kişilerin tespiti, suç örgütlerinin eylemlerinden etkilenen ülkelerin yetkili birimlerinin bu örgütlerle mücadelelerinde etkin karar vermelerini sağlamaktadır. Sosyal ağ analizinde kullanılan metriklerin en önemli amaçlarından birisi ağ içerisindeki anahtar roldeki kişilerin tespit edilmesidir. Sosyal ağ yapısı sergileyen tüm organizasyonların uzun vadede geleceği için organizasyon içerisindeki anahtar kişilerin yerine geçebilecek varis kişilerin tespit edilmesi de organizasyonun devamlılığı ve etkinliği açısından en önemli hususlardan birisi olmaktadır. Organizasyonun daha etkin olmasına sebep olabilecek varis kişilerin tespiti organizasyonun verimliliği ve gelişmesi için büyük öneme sahipken, suç örgütleri gibi organizasyonların daha etkisiz olmasına sebep olabilecek varis kişilerin tespiti de aynı derecede öneme sahip olmaktadır. Tez çalışması dört temel başlıkta özetlenmektedir. Bu kapsamda; i) gerçek bazı terörist ve kokain suç örgütlerinin oluşturduğu ağ yapılarının SAA metrikleri açısından yapısal olarak analizlerinin gerçekleştirilmesi ve normal sosyal ağlardan farklılıklarının incelenmesi; ii) makine öğrenmesi ve istatistiksel yöntemlerin bir arada kullanılması ile suç örgütlerinin tespitine yönelik yeni bir model oluşturulması; iii) suç örgütleri içerisinde yer alan kişilerin varislerinin tespitine ve varislerinin yeni oluşturacağı bağlantılara yönelik farklı stratejileri içeren model oluşturulması ve iv) suç örgütleri içerisinden üyelerinin çıkartılması sonucu farklı stratejilere göre oluşacak yeni ağların suç örgütü yapılarına benzerliklerinin değişiminin incelenmesi ve çıkartılmasıyla ağa en fazla zararı verecek olan üyenin tespiti gerçekleştirilmiştir. Eski Türklerde devlet ve ordu içinde çok önemli rol oynayan ve üstün askerlik bilgisi ile idari tecrübesi olan askeri kılavuzlara YİZEK adı verildiğinden, güvenlik güçlerinin suç örgütlerinin etkisizleştirilmesine yönelik karar destek sistemlerine katkı sağlayarak kılavuzluk edecek bu tez çalışmasına ve çalışmada yeni oluşturulan SAA metriğine YİZEK adı verilmiştir.tr_TR
dc.contributor.departmentBilgisayar Mühendisliğitr_TR
dc.embargo.termsAcik erisimtr_TR
dc.embargo.lift2019-10-11T10:27:34Z
dc.identifier.ORCIDhttps://orcid.org/0000-0002-1522-829Xtr_TR
dc.subject.mscMathematics Subject Classification::Computer science::Softwaretr_TR
dc.subject.ieeeIEEE Thesaurus Terms::Computational and artificial intelligence:: Decision support systemstr_TR


Files in this item

This item appears in the following Collection(s)

Show simple item record