37 results
Search Results
Now showing 1 - 10 of 37
Article Citation - WoS: 17Citation - Scopus: 32Deep Learning-Based Vehicle Classification for Low Quality Images(Mdpi, 2022) Tas, Sumeyra; Sari, Ozgen; Dalveren, Yaser; Pazar, Senol; Kara, Ali; Derawi, MohammadThis study proposes a simple convolutional neural network (CNN)-based model for vehicle classification in low resolution surveillance images collected by a standard security camera installed distant from a traffic scene. In order to evaluate its effectiveness, the proposed model is tested on a new dataset containing tiny (100 x 100 pixels) and low resolution (96 dpi) vehicle images. The proposed model is then compared with well-known VGG16-based CNN models in terms of accuracy and complexity. Results indicate that although the well-known models provide higher accuracy, the proposed method offers an acceptable accuracy (92.9%) as well as a simple and lightweight solution for vehicle classification in low quality images. Thus, it is believed that this study might provide useful perception and understanding for further research on the use of standard low-cost cameras to enhance the ability of the intelligent systems such as intelligent transportation system applications.Doctoral Thesis Düşük Çözünürlüklü Görüntülerde Araç Tespiti ve Siniflandirmasi için Birden Fazla Aşamali Modüler Bir Yöntem(2025) Maiga, Bamoye; Dalveren, YaserAkıllı ulaşım sistemlerinde (ITS) gerçek zamanlı araç tespitinin önemi, şehir trafiğindeki araç sayısındaki sonsuz ve sürekli artışla vurgulanmaktadır. Bununla birlikte, çok çeşitli kamera kaliteleri ve çözünürlükleri, farklı görüş açıları ve zayıf aydınlatma ve olumsuz hava koşulları gibi harici ve kontrol edilemeyen değişkenlerin etkisi, doğru araç tespiti ve sınıflandırmasında birçok zorluk yaratmaktadır. Derin öğrenme tabanlı nesne algılama algoritmalarının çoğu, daha önce bahsedilen bu koşullar düşük görünürlük ve/veya düşük çözünürlüklü görüntülere neden olduğu için bu tür durumlarda zorlanmaktadır. Bu kısıtlamaların üstesinden gelmek için bu çalışma, loş ışık, kötü hava koşulları ve düşük çözünürlük gibi zorlu görüntüleme durumlarına uyarlanmış gerçek zamanlı araç tespiti ve sınıflandırması için yeni, modüler, etkili ve güvenilir bir yaklaşım önermektedir. Önerilen yaklaşım iki özel veri kümesinin oluşturulmasını içermektedir. İlk veri kümesi PASCAL VOC formatında 4.500 düşük çözünürlüklü trafik manzarası görüntüsünden oluşmakta ve transfer öğrenme yoluyla bir nesne tespit modelini eğitmek için kullanılmaktadır. İkinci veri kümesi, iki farklı sınıflandırma modelini eğitmeyi amaçlayan, her biri 100 × 100 piksel boyutlarında ve 96 dpi ve altında çözünürlüğe sahip beş araç türünün 10.000 düşük çözünürlüklü görüntüsünü içerir. Önerilen yaklaşım, son teknoloji ürünü tek aşamalı bir dedektör (SSD) olan EFFICIENTDET1'i hafif bir özel evrişimli sinir ağı (CNN) sınıflandırıcısı ve bir XGBoost sınıflandırıcısı ile entegre etmektedir. Bu kombinasyon, hem makine hem de derin öğrenme algoritmalarının güçlü yönlerinden faydalanarak tespit performansını ve sınıflandırma doğruluğunu artırır. Önerilen yaklaşımın etkinliği deneysel değerlendirme ile gösterilmiştir. Önerilen yaklaşım, 0,9323 ortalama ortalama hassasiyet (mAP) ile aynı veri kümesi üzerinde karşılaştırılabilir koşullarda geleneksel ve son teknoloji nesne algılama modellerinden belirgin şekilde daha iyi performans göstermektedir. Ayrıca, çoklu işlemin uygulandığı önerilen yaklaşım, kare başına 26 milisaniyelik bir çıkarım hızına ulaşmaktadır. Bu, son teknoloji ürünü nesne yöntemlerine kıyasla hem doğruluk hem de çıkarım hızında önemli bir gelişmeye işaret etmektedir. Önerilen yaklaşımın modüler, uyarlanabilir ve ölçeklenebilir yapısı, onu ITS'deki uygulamalar için ideal kılmaktadır. Önerilen yaklaşımın yüksek doğruluğunun yanı sıra çıkarım hızı, düşük görüntü kalitesi veya olumsuz çevresel faktörler gibi koşullar altında gerçek zamanlı uygulamalar için etkili ve operasyonel bir seçenek haline getirmektedir. Sonuç olarak, önerilen yaklaşım, zorlu durumlarda daha güvenli ve daha etkili ulaşım yönetimi sağlayabileceğinden, derin öğrenme tabanlı araç algılama alanında büyük bir potansiyele sahiptir. Bu bulgular, verimli bir nesne algılama modelinin çok işlemli bir mimaride özel sınıflandırıcılarla birleştirilmesinin, gerçek zamanlı araç algılamada gelecekteki araştırmalar için umut verici bir yönü temsil ettiğini göstermektedir.Article Citation - WoS: 6Citation - Scopus: 10Lpwan Cyber Security Risk Analysis: Building a Secure Iqrf Solution(Mdpi, 2023) Bouzidi, Mohammed; Amro, Ahmed; Dalveren, Yaser; Cheikh, Faouzi Alaya; Derawi, Mohammad; Alaya Cheikh, FaouziLow-power wide area network (LPWAN) technologies such as IQRF are becoming increasingly popular for a variety of Internet of Things (IoT) applications, including smart cities, industrial control, and home automation. However, LPWANs are vulnerable to cyber attacks that can disrupt the normal operation of the network or compromise sensitive information. Therefore, analyzing cybersecurity risks before deploying an LPWAN is essential, as it helps identify potential vulnerabilities and threats as well as allowing for proactive measures to be taken to secure the network and protect against potential attacks. In this paper, a security risk analysis of IQRF technology is conducted utilizing the failure mode effects analysis (FMEA) method. The results of this study indicate that the highest risk corresponds to four failure modes, namely compromised end nodes, a compromised coordinator, a compromised gateway and a compromised communication between nodes. Moreover, through this methodology, a qualitative risk evaluation is performed to identify potential security threats in the IQRF network and propose countermeasures to mitigate the risk of cyber attacks on IQRF networks.Article Citation - WoS: 3Citation - Scopus: 5Modelling and Design of Pre-Equalizers for a Fully Operational Visible Light Communication System(Mdpi, 2023) Bostanoglu, Murat; Dalveren, Yaser; Catak, Ferhat Ozgur; Kara, AliNowadays, Visible Light Communication (VLC) has gained much attention due to the significant advancements in Light Emitting Diode (LED) technology. However, the bandwidth of LEDs is one of the important concerns that limits the transmission rates in a VLC system. In order to eliminate this limitation, various types of equalization methods are employed. Among these, using digital pre-equalizers can be a good choice because of their simple and reusable structure. Therefore, several digital pre-equalizer methods have been proposed for VLC systems in the literature. Yet, there is no study in the literature that examines the implementation of digital pre-equalizers in a realistic VLC system based on the IEEE 802.15.13 standard. Hence, the purpose of this study is to propose digital pre-equalizers for VLC systems based on the IEEE 802.15.13 standard. For this purpose, firstly, a realistic channel model is built by collecting the signal recordings from a real 802.15.13-compliant VLC system. Then, the channel model is integrated into a VLC system modeled in MATLAB. This is followed by the design of two different digital pre-equalizers. Next, simulations are conducted to evaluate their feasibility in terms of the system's BER performance under bandwidth-efficient modulation schemes, such as 64-QAM and 256-QAM. Results show that, although the second pre-equalizer provides lower BERs, its design and implementation might be costly. Nevertheless, the first design can be selected as a low-cost alternative to be used in the VLC system.Doctoral Thesis Düşük Çözünürlüklü Görüntülerde Araç Tespiti ve Sınıflandırması İçin Birden Fazla Aşamalı Modüler Bir Yöntem(2025) Maıga, Bamoye; Dalveren, YaserAkıllı ulaşım sistemlerinde (ITS) gerçek zamanlı araç tespitinin önemi, şehir trafiğindeki araç sayısındaki sonsuz ve sürekli artışla vurgulanmaktadır. Bununla birlikte, çok çeşitli kamera kaliteleri ve çözünürlükleri, farklı görüş açıları ve zayıf aydınlatma ve olumsuz hava koşulları gibi harici ve kontrol edilemeyen değişkenlerin etkisi, doğru araç tespiti ve sınıflandırmasında birçok zorluk yaratmaktadır. Derin öğrenme tabanlı nesne algılama algoritmalarının çoğu, daha önce bahsedilen bu koşullar düşük görünürlük ve/veya düşük çözünürlüklü görüntülere neden olduğu için bu tür durumlarda zorlanmaktadır. Bu kısıtlamaların üstesinden gelmek için bu çalışma, loş ışık, kötü hava koşulları ve düşük çözünürlük gibi zorlu görüntüleme durumlarına uyarlanmış gerçek zamanlı araç tespiti ve sınıflandırması için yeni, modüler, etkili ve güvenilir bir yaklaşım önermektedir. Önerilen yaklaşım iki özel veri kümesinin oluşturulmasını içermektedir. İlk veri kümesi PASCAL VOC formatında 4.500 düşük çözünürlüklü trafik manzarası görüntüsünden oluşmakta ve transfer öğrenme yoluyla bir nesne tespit modelini eğitmek için kullanılmaktadır. İkinci veri kümesi, iki farklı sınıflandırma modelini eğitmeyi amaçlayan, her biri 100 × 100 piksel boyutlarında ve 96 dpi ve altında çözünürlüğe sahip beş araç türünün 10.000 düşük çözünürlüklü görüntüsünü içerir. Önerilen yaklaşım, son teknoloji ürünü tek aşamalı bir dedektör (SSD) olan EFFICIENTDET1'i hafif bir özel evrişimli sinir ağı (CNN) sınıflandırıcısı ve bir XGBoost sınıflandırıcısı ile entegre etmektedir. Bu kombinasyon, hem makine hem de derin öğrenme algoritmalarının güçlü yönlerinden faydalanarak tespit performansını ve sınıflandırma doğruluğunu artırır. Önerilen yaklaşımın etkinliği deneysel değerlendirme ile gösterilmiştir. Önerilen yaklaşım, 0,9323 ortalama ortalama hassasiyet (mAP) ile aynı veri kümesi üzerinde karşılaştırılabilir koşullarda geleneksel ve son teknoloji nesne algılama modellerinden belirgin şekilde daha iyi performans göstermektedir. Ayrıca, çoklu işlemin uygulandığı önerilen yaklaşım, kare başına 26 milisaniyelik bir çıkarım hızına ulaşmaktadır. Bu, son teknoloji ürünü nesne yöntemlerine kıyasla hem doğruluk hem de çıkarım hızında önemli bir gelişmeye işaret etmektedir. Önerilen yaklaşımın modüler, uyarlanabilir ve ölçeklenebilir yapısı, onu ITS'deki uygulamalar için ideal kılmaktadır. Önerilen yaklaşımın yüksek doğruluğunun yanı sıra çıkarım hızı, düşük görüntü kalitesi veya olumsuz çevresel faktörler gibi koşullar altında gerçek zamanlı uygulamalar için etkili ve operasyonel bir seçenek haline getirmektedir. Sonuç olarak, önerilen yaklaşım, zorlu durumlarda daha güvenli ve daha etkili ulaşım yönetimi sağlayabileceğinden, derin öğrenme tabanlı araç algılama alanında büyük bir potansiyele sahiptir. Bu bulgular, verimli bir nesne algılama modelinin çok işlemli bir mimaride özel sınıflandırıcılarla birleştirilmesinin, gerçek zamanlı araç algılamada gelecekteki araştırmalar için umut verici bir yönü temsil ettiğini göstermektedir.Doctoral Thesis Düşük Çözünürlülüklü Görüntülerde Araç Tespiti ve Sınıflandırması İçin Birden Fazla Aşamalı Modüller Bir Yöntem(2025) Maiga, Bamoye; Dalveren, YaserAkıllı ulaşım sistemlerinde (ITS) gerçek zamanlı araç tespitinin önemi, şehir trafiğindeki araç sayısındaki sonsuz ve sürekli artışla vurgulanmaktadır. Bununla birlikte, çok çeşitli kamera kaliteleri ve çözünürlükleri, farklı görüş açıları ve zayıf aydınlatma ve olumsuz hava koşulları gibi harici ve kontrol edilemeyen değişkenlerin etkisi, doğru araç tespiti ve sınıflandırmasında birçok zorluk yaratmaktadır. Derin öğrenme tabanlı nesne algılama algoritmalarının çoğu, daha önce bahsedilen bu koşullar düşük görünürlük ve/veya düşük çözünürlüklü görüntülere neden olduğu için bu tür durumlarda zorlanmaktadır. Bu kısıtlamaların üstesinden gelmek için bu çalışma, loş ışık, kötü hava koşulları ve düşük çözünürlük gibi zorlu görüntüleme durumlarına uyarlanmış gerçek zamanlı araç tespiti ve sınıflandırması için yeni, modüler, etkili ve güvenilir bir yaklaşım önermektedir. Önerilen yaklaşım iki özel veri kümesinin oluşturulmasını içermektedir. İlk veri kümesi PASCAL VOC formatında 4.500 düşük çözünürlüklü trafik manzarası görüntüsünden oluşmakta ve transfer öğrenme yoluyla bir nesne tespit modelini eğitmek için kullanılmaktadır. İkinci veri kümesi, iki farklı sınıflandırma modelini eğitmeyi amaçlayan, her biri 100 × 100 piksel boyutlarında ve 96 dpi ve altında çözünürlüğe sahip beş araç türünün 10.000 düşük çözünürlüklü görüntüsünü içerir. Önerilen yaklaşım, son teknoloji ürünü tek aşamalı bir dedektör (SSD) olan EFFICIENTDET1'i hafif bir özel evrişimli sinir ağı (CNN) sınıflandırıcısı ve bir XGBoost sınıflandırıcısı ile entegre etmektedir. Bu kombinasyon, hem makine hem de derin öğrenme algoritmalarının güçlü yönlerinden faydalanarak tespit performansını ve sınıflandırma doğruluğunu artırır. Önerilen yaklaşımın etkinliği deneysel değerlendirme ile gösterilmiştir. Önerilen yaklaşım, 0,9323 ortalama ortalama hassasiyet (mAP) ile aynı veri kümesi üzerinde karşılaştırılabilir koşullarda geleneksel ve son teknoloji nesne algılama modellerinden belirgin şekilde daha iyi performans göstermektedir. Ayrıca, çoklu işlemin uygulandığı önerilen yaklaşım, kare başına 26 milisaniyelik bir çıkarım hızına ulaşmaktadır. Bu, son teknoloji ürünü nesne yöntemlerine kıyasla hem doğruluk hem de çıkarım hızında önemli bir gelişmeye işaret etmektedir. Önerilen yaklaşımın modüler, uyarlanabilir ve ölçeklenebilir yapısı, onu ITS'deki uygulamalar için ideal kılmaktadır. Önerilen yaklaşımın yüksek doğruluğunun yanı sıra çıkarım hızı, düşük görüntü kalitesi veya olumsuz çevresel faktörler gibi koşullar altında gerçek zamanlı uygulamalar için etkili ve operasyonel bir seçenek haline getirmektedir. Sonuç olarak, önerilen yaklaşım, zorlu durumlarda daha güvenli ve daha etkili ulaşım yönetimi sağlayabileceğinden, derin öğrenme tabanlı araç algılama alanında büyük bir potansiyele sahiptir. Bu bulgular, verimli bir nesne algılama modelinin çok işlemli bir mimaride özel sınıflandırıcılarla birleştirilmesinin, gerçek zamanlı araç algılamada gelecekteki araştırmalar için umut verici bir yönü temsil ettiğini göstermektedir.Master Thesis 77 Ghz Radar Sistemleri için Mikroşerit Anten Tasarımı ve Analizi(2023) Yılmaz, Selen; Dalveren, Yaser; Kara, AliBu tez, 77 GHz otomobil radarı için seri beslemeli mikroşerit yama dizi antenin tasarımı ve operasyonel davranışına yönelik kapsamlı araştırmasını takdim etmektedir. Öncelikli olarak, mikroşerit anten, yama dizi anten, frekans taramalı dizi anten ve Chebyshev dizi anten teorisi hakkında teorik altyapı bilgisi temin edilmiştir. Antenleri tasarlamak ve boyutlarını hassas bir şekilde ayarlamak için sonlu eleman metoduna dayalı tam dalga simülasyon aracı kullanılmıştır. İlk aşamada, 76.5 GHz rezonans frekansında çalışan seri beslemeli doğrusal Chebyshev dizi anten bir verici kanalını temsil etmesi üzerine tasarlanmıştır. Kazancı geliştirmek için toprak-sinyal-toprak geçiş yapısında kullanılmak üzere kısa devre pinlerinden yararlanılmıştır. Pinsiz ve pinli tasarımların bant genişliği ve kazanç bakımından karşılaştırmalı analizi yapılmıştır. Son aşamada, 76.5 GHz doğrusal dizi yama anten 79 GHz doğrusal dizi yama antene GSG geçiş yapısı boyutları optimize edilerek ve her bitişik iki yama elemanı arasındaki aralıklandırma ve yama elemanı uzunlukları ölçeklenerek dönüştürülmüştür. Ölçeklendirme yönteminin etkisini değerlendirebilmek adına bu aşamada iki tasarım sunulmuştur. Bu iki dizi yama anten tasarımının operasyonel özelliklerinin ana kulak yönlendirilme açısı, empedans bant genişliği, total kazanç ve yan kulak baskılanması bakımından karşılaştırmalı analizi yapılmıştır.Article Citation - WoS: 9Citation - Scopus: 12Flexible and Lightweight Mitigation Framework for Distributed Denial-Of Attacks in Container-Based Edge Networks Using Kubernetes(Ieee-inst Electrical Electronics Engineers inc, 2024) Koksal, Sarp; Catak, Ferhat Ozgur; Dalveren, YaserMobile Edge Computing (MEC) has a significant potential to become more prevalent in Fifth Generation (5G) networks, requiring resource management that is lightweight, agile, and dynamic. Container-based virtualization platforms, such as Kubernetes, have emerged as key enablers for MEC environments. However, network security and data privacy remain significant concerns, particularly due to Distributed Denial-of-Service (DDoS) attacks that threaten the massive connectivity of end-devices. This study proposes a defense mechanism to mitigate DDoS attacks in container-based MEC networks using Kubernetes. The mechanism dynamically scales Containerized Network Functions (CNFs) with auto-scaling through an Intrusion Detection and Prevention System (IDPS). The architecture of the proposed mechanism leverages distributed edge clusters and Kubernetes to manage resources and balance the load of IDPS CNFs. Experiments conducted in a real MEC environment using OpenShift and Telco-grade MEC profiles demonstrate the effectiveness of the proposed mechanism against Domain Name System (DNS) flood and Yo-Yo attacks. Results also verify that Kubernetes efficiently meets the lightweight, agile, and dynamic resource management requirements of MEC networks.Doctoral Thesis Kubernetes Yönetimindeki Konteynerleştirilmiş Edge Ağlarında Dağıtılmış Hizmet Dışı Bırakma (DDOS) Saldırılarının Azaltılmasına Doğru(2025) Köksal, Sarp; Dalveren, Yaser; Çatak, Ferhat ÖzgürBeşinci Nesil (5G) teknolojisinin, Nesnelerin İnterneti (IoT) olarak bilinen milyarlarca cihaza bağlantıya olanak vermesi bekleniyor ve Mobil Sınır Bilişim (MEC) bu teknolojinin ana yapı taşı olacak. Ancak IoT cihazları ve uç ağları, kaçınılmaz olarak çeşitli siber saldırı türlerinin ana hedefi olacaktır. En yaygın olanı, Dağıtılmış Hizmet Reddi (DDoS) saldırıları olarak bilinir. DDoS saldırıları, hedef sisteme çok sayıda paket göndererek kaynaklarını tüketmeyi amaçladığından, genellikle IP tabanlı ortamlarda etkili olur. Yazılım Tanımlı Ağ (SDN) ve Ağ Fonksiyonları Sanallaştırması (NFV), 5G ağlarının uygulama katmanında DDoS saldırılarının yoğun olması beklenen yerlerdir ve bu iki teknoloji, IoT ve Uç Ağları için kilit kolaylaştırıcı olacaktır. Kubernetes gibi konteyner tabanlı sanallaştırma platformları, uç ağlarda Kubernetes'in daha hafif ve çevik platformlar sunabilmesi nedeniyle giderek daha popüler araçlar haline gelmektedir. IoT cihazları en kritik atak hedeflerden biridir çünkü çok fazla cihaz birbirine bağlıdır ve bir saldırının birbirine yayılması çok kolaydır. Buna ek olarak, uç cihazların ve sunucuların sınırlı kaynak kapasitelerine sahip olmaları da bu saldırılara karşı daha kolay hedef olmalarını sağlar. Bu nedenle, uç ağlarda DDoS atakları için güvenlik sistemlerine ihtiyaç vardır. Bu tez çalışmasında, konteyner tabanlı bulut platformlarının Uç Ağlarda dinamik ve otomatik kaynak yönetimi yetenekleri kullanılarak bu DDoS saldırılarına karşı nasıl kullanılabileceğinin araştırılması amaçlanmaktadır.Doctoral Thesis Makine Öğrenmesi Kullanılarak Geliştirilmiş Çok Yollu Yayılım Yöntemiyle Radarların Konumlandırılması(2024) Imran, Md Abdullah Al; Dalveren, Yaser; Kara, AliBu tezin amacı, Elektronik Destek Tedbirleri (ESM) sistemlerinde, özellikle engebeli arazilerde, tek bir alıcı kullanarak radar yayıcılarının pasif olarak konumlandırılması için önerilen bir yaklaşımın uygulanabilirliğini değerlendirmektir. Gerçekçi senaryolardan elde edilen gerçek verilere uygulandığında bu yöntemin doğruluğuna ilişkin ampirik kanıtların olmaması, pratik ortamlarda gerçek bir endişe yaratmaktadır. Bunu ele almak için, yöntemin pratikte uygulanmasını sağlamak üzere isabetli bir ışın izleme (RT) algoritması kullanılmaktadır. Daha sonra, yüksek çözünürlüklü sayısal arazi yükseklik verilerinin (DTED) toplanmasına ve radar yayıcılarıyla ilişkili gerçekçi lokalizasyon zorluklarının dikkate alınmasına yardımcı olan bir coğrafi bilgi sistemi (GIS) haritası kullanılarak gerçekçi senaryolar oluşturulmuştur. Daha sonra, yerelleştirme yönteminin etkinliğini değerlendirmek için simülasyonlar gerçekleştirilmiştir. Sonuç olarak, yöntemin performansı Elektronik Harp (EH) bağlamında pratik uygulaması için doğrulanarak önemli bir dönüm noktasına ulaşılmıştır. Kullanılan yöntemin doğal özellikleri nedeniyle, önerilen yaklaşım hesaplama karmaşıklığından muzdariptir. Hesaplama verimliliğini artırmak amacıyla, önerilen yöntem için Makine Öğrenimi (ML) tabanlı bir yaklaşım getirilmiştir. Önerilen ML çerçevesi önceden bilinen operasyonel ortamdan elde edilen Yol Kaybı, sensör grubunun Geometrik Hassasiyet Seyreltmesi (GDOP), ve Ortalama Kare Hata (MSE) performans ölçütü gibi faydalı özellikler gerektirir. Bu tür veri odaklı bir yaklaşımın performansı veri kümesinin genişliğine bağlı olduğundan, Ege Denizi adalarından motive edilmiş sözde gerçekçi arazi görünümü modelleri oluşturmak için özgün bir teknik geliştirilmiştir. Üç makine öğrenimi modeli: Kademeli Doğrusal Regresyon, Karar Ağacı ve Sinir Ağları eğitilmiş ve bir lokalizasyon algoritmasında kullanılacak en uygun sensör gruplarını tahmin etmek için veri kümeleri üzerinde test edilmiştir. Sonuçlara göre, Karar Ağacı modelinin en yüksek tahmin doğruluğuna ulaşabildiği görülmüştür. Ayrıca, önerilen yaklaşımın performansı lokalizasyon doğruluğu ve hesaplama hızı açısından değerlendirilmiştir. Kestirim doğruluğunu değerlendirmek için MSE'nin yanı sıra Dairesel Hata Olasılığı (CEP) ve Küresel Hata Olasılığı (SEP) da kullanılmıştır. Elde edilen sonuçlardan, önerilen yaklaşımın hesaplama açısından verimli olduğu ve uygulama öncesinde operasyonel ortamın bilinmesi koşuluyla EH bağlamında uygulanabilir olduğu sonucuna varılmıştır.
