Bilgi Güvenliği Teknolojisi - Kitap Bölümü Koleksiyonu

Bu koleksiyon için kalıcı URI

https://hdl.handle.net/20.500.12695/2799

Listeleniyor 1 - 4 / 4

Gelişmekte Olan Ülkelerde Finansal Dayanıklılığın Karşılaştırmalı Analizi: ÇKKV Temelli Bir Yaklaşım
(Özgür Yayınları, 30.06.2026) Eren, Hande; Aksoy Erzurumlu, Esra
Küresel ölçekte yaşanan ekonomik ve finansal krizler, yüksek enflasyon, jeopolitik riskler ve sıkılaşan para politikaları, ülkelerin yalnızca büyüme performanslarının değil, aynı zamanda finansal sistemlerinin şoklara karşı dayanıklılık düzeylerinin de önemini artırmıştır. Bu çalışmanın amacı, G20 bünyesinde yer alan gelişmekte olan ekonomilerin finansal dayanıklılık düzeylerini Çok Kriterli Karar Verme (ÇKKV) yaklaşımı çerçevesinde karşılaştırmalı olarak değerlendirmektir. Çalışmada finansal dayanıklılık; ekonomilerin iç ve dış şoklar karşısında temel finansal işlevlerini sürdürebilme ve kriz sonrasında yeniden dengeye ulaşabilme kapasitesi olarak ele alınmıştır. Bu kapsamda, G20 içerisinde yer alan dokuz gelişmekte olan ülkenin finansal dayanıklılık düzeyleri; Finansal Gelişmişlik Endeksi, Genel Hükümet Brüt Borcu (%GSYİH), Enflasyon (Tüketici Fiyatları, %) ve Banka Z-Skoru göstergeleri kullanılarak analiz edilmiştir. Ülkelerin finansal düzeylerinin belirlenmesinde, kriter ağırlıklarını analiz süreci içerisinde objektif olarak belirleyebilmesi ve alternatifleri bütüncül biçimde değerlendirebilmesi nedeniyle ÇKKV yöntemlerinden PSI (Preference Selection Index) yöntemi tercih edilmiştir. Analizlerde, her bir değişkene ilişkin son açıklanan veri setlerinin son dört yıllık ortalama değerlerinden yararlanılmıştır. Elde edilen bulgular, finansal dayanıklılık düzeyi bakımından en yüksek değere Çin Halk Cumhuriyeti’nin sahip olduğunu, bu ülkeyi sırasıyla Brezilya ve Güney Afrika’nın izlediğini göstermektedir. Sonuçlar, finansal gelişmişlik, kamu borcu, enflasyon ve bankacılık istikrarı göstergelerinin birlikte değerlendirilmesinin ülkelerin finansal dayanıklılık düzeylerinin daha kapsamlı biçimde analiz edilmesine katkı sağladığını ortaya koymaktadır. Çalışmanın, gelişmekte olan ekonomilerin finansal dayanıklılıklarının çok boyutlu olarak değerlendirilmesine ilişkin literatüre katkıda bulunmasının yanı sıra, politika yapıcılara finansal sistemlerin güçlendirilmesine yönelik karar alma süreçlerinde yararlanabilecekleri karşılaştırmalı bulgular sunması beklenmektedir.
ÇOK KRİTERLİ KARAR VERME YÖNTEMLERİ İLE SİBER GÜVENLİK PERFORMANSININ DEĞERLENDİRİLMESİ: BALKAN ÜLKELERİ ÜZERİNE BİR UYGULAMA
(01.03.2026) Eren, Hande
Günümüzde dijitalleşmenin hız kazanmasıyla birlikte ülkelerin siber güvenlik kapasitelerinin değerlendirilmesi stratejik bir önem kazanmıştır. Bu çalışmada, Balkan ülkelerinin siber güvenlik performansları Çok Kriterli Karar Verme (ÇKKV) yöntemlerinden Entropi ve ARAS yöntemleri kullanılarak analiz edilmiştir. Kriter ağırlıkları Entropi yöntemi ile nesnel olarak belirlenmiş, ülkelerin performans sıralaması ise ARAS yöntemi ile gerçekleştirilmiştir. Analizde Uluslararası Telekomünikasyon Birliği (ITU) tarafından yayımlanan 2024 Küresel Siber Güvenlik Endeksi verilerinden yararlanılmıştır. Bulgular, kapasite gelişimi ölçümlerinin en önemli kriter olduğunu ortaya koyarken, Türkiye'nin siber güvenlik performansı açısından ilk sırada, Bosna-Hersek'in ise son sırada yer aldığını göstermektedir. Çalışmanın, Balkan ülkelerinin siber güvenlik performanslarının analitik bir bakış açısıyla değerlendirilmesine katkı sağlayacağı ve karar vericilere politika geliştirme sürecinde yol gösterici olacağı düşünülmektedir.
EVALUATION OF G7 COUNTRIES IN TERMS OF THEIR DIGITAL INTELLIGENCE PERFORMANCE WITH THE CoCoSo METHOD
(IGI GLOBAL, 2025) Eren, Hande; Gelmez, Eren
Digital technologies are increasing their importance on a global scale day by day. New concepts have emerged as the effects of digital technologies are felt on both individuals and businesses. One of these concepts is digital intelligence. In this context, the main purpose of this study is to examine the digital intelligence performances of G7 countries. Within the framework of this main purpose, the digital intelligence performances of G7 countries were determined by using the Digital Intelligence Index (2020). The current index includes six criteria: state, momentum, environment, experience, behavior and attitudes. Within the scope of the analysis, the SD (Standard Deviation) method was used in weighting the criteria and the CoCoSo (Combined Compromise Solution) method was used in ranking the alternatives/countries. According to the SD method results, it was seen that the criterion with the highest importance level was behavior, while state had the lowest importance level. After weighting the criteria, CoCoSo analysis was conducted and as a result of the analysis, it was determined that the country with the highest digital intelligence performance was the USA; Germany followed the USA. The countries with the lowest performance were determined as France and Italy, respectively.
AI Model Validation with ZeroKnowledge Proof: Trust and Transparency Without Data Access
(Duvar Yayınları, 2025) Taş, Özge
Summary Zero-Knowledge Proof Machine Learning (ZKML) is a new approach that combines zero-knowledge proofs (ZKP) with machine learning (ML) to develop privacy-focused and secure artificial intelligence systems. ZKP are cryptographic techniques that enable one party to prove the validity of certain information without disclosing any additional data. This mechanism is particularly important in fields that require high levels of privacy, such as finance, healthcare, and identity verification. ZKML enables the cryptographic verification of the accuracy of model inferences or training processes without disclosing model parameters or user data. In the context of federated learning, the accuracy of each participant's contribution to the model training process can be verified using proof systems such as zk-SNARKs, thereby enabling a secure collaboration environment without the risk of data leakage. Similarly, during the inference phase, it can be verified whether the model produced a specific output, which builds trust in fields such as medicine and finance where sensitive decisions are made. Currently, the production of ZK proofs requires high computing power. However, thanks to advances in hardware, distributed systems, and cryptography, proof production is now more feasible even for larger and more complex models. Startups like Modulus Labs and tools like the ezkl library enable the production of ZK proofs on models in ONNX format, offering practical solutions to developers. Systems like Plonky2 have reduced proof production for models with millions of parameters to just minutes. ZKML has a bunch of use cases, including on-chain ML verification (e.g., in DeFi protocols), transparency of ML services (MLaaS), fraud detection, and private inference. For example, in decentralized Kaggle-like systems, the accuracy of a model can be proven without revealing its details. In healthcare, patients can access diagnostic results without disclosing their data. In conclusion, ZKML combines privacy protection with the security of verification processes, enabling the development of more ethical and reliable artificial intelligence systems. This approach, which lies at the intersection of cryptography and machine learning disciplines, has the potential to increase the transparency and security of AI systems at both technical and societal levels.

Güncel Gönderiler