Modern mobile devices are capable of sensing a large variety of changes, ranging from users' motions to environmental conditions. Context-aware applications utilize the sensing capability of these devices for various purposes, such as human activity recognition, health coaching or advertising, etc. Identifying devices and authenticating unique users is another application area where mobile device sensors can be utilized toensure more intelligent, robust and reliable systems. Traditional systems use cookies, hardware or software fingerprinting to identify a user but due to privacy and security vulnerabilities, none of these methods propose a permanent solution, thus sensor fingerprinting not only identifies devices but also makes it possible to create non-erasable fingerprints.In this thesis, we focus on distinguishing devices via mobile device sensors. To this end, a large dataset, larger than 140 GB, which consists of accelerometer, gyroscope, pressure, light and gravity sensor data from 25 distinct devices is utilized. We employ different classification methods on extracted features based on various time windowsfrom mobile sensors. Namely, we use random forest, gradient boosting machine, generalized linear model and artificial neural network. In conclusion, we obtain the highest accuracy as 96% from various experiments in identifying 25 devices using random forest on the data from accelerometer and gyroscope sensors.

Bu yüksek lisans tez çalışması akıllı cihazlarda yer alan sensörleri kullanarak, kullanıcı alışkanlıklarına göre değişen sensör hareketlerindeki farklılıkları tespit edip cihazların tanımlanmasını sağlayan bir çalışma sunmaktadır. Akıllı cihaz sensörleri, kullanıcı hareket tanılama, sağlık koçluğu, ani hareketlerin tespit edilmesi gibi birçok farklı alanda hali hazırda kullanılmaktadır. Bunların dışında, sensör verilerine dayanarak cihaz tanılama ile daha akıllı ve kullanışlı bir sistem tasarlanabilir. Klasik kullanıcı tanılama teknolojileri, web/mobil üzerinde kullanıcının tekilliğini ifade eden, donanım ya da yazılım tarafından üretilmiş kimlik bilgisini kul-lanmaktadır. Örneğin, tarayıcılarda yer alan çerez bilgisi, akıllı cihazlarda bulunan seri numarası mevcut sistemler tarafından kullanılmaktadır. Fakat, bu yöntemler gizlilik ve kalıcılık barındırmaması nedeniyle cihaz tanılama problemine çözüm getirmemektedir.Akıllı cihaz sensörleri ile kullanıcı tanılama çalışması kapsamında 25 farklı kullanıcı için 140 GB dan fazla sensör verisi kullanıldı. Veri içerisinde yer alan farklı sensörler arasından ivmeölçer, jiroskop, basınç, yer çekimi ve ışık sensörleri tercih edildi. Sensör verilerinden çıkarılan öznitelikleri değerlendirmek için Rastgele Orman, Gradyan Artırma, Genelleştirilmiş Lineer Model ve Yapay Sinir Ağı algoritmaları kullanıldı. Sonuç olarak, ivmeölçer ve jiroskop sensörleri birlikte kullanıldığında, Rastgele Orman algoritması ile %96 gibi bir başarı oranı elde edildi.