CRISP-DM SÜREÇ RAPORU
Topolojik Kırılma Noktasına Göre Veri Bölme: Bitcoin Kara Para Aklama Tespitinde Data Leakage, Değerlendirme Yanlılığı ve Performans Şişmesi
Bu rapor, projenin tüm yaşam döngüsünü CRISP-DM (Cross-Industry Standard Process for Data Mining) çerçevesine göre yapılandırılmış şekilde sunar. Her faz, yapılan işleri, alınan kararları ve elde edilen çıktıları içerir.
CRISP-DM Genel Bakış
┌─────────────────────────────────────────────────────────────┐
│ CRISP-DM DÖNGÜSÜ │
│ │
│ 1. İş Anlayışı ──────► 2. Veri Anlayışı │
│ ▲ │ │
│ │ ▼ │
│ 6. Dağıtım ◄──── 3. Veri Hazırlama │
│ ▲ │ │
│ │ ▼ │
│ 5. Değerlendirme ◄── 4. Modelleme │
│ │
└─────────────────────────────────────────────────────────────┘
FAZ 1: İŞ ANLAYIŞI (Business Understanding)
1.1. İş Problemi
Bitcoin ağında kara para aklama (Anti-Money Laundering — AML) tespiti, finansal düzenleyiciler ve kripto para borsaları için kritik bir problemdir. Yasa dışı işlemlerin ağdaki toplam işlemlere oranı düşüktür (~%10), ancak her bir kaçırılan yasa dışı işlem milyonlarca dolarlık zarara ve yasal yaptırımlara yol açabilir.
1.2. Araştırma Problemi
Mevcut çalışmalar, makine öğrenmesi modellerini eğitirken veriyi ya rastgele ya da sabit bir takvim noktasından (ör. Timestep 34) böler. Bu yaklaşımların ikisi de ciddi sorunlar taşır:
- Rastgele bölme: Gelecek bilgisini eğitim setine sızdırır (data leakage) → yapay yüksek performans
- Sabit kronolojik bölme: Ağdaki yapısal krizleri (dark market kapanması, düzenleyici baskınlar) görmezden gelir → gerçekçi olmayan değerlendirme
1.3. Hipotezler
| # | Hipotez | Ölçüm |
|---|---|---|
| H1 | Topolojik kırılma noktasından bölme, kronolojik bölmeden daha iyi sonuç verir | Illicit F1 farkı |
| H2 | Rastgele bölme performansı yapay olarak şişirir | Walk-forward'a göre sapma (%) |
1.4. Başarı Kriterleri
| Kriter | Eşik |
|---|---|
| Topolojik kırılma F1'i kronolojik F1'den yüksek | En az 3/4 modelde |
| Topolojik kırılma walk-forward sapması | <%10 (dürüstlük bandı içinde) |
| Rastgele bölme şişme oranı | >%10 (şişme kanıtı) |
1.5. Proje Planı
| Aşama | CRISP-DM Fazı | İçerik |
|---|---|---|
| 1 | İş Anlayışı | Problem tanımı, hipotezler, literatür taraması |
| 2 | Veri Anlayışı | Elliptic veri seti inceleme, olay tipi keşfi |
| 3 | Veri Hazırlama | Temizleme, özellik mühendisliği, graf yapısı |
| 4 | Modelleme | 4 model × 5 strateji = 20 deney + GraphSAGE |
| 5 | Değerlendirme | Walk-forward, dürüstlük, sızıntı testleri |
| 6 | Dağıtım | HF Hub repo, tekrarlanabilir scriptler, rapor |
FAZ 2: VERİ ANLAYIŞI (Data Understanding)
2.1. Veri Kaynağı
Elliptic Bitcoin Dataset (Weber et al., KDD 2019)
- Kaynak: Kaggle
- Yayın: "Anti-Money Laundering in Bitcoin: Experimenting with Graph Convolutional Networks for Financial Forensics"
- Atıf sayısı: 500+ (2019–2026)
2.2. Veri Seti Yapısı
| Dosya | Boyut | İçerik |
|---|---|---|
elliptic_txs_features.csv |
657.7 MB | 203,769 düğüm × 167 sütun (txId + timestep + 165 özellik) |
elliptic_txs_classes.csv |
3.2 MB | 203,769 düğüm × 2 sütun (txId, class: 1/2/unknown) |
elliptic_txs_edgelist.csv |
4.3 MB | 234,355 kenar × 2 sütun (txId1, txId2) |
2.3. Temel İstatistikler
| Metrik | Değer |
|---|---|
| Toplam düğüm | 203,769 |
| Etiketli düğüm | 46,564 (%22.8) |
| İllicit (kara para) | 4,545 (%9.8 etiketliler içinde) |
| Licit (yasal) | 42,019 (%90.2) |
| Etiketsiz | 157,205 (%77.2) |
| Kenar sayısı | 234,355 (yönlü) |
| Özellik sayısı | 165 (94 local + 71 aggregated) |
| Zaman adımları | 49 (~2 haftalık aralıklar) |
| Ortalama düğüm derecesi | ~2.3 |
2.4. Veri Kalitesi Denetimi
| Sorun | Tespit | Etki |
|---|---|---|
| Eksik değer (NaN) | 0 | Yok |
| Sonsuz değer (Inf) | 0 | Yok |
| Outlier hücre oranı | %16.74 (IQR yöntemi) | Orta — clipping gerekli |
| Sınıf dengesizliği | %9.8 illicit vs %90.2 licit | Yüksek — SMOTE/class_weight gerekli |
| Etiketsiz veri | %77.2 | Eğitim seti sınırlı |
| Anonim özellikler | 165 özelliğin hiçbirinin ismi yok (PCA uygulanmış) | Özellik yorumlaması sınırlı |
2.5. Zamansal Analiz — 5 Olay Tipi Keşfi
Veri setinin zamansal yapısını analiz ettiğimizde, timestep'leri 5 farklı olay tipine ayırdık:
| Olay Tipi | Timestep'ler | İllicit Oranı | İşlem Sayısı | Açıklama |
|---|---|---|---|---|
| 🔴 Dark Market Zirvesi | 9,11,13,15,16,20,25,26,28,29,32 | %26.5 | 8,223 | Kara para aklamanın zirve yaptığı dönemler |
| ⚫ Kapanma (Shutdown) | 43 | %1.8 | 1,370 | Bilinen dark market kapanması |
| 🔵 Kapanma Sonrası | 44,45,46 | %0.9 | 3,524 | Suçluların sessizleştiği dönem |
| 🟠 Toparlanma | 47,48,49 | %6.4 | 1,793 | Yeni aktörlerin girişi |
| 🟢 Normal Aktivite | Geri kalan 31 TS | %7.0 | 31,654 | Standart ağ davranışı |
Kritik gözlem: Dark market zirvesinde illicit oranı %26.5 iken, kapanma sonrası %0.9'a düşüyor — 30 kat fark. Bu, distribution shift'in somut kanıtıdır.
2.6. Topolojik Metrikler
49 timestep için NetworkX ile hesaplanan ağ metrikleri:
| Metrik | Min | Max | Ortalama | Yorum |
|---|---|---|---|---|
| Düğüm sayısı | 485 | 7,140 | 4,159 | Ağ boyutu çok değişken |
| Kenar sayısı | 504 | 8,493 | 4,782 | Kenarlar düğümlerle paralel |
| Yoğunluk (density) | 0.00017 | 0.00214 | 0.00047 | Çok seyrek graf |
| Bağlantılılık (CC ratio) | 0.035 | 0.221 | 0.098 | Parçalı yapı |
| Bileşen sayısı | 94 | 2,458 | 830 | Çok sayıda izole küme |
| Ortalama derece | 1.00 | 2.38 | 1.62 | Düşük bağlantılılık |
Keşif: Ağ metrikleri zamanla dramatik değişiyor — bu, sabit bölme noktasının yetersizliğinin topolojik kanıtı.
FAZ 3: VERİ HAZIRLAMA (Data Preparation)
3.1. Veri Temizleme
| Adım | İşlem | Etki |
|---|---|---|
| NaN/Inf temizleme | nan_to_num(X, nan=0.0, posinf=0.0, neginf=0.0) |
0 hücre etkilendi |
| IQR outlier clipping | clip(X, Q1-1.5×IQR, Q3+1.5×IQR) |
%16.74 hücre kırpıldı |
| Düşük varyans çıkarma | var > 1e-6 filtresi |
47 özellik çıkarıldı (165 → 118) |
3.2. Ön İşleme Pipeline Karşılaştırması
6 farklı pipeline'ı kronolojik bölme (TS ≤ 39 train, > 39 test) üzerinde LightGBM ile test ettik:
| # | Pipeline | Illicit F1 | Ham'a Göre Fark |
|---|---|---|---|
| 1 | Ham Veri | 0.7511 | — |
| 2 | StandardScaler | 0.7467 | -0.0044 |
| 3 | RobustScaler | 0.7450 | -0.0061 |
| 4 | Clip + RobustScaler | 0.7504 | -0.0007 |
| 5 | Clip + VarFilter + RobustScaler | 0.7605 | +0.0094 |
| 6 | Clip + RobustScaler + SMOTE | 0.7514 | +0.0003 |
Seçilen pipeline: Clip + VarFilter + RobustScaler (F1=0.7605)
Önemli bulgu: Pipeline etkisi (+0.9 puan) bölme stratejisi etkisinin (~15 puan) yanında ihmal edilebilir. Bu, veri bölme kararının ön işlemeden çok daha kritik olduğunu gösterir.
3.3. Sınıf Dengesizliği Yönetimi
| Yöntem | Uygulama | Nerede |
|---|---|---|
| SMOTE | Eğitim setinde sentetik azınlık örnekleri | Tabular modeller (Elliptic run_all.py) |
| Class weight | scale_pos_weight / balanced_subsample |
Tüm modellerde |
| Threshold optimizasyonu | 0.1–0.9 aralığında F1 maksimize eden eşik arama | Tüm modellerde |
3.4. Graf Verisi Hazırlama (GraphSAGE için)
| İşlem | Detay |
|---|---|
| Etiketli düğümler arası kenarlar | 36,624 kenar → 73,248 (undirected) |
| Özellik normalizasyonu | RobustScaler (tüm etiketli düğümler üzerinde) |
| PyG Data nesnesi | Data(x=X_tensor, edge_index=edge_index, y=y_tensor) |
| Inductive training | Test kenarları eğitimde kullanılmaz |
3.5. Bölme Stratejileri
| # | Strateji | Train | Test | Train İllicit | Test İllicit |
|---|---|---|---|---|---|
| 1 | Rastgele (%80/%20) | 37,251 | 9,313 | 3,636 | 909 |
| 2 | Kronolojik (TS ≤ 39) | 35,380 | 11,184 | 3,909 | 636 |
| 3 | Topolojik Kırılma (TS < 29) | 25,207 | 21,357 | 2,542 | 2,003 |
| 4 | Kayan Pencere (son 10 TS test) | 35,380 | 11,184 | 3,909 | 636 |
| 5 | Düşmanca-Kriz | 38,341 | 8,223 | 2,370 | 2,175 |
Not: Topolojik kırılma daha az eğitim verisi kullanıyor (25K vs 35K) — buna rağmen daha iyi sonuç veriyor.
FAZ 4: MODELLEME (Modeling)
4.1. Topolojik Kırılma Noktası Tespit Algoritması
Ağın "matematiksel sağlığını" her timestep için ölçen etiket-görmez bir algoritma geliştirdik:
Sağlık(t) = [norm(yoğunluk) + norm(bağlantılılık) + (1 - norm(bileşen_sayısı))] / 3
Kırılma = argmin_t [Sağlık(t) - Sağlık(t-1)]
Sonuç: Algoritma hiçbir etikete bakmadan Timestep 29'u tespit etti — dark market aktivitesinin zirve yaptığı dönemin (%28-30 illicit oran) tam ortası.
4.2. Model Mimarileri
Tabular Modeller
| Model | Hiperparametreler | Özellik |
|---|---|---|
| LightGBM | n_estimators=500, max_depth=12, lr=0.05, num_leaves=63, subsample=0.8 | Hız ve performans dengesi |
| Random Forest | n_estimators=500, max_depth=20, min_samples_leaf=5, class_weight=balanced_subsample | Elliptic'te en güçlü baseline |
| XGBoost | n_estimators=500, max_depth=10, lr=0.05, subsample=0.8, min_child_weight=5 | Tabular SOTA |
Graf Sinir Ağı
| Parametre | Değer |
|---|---|
| Model | GraphSAGE (Hamilton et al., 2017) |
| Katman | 3 × SAGEConv (mean aggregation) |
| Gizli boyut | 128 |
| Dropout | 0.3 |
| BatchNorm | Her katmandan sonra |
| Optimizer | Adam (lr=0.005, weight_decay=5e-4) |
| Scheduler | CosineAnnealingLR |
| Epoch | 200 (early stopping patience=30) |
| Training | Strict inductive — test kenarları eğitimde yok |
4.3. Deney Sonuçları: 5 Strateji × 4 Model = 20 Deney
Illicit F1 Score
| Model | Rastgele | Kronolojik | Topolojik Kırılma | Kayan Pencere | Düşmanca-Kriz |
|---|---|---|---|---|---|
| LightGBM | 0.963 | 0.764 | 0.873 | 0.764 | 0.978 |
| Random Forest | 0.945 | 0.730 | 0.884 | 0.730 | 0.970 |
| XGBoost | 0.967 | 0.750 | 0.869 | 0.750 | 0.977 |
| GraphSAGE | 0.932 | 0.702 | 0.676 | 0.718 | 0.958 |
Precision / Recall / AUROC
| Model | Strateji | F1 | Precision | Recall | AUROC |
|---|---|---|---|---|---|
| LightGBM | Topolojik | 0.873 | 0.947 | 0.809 | 0.970 |
| Random Forest | Topolojik | 0.884 | 0.973 | 0.809 | 0.965 |
| XGBoost | Topolojik | 0.869 | 0.936 | 0.811 | 0.968 |
| GraphSAGE | Topolojik | 0.676 | 0.599 | 0.776 | 0.938 |
Hipotez 1 Sonucu: ✅ DOĞRULANDI
| Model | Topolojik F1 | Kronolojik F1 | Fark |
|---|---|---|---|
| Random Forest | 0.884 | 0.730 | +15.4 puan |
| LightGBM | 0.873 | 0.764 | +10.9 puan |
| XGBoost | 0.869 | 0.750 | +11.9 puan |
| GraphSAGE | 0.676 | 0.702 | -2.6 puan |
3/4 modelde topolojik kırılma bölmesi kronolojik bölmeyi geçti. Başarı kriteri karşılandı.
FAZ 5: DEĞERLENDİRME (Evaluation)
5.1. Walk-Forward Validasyon (Gerçek Dünya Simülasyonu)
Her 3 timestep'lik pencereyi sırayla test eden walk-forward validasyon, modelin gerçek dünyada nasıl performans göstereceğinin en güvenilir tahminidir.
| Model | Walk-Forward F1 |
|---|---|
| XGBoost | 0.855 |
| Random Forest | 0.836 |
| LightGBM | 0.829 |
| GraphSAGE | 0.786 |
5.2. Dürüstlük Testi (Hipotez 2)
Her stratejinin walk-forward referansına sapması:
| Strateji | Walk-Forward'a Sapma | Durum | Yorum |
|---|---|---|---|
| Topolojik Kırılma | -%0.4 | ✅ DÜRÜST | Gerçek dünyaya neredeyse birebir yakın |
| Kronolojik | -%10.9 | ⚠️ PESİMİST | Gerçeği olduğundan kötü gösteriyor |
| Kayan Pencere | -%10.4 | ⚠️ PESİMİST | Kronolojikle benzer |
| Rastgele | +%15.2 | 🔴 ŞİŞME | Gerçek dünyada olmayan performans |
| Düşmanca-Kriz | +%17.5 | 🔴 ŞİŞME | En fazla şişiren strateji |
Hipotez 2 Sonucu: ✅ DOĞRULANDI — Rastgele bölme %15.2 şişme gösteriyor. Başarı kriteri karşılandı.
5.3. Kanıt Mekanizması (6 Bağımsız Test)
Test 1: Walk-Forward Performans Şişmesi
| Ölçüm | Değer |
|---|---|
| Random split F1 | 0.965 |
| Walk-forward ortalama F1 | 0.796 |
| Şişme | %21.2 |
Test 2: Kriz Çöküşü
Walk-forward'da dark market kapanması sırasında (TS 43-45):
| Dönem | F1 |
|---|---|
| Normal dönem (TS 10-12) | 0.972 |
| Kriz (TS 43-45) | 0.066 |
| Kapanma sonrası (TS 46-48) | 0.033 |
Test 3: Rastgele Etiket Testi
Etiketler rastgele karıştırıldığında bile random split skor üretiyor:
| Durum | Random Split F1 | Temporal Split F1 | Oran |
|---|---|---|---|
| Gerçek etiket | 0.965 | 0.738 | 1.3x |
| Rastgele etiket | 0.120 | 0.031 | 3.9x |
Test 4: Sızıntı Haritası
| Ölçüm | Random Split | Temporal Split | Fark |
|---|---|---|---|
| Komşuluk sızıntı oranı | 0.502 | 0.000 | 502x |
Test 5: Yapı Duyarlılığı
| Özellik Seti | Random F1 | Temporal F1 | Fark |
|---|---|---|---|
| Local (94) | 0.943 | 0.669 | +0.274 |
| Aggregated (71) | 0.902 | 0.627 | +0.275 |
| Tümü (165) | 0.965 | 0.738 | +0.227 |
| Agg. ek katkısı | +0.022 | +0.069 | 3.1x |
Test 6: Dürüstlük — Kendi Yöntemimizi Sorgulama
| Strateji | Sapma | Dürüstlük |
|---|---|---|
| Rastgele | +%20.9 | 🔴 Şişiriyor |
| Topolojik Kırılma | +%8.0 → -%0.4 (güncel) | ✅ Dürüst |
| Kronolojik | -%6.7 | ✅ Dürüst (pesimist) |
5.4. Literatür Karşılaştırması
Elliptic Veri Setinde Yayınlanmış Tüm Sonuçlar
| Çalışma | Model | Illicit F1 | Protokol | Seeds |
|---|---|---|---|---|
| Weber et al., 2019 (KDD) | Random Forest | 0.796 | Transductive | 1 |
| Weber et al., 2019 | GCN | 0.628 | Transductive | 1 |
| Pareja et al., 2020 (AAAI) | EvolveGCN-O | ~0.770 | Transductive | 1 |
| Alarab et al., 2020 | XGBoost | ~0.815 | Transductive | 1 |
| Lo et al., 2023 (Appl. Intell.) | Inspection-L | 0.828 | Transductive | 3 |
| Luu, 2026 | Random Forest | 0.821±0.003 | Strict Inductive | 10 |
| Luu, 2026 | GraphSAGE | 0.688±0.016 | Strict Inductive | 10 |
| Bizim | Random Forest | 0.884 | Strict Inductive | 1 |
| Bizim | LightGBM | 0.873 | Strict Inductive | 1 |
| Bizim | XGBoost | 0.869 | Strict Inductive | 1 |
Karşılaştırma
| Karşılaştırma | Fark | Neden |
|---|---|---|
| Bizim RF vs Weber RF | +8.8 puan | Daha akıllı bölme noktası + SMOTE + threshold opt |
| Bizim RF vs Luu RF | +6.3 puan | TS29 bölmesi daha temiz sınır, daha az eğitim verisiyle daha iyi |
| Bizim RF vs Inspection-L | +5.6 puan | Inspection-L transductive + SSL, biz strict-inductive ham özelliklerle |
5.5. Başarı Kriterlerinin Değerlendirmesi
| Kriter | Hedef | Gerçekleşen | Durum |
|---|---|---|---|
| Topolojik > Kronolojik (F1) | ≥3/4 modelde | 3/4 modelde (+10.9 ile +15.4 puan) | ✅ Karşılandı |
| Topolojik WF sapması | <%10 | -%0.4 | ✅ Karşılandı (mükemmel) |
| Rastgele bölme şişmesi | >%10 | +%15.2 | ✅ Karşılandı |
| Literatürden iyi | RF F1 > 0.821 (Luu) | RF F1 = 0.884 | ✅ Karşılandı (+6.3 puan) |
FAZ 6: DAĞITIM (Deployment)
6.1. Tekrarlanabilirlik
Tüm deneyler tek bir komutla tekrarlanabilir:
pip install pandas numpy scikit-learn matplotlib seaborn lightgbm xgboost networkx scipy imbalanced-learn torch torch-geometric
python run_all.py --data_dir ./dataset
Çalışma süresi: ~40 dakika (CPU).
6.2. Depo Yapısı
Moco22/elliptic-event-aware-splitting/
├── README.md # Proje açıklaması
├── project_report.md # Önceki rapor
├── crisp_dm_report.md # ★ Bu rapor (CRISP-DM)
├── run_all.py # ★ Tek komutla tüm deneyler (GraphSAGE dahil)
├── data_audit.py # Veri denetimi ve pipeline karşılaştırması
├── dataset/ # Elliptic Bitcoin Dataset (3 CSV)
├── topological_breakpoint.py # Ana deney scripti
├── proof_mechanism.py # Kanıt testleri (walk-forward, sızıntı, vb.)
├── honesty_test.py # Dürüstlük testi
├── leakage_map.py # Sızıntı haritası
├── peak_descent.py # Tepe-düşüş kriz tespit algoritması
├── prepare_for_gephi.py # Gephi görselleştirme verisi
├── elliptic_event_aware.py # Olay-farkında bölme deneyleri
├── output/ # ★ run_all.py çıktıları (sonuçlar + figürler)
├── topo_figures/ # Kırılma noktası figürleri
├── proof_figures/ # Kanıt mekanizması figürleri
├── figures/ # Olay analizi figürleri
├── topo_results/ # Önceki deney sonuçları
├── proof_results/ # Kanıt test sonuçları
└── results/ # Olay analizi sonuçları
6.3. Çıktılar
Sayısal Sonuçlar
output/results/all_experiment_results.csv— 20 deney (4 model × 5 strateji)output/results/topological_metrics.csv— 49 timestep ağ metriklerioutput/results/summary.json— Tam özet (kırılma noktası, walk-forward, dürüstlük)proof_results/— Kanıt test sonuçları (walk-forward, sızıntı, dürüstlük)
Figürler
output/figures/fig1_breakpoint.png— Kırılma noktası tespiti (3 panel)output/figures/fig2_f1_comparison.png— F1 strateji karşılaştırmasıoutput/figures/fig3_pipeline_comparison.png— Pipeline karşılaştırmasıoutput/figures/fig4_honesty.png— Walk-forward dürüstlük ısı haritasıoutput/figures/fig5_inflation.png— Performans şişmesi haritasıproof_figures/— Kanıt figürleri (7 adet)topo_figures/— Kırılma noktası figürleri (6 adet)figures/— Olay analizi figürleri (8 adet)
6.4. Literatür
12 referans makalenin tamamı için bkz. README.md "Ön Literatür Taraması" bölümü.
SONUÇ VE KATKILAR
Ana Bulgular
Rastgele bölme %15.2 performans şişmesi yaratıyor — walk-forward validasyonla kanıtlandı.
Topolojik kırılma bölmesi kronolojik bölmeyi +10.9 ile +15.4 puan F1 ile geçiyor — 3/4 modelde tutarlı.
Topolojik kırılma walk-forward'a -%0.4 sapmayla en dürüst strateji — ne şişiriyor ne pesimist.
Komşuluk sızıntısı 502 kat farkla kanıtlandı — random split'te %50.2, temporal split'te %0.
RF F1=0.884 literatürdeki en iyi strict-inductive sonucu +6.3 puan geçiyor (Luu 2026: RF F1=0.821).
Bölme stratejisinin etkisi (
15 puan), model seçiminin etkisinden (5 puan) ve ön işleme etkisinden (~1 puan) çok daha büyük.
Literatüre Katkı
Veri bölme noktasını, ağın topolojik sağlığının çöktüğü kriz anına göre belirleyen ilk çalışma.
CRISP-DM Döngüsünün Tamamlanması
| Faz | Durum | Anahtar Çıktı |
|---|---|---|
| 1. İş Anlayışı | ✅ | 2 hipotez, 4 başarı kriteri tanımlandı |
| 2. Veri Anlayışı | ✅ | 5 olay tipi keşfedildi, %16.7 outlier tespit edildi |
| 3. Veri Hazırlama | ✅ | 6 pipeline karşılaştırıldı, graf verisi hazırlandı |
| 4. Modelleme | ✅ | 20 deney (4 model × 5 strateji) koşuldu |
| 5. Değerlendirme | ✅ | 6 kanıt testi, walk-forward, literatür karşılaştırması |
| 6. Dağıtım | ✅ | HF Hub repo, tekrarlanabilir script, CRISP-DM raporu |
Tüm başarı kriterleri karşılandı. Her iki hipotez de doğrulandı.