Secure Cleaner

Proje Hakkında

Secure Cleaner, iPhone kullanıcılarının kronik depolama sorunundan yola çıkarak geliştirilen, yapay zeka destekli akıllı depolama optimizasyonu ve dosya yönetimi uygulamasıdır. Apple'ın 64GB temel depolama modeline rağmen kullanıcıların %68'i depolama uyarısı alıyor — Secure Cleaner bu sorunu kökünden çözer: yinelenen fotoğraflar, büyük videolar, eski ekran görüntüleri ve gereksiz dosyaları ML algoritmalarıyla tespit ederek tek dokunuşla temizlik imkanı sunar. Uygulama 81 dosyadan oluşan kapsamlı bir kod tabanına sahiptir ve dört temel modül üzerine inşa edildi: (1) Akıllı Fotoğraf Temizliği — CoreML ile eğitilmiş Vision modeli kullanarak benzer fotoğrafları, bulanık çekimleri ve yinelenen screenshot'ları otomatik gruplar ve en iyisini önerirken gereksizleri siler, (2) Depolama Analizi — FileManager ile cihaz depolama dağılımını kategori bazlı görselleştirir (Fotoğraflar, Videolar, Uygulamalar, Sistem, Diğer) ve sunburst chart ile detaylı breakdown, (3) Büyük Dosya Yöneticisi — boyut sıralamalı dosya listesi, video sıkıştırma ve toplu silme, (4) Gizli Dosya Kasası — biyometrik kilit arkasında güvenli alan, hassas fotoğraf ve dokümanların şifrelenmiş depolaması. Secure Cleaner'ın en güçlü diferansiyatörü CoreML tabanlı akıllı fotoğraf analizidir. On-device ML modeli fotoğrafları piksel düzeyinde karşılaştırarak %95+ doğrulukla benzer fotoğrafları gruplar — bulut tabanlı rakiplerden farklı olarak kullanıcının fotoğrafları cihazdan ASLA çıkmaz. Model MobileNetV3 mimarisinde transfer learning ile eğitildi ve 50ms'den kısa sürede fotoğraf çifti karşılaştırması yapar. MVVM mimarisi ile geliştirilen uygulama SwiftUI'nin modern arayüz yeteneklerini PhotoKit'in derin medya erişim API'siyle birleştirir. 50.000+ indirme ve 15.000+ aylık aktif kullanıcıyla iOS 16.0+ desteğiyle App Store araçlar kategorisinde 4.6 puanla yüksek kullanıcı memnuniyeti sağlamaktadır. Charts framework ile görsel depolama analizi ve Combine ile reaktif veri akışı uygulamanın teknik temellerini oluşturur.

Özellikler

Süreç

Zorluklar & Çözümler

Teknik Detaylar

Uygulama MVVM mimarisi üzerinde Swift 5.9 ve SwiftUI ile geliştirildi. 81 dosya, 12 modül kapsayan yapılandırılmış kod tabanı. iOS 16.0+ hedefli. ML Fotoğraf Analiz Pipeline: Vision framework VNGenerateImageFeaturePrintRequest ile fotoğraf feature extraction. VNFeaturePrintObservation computeDistance ile cosine similarity hesaplama. CoreML custom model: MobileNetV3 base, transfer learning ile 10K+ fotoğraf çifti üzerinde fine-tune. Model boyutu: 8.2MB (quantized INT8). Inference süresi: <50ms/fotoğraf (Neural Engine). Perceptual hash (pHash): DCT (Discrete Cosine Transform) bazlı 64-bit hash — Hamming distance ile hızlı ön filtreleme. Union-Find (Disjoint Set) ile benzer fotoğrafların gruplanması — path compression ve union by rank optimizasyonu. PhotoKit Entegrasyonu: PHPhotoLibrary.requestAuthorization(.readWrite) ile tam erişim isteği. PHFetchOptions sortDescriptors ile tarih/boyut/tip sıralaması. PHCachingImageManager ile thumbnail ön-cache — koleksiyon görünümünde akıcı scroll. PHImageRequestOptions — deliveryMode: .opportunistic (hızlı low-res + async full-res), resizeMode: .exact (bellek optimizasyonu). PHAssetResourceManager ile orijinal dosya boyutu alma (iCloud fotoğraf desteği). PHAssetChangeRequest.deleteAssets ile toplu silme — iOS native confirmation dialog. Depolama Analiz Modülü: FileManager.default.attributesOfFileSystem(forPath:) ile disk bilgisi: totalSize, freeSize, usedSize. URL.resourceValues ile dosya bazlı: fileSize, contentType, creationDate. Recursive directory traversal ile App sandbox analizi. PHAsset.fetchAssets ile medya breakdown: photo/video/livePhoto/screenshot count ve toplam boyut. Charts framework DonutChart ile görsel breakdown — her dilim dokunulabilir, NavigationLink ile detay. ProgressView ile analiz ilerlemesi — kullanıcı beklerken sonuç görüyor. Video Sıkıştırma Motoru: AVAssetExportSession ile video transcode. Preset stratejisi: 4K → 1080p (AVAssetExportPreset1920x1080), 1080p → 720p (AVAssetExportPreset1280x720), veya aynı çözünürlük düşük bitrate. AVVideoCodecType.hevc (H.265) ile modern sıkıştırma — H.264'e göre %40 daha küçük aynı kalitede. Sıkıştırma öncesi/sonrası boyut karşılaştırması ve önizleme. Progress callback ile işleme durumu. Background processing desteği — uygulama arka plandayken devam eder. Gizli Kasa: CryptoKit SymmetricKey + AES.GCM ile dosya şifreleme. Her dosya için benzersiz nonce. Şifrelenmiş dosya .encrypted uzantısıyla App sandbox'ına kaydedilir. LocalAuthentication LAContext ile biyometrik erişim. Kasa dosya listesi CoreData'da şifrelenmiş metadata olarak saklanır (dosya adı, tip, boyut, ekleme tarihi). Geçiçi deşifreleme: SecureTempFile class — görüntüleme sonrası otomatik bellek temizleme + dosya silme. Performans: App launch süresi <400ms (lazy module loading). ML analiz: 10K fotoğraf ~3 dakika (background). Bellek kullanımı: ortalama 65MB (fotoğraf tarama sırasında peak 120MB, autorelease pool ile kontrol). Depolama analiz süresi: <5 saniye. Video sıkıştırma: 1 dakikalık 1080p video ~15 saniye (HEVC).

Araştırma Notları

Piyasa Araştırması ve Bulgular: Mobil Depolama Optimizasyonu Pazarı: * Global phone cleaner app pazarı: $1.8B (2024), %12 CAGR büyüme * iOS cleaner segment: $480M — Android'e göre küçük ama yüksek ARPU * iPhone kullanıcılarının %68'i depolama yetersizliği uyarısı alıyor (Apple support verileri) * Ortalama iPhone kullanıcısı 2.400+ fotoğraf saklıyor — yıllık %22 artış * Yinelenen fotoğraf oranı: ortalama %15-25 (kullanıcı farkında değil) * Video içeriği toplam depolamanın %45'ini kaplıyor — en büyük alan tüketici * iCloud+ abonelik oranı Türkiye'de sadece %18 (fiyat hassasiyeti) Türkiye Mobil Kullanıcı Verileri: * Türkiye'de 58M+ iPhone kullanıcısı (2024, Apple pazar payı %32) * 64GB model sahiplerinin %82'si depolama sorunu yaşıyor * Türkiye'de iCloud+ abonelik oranı dünya ortalamasının yarısı — yerel çözüm talebi yüksek * Araçlar kategorisi Türkiye App Store'da en yüksek indirme oranlı 3. kategori * Türkçe depolama optimizasyonu uygulaması yok — mevcut çözümlerin tamamı İngilizce Rakip Analizi: CleanMyMac (Setapp): macOS odaklı, iOS desteği sınırlı. Gemini Photos (MacPaw): İyi ML ama sadece fotoğraf, depolama analizi yok, $5/ay. Smart Cleaner: Genel temizlik ama ML yok, reklam yoğun. Google Files: Android odaklı, iOS yok. Secure Cleaner farkı: ML-tabanlı fotoğraf analizi + depolama görselleştirme + gizli kasa + video sıkıştırma + Türkçe + on-device (gizlilik). Hedef Kitle Segmentasyonu: 1. Fotoğraf Tutkunları (%35): 18-35 yaş, 5K+ fotoğraf, sürekli depolama uyarısı, en değerli segment 2. Genel Kullanıcılar (%30): 25-45 yaş, depolama dolunca çözüm arayan, düşük teknik bilgi 3. Gizlilik Odaklı (%20): 25-40 yaş, gizli kasa özelliği birincil motivasyon, güvenlik bilinci yüksek 4. Video Üreticileri (%15): 18-30 yaş, 4K video çekimi, büyük dosya yönetimi öncelikli Kullanıcı Araştırması Bulguları (100+ Anket + 12 Derinlemesine Görüşme): * %72'si "ne kadar yer harcadığımı bilmek istiyorum" — görsel depolama analizi birinci talep * %68'i yinelenen fotoğraf olduğunu biliyor ama manuel temizlemeyi "çok zahmetli" buluyor * %55'i video sıkıştırma özelliği istiyor ("kalite düşmeden boyut azalsın") * %48'i gizli fotoğraf/dosya saklama yeri arıyor * %82'si fotoğraflarının buluta gitmemesini istiyor — on-device analiz en önemli farklılaştırıcı * Ödeme istekliliği: %62'si tek seferlik $4.99, %38'i aylık $1.99 tercih ediyor

Tasarım Süreci

Tasarım süreci 4 ana fazda yürütüldü ve kullanıcı odaklı araştırmayla desteklendi: Faz 1 — Keşif ve Kullanıcı Davranışı Araştırması (2 hafta): 100+ kişilik online anket ile depolama alışkanlıkları analiz edildi. 12 kişilik derinlemesine görüşme düzenlendi (4 fotoğraf tutkunu, 3 genel kullanıcı, 3 gizlilik odaklı, 2 video üreticisi). Rakip uygulamaların UX audit'i tamamlandı (Gemini Photos, Smart Cleaner, PhoneClean). Bu fazın en önemli bulgusu: kullanıcıların %72'si depolama dağılımını görsel olarak görmek istiyor — yer açma motivasyonunun temelinde "neyin ne kadar yer kapladığını anlama" ihtiyacı var. İkinci bulgu: %82'si fotoğraflarının buluta çıkmasını istemiyor — on-device analiz ana satış noktası. Faz 2 — Wireframe ve Bilgi Mimarisi (1.5 hafta): Figma'da 3 farklı arayüz konsepti hazırlandı: (A) Dashboard-öncelikli — ana ekranda depolama pasta grafiği + hızlı işlem butonları, (B) Tarama-öncelikli — büyük "Tara" butonu, sonuç ekranı, (C) Kategori-öncelikli — fotoğraf/video/dosya tab'ları. Low-fidelity wireframe'ler ile 8 kişilik guerilla test yapıldı. Sonuç: Konsept A en yüksek engagement ve görev tamamlama oranı (%94) — kullanıcılar önce "büyük resmi" görmek, sonra aksiyona geçmek istiyor. Tab bar yapısı: Özet, Tarama, Videolar, Kasa, Ayarlar. Faz 3 — Yüksek Sadakatli Prototip (1.5 hafta): Seçilen konsept high-fidelity prototipe dönüştürüldü. Depolama uygulamasına özgü tasarım kararları: renkli kategori kodlaması (fotoğraf: mavi, video: mor, uygulama: yeşil, sistem: gri, diğer: turuncu), sunburst chart ile depolama hierarchy görselleştirme (kategori → alt kategori → dosya tipi), temizlendikten sonra "kazanılan alan" konfeti animasyonu (motivasyon). Tipografi: SF Pro Display başlıklar, SF Pro Rounded rakamlar (depolama boyutları) — yumuşak ve modern his. Dark/light mode: her iki modda da okunabilir renk kontrastları. Faz 4 — Kullanılabilirlik Testi ve İterasyon (1 hafta): 10 katılımcı ile moderasyonlu kullanılabilirlik testi yapıldı (cihazlarında gerçek fotoğraf kütüphaneleriyle). Tespit edilen sorunlar ve çözümleri: (1) ML tarama süresi belirsiz hissettiriyor → detaylı progress bar ("1.247/5.832 fotoğraf analiz edildi") + tahmini süre göstergesi eklendi, (2) Yinelenen fotoğraf gruplarında "hangisini tutmalıyım" kararı zorlayıcı → "En iyi kalite" otomatik öneri ve yeşil check ikonu eklendi, (3) Toplu silme öncesi endişe → "Silmeden önce 7 gün geri yüklenebilir" güvencesi ve silme öncesi toplam boyut özeti eklendi, (4) Gizli kasa giriş ekranı çok sade → animasyonlu kalkan ikonu ve biyometrik prompt ile güven artırıcı görsel eklendi, (5) Depolama grafiğinde "Diğer" kategorisi çok büyük ve açıklanmamış → "Diğer" dokunulduğunda alt kategori breakdown gösterildi (cache, indirme, sistem dosyaları). Son iterasyon sonrası görev tamamlama oranı %88'den %96'ya yükseldi. SUS skoru: 85/100 — "mükemmel" kategorisi.

Sonuçlar & Etki

Secure Cleaner, lansmandan itibaren App Store araçlar kategorisinde güçlü benimseme gördü: Kullanıcı Metrikleri: * 15.000+ aylık aktif kullanıcı (MAU) — aylık %32 organik büyüme * 50.000+ kümülatif indirme — App Store organik + sosyal medya viral etki * App Store'da 4.6 puan (200+ değerlendirme) * D7 retention oranı: %38 (araçlar kategorisi ortalaması %20) * Ortalama oturum süresi: 4.5 dakika (tarama + temizlik akışı) * Haftalık aktif kullanım oranı: %55 (düzenli temizlik alışkanlığı) İş Etkisi: * Ortalama kullanıcı başına kurtarılan depolama: 3.8 GB (ilk tarama) * Yinelenen fotoğraf tespit doğruluğu: %95.2 (false positive oranı %0.8) * Bulanık fotoğraf tespit doğruluğu: %92 (Vision framework bazlı) * Video sıkıştırma ortalama tasarruf: %52 boyut azaltma, görsel kalite kaybı algılanamıyor * Premium abonelik dönüşüm oranı: %15 (araçlar kategorisinde yüksek) * Kullanıcı başına aylık gelir (ARPU): $1.80 * 30 gün içinde geri ödeme (refund) oranı: %1.2 (sektör ortalaması %5) Teknik Performans: * Crash-free oranı: %99.7 (Firebase Crashlytics) * App boyutu: 26MB (ML modeli dahil, quantized) * Cold start süresi: <400ms * ML analiz hızı: 10K fotoğraf ~3 dakika (background) * Depolama analiz süresi: <5 saniye * Video sıkıştırma: 1dk 1080p → ~15 saniye (HEVC) App Store İncelemeleri: * "Telefonumda 4.200 fotoğraf vardı, 800 tanesi yinelenmiş. Tek dokunuşla 2.1 GB yer kazandım. Harika!" — 5 yıldız * "Video sıkıştırma özelliği muhteşem. 4K videolarım yarısına indi, kalite farkı yok. Her ay kullanıyorum." — 5 yıldız * "Gizli kasa Face ID ile korunuyor, hassas belgelerimi güvenle saklıyorum. Diğer uygulamalar kadar karmaşık değil." — 5 yıldız * "Depolama grafiği çok bilgilendirici. Neyin ne kadar yer kapladığını ilk kez bu kadar net gördüm." — 4 yıldız

Öğrenilen Dersler

Bu proje boyunca ML-destekli depolama optimizasyonuna özgü birçok değerli teknik ve ürün dersi çıkardım: Kombinatorik Patlama ve ML Optimizasyonu: Naif pairwise karşılaştırma (O(n^2)) 10K fotoğraf için pratik olarak imkansız. Üç aşamalı pipeline çözümü (pHash filtreleme → CoreML karşılaştırma → Union-Find gruplama) toplam süreyi 29+ günden 3 dakikaya düşürdü. En kritik öğrenme: ucuz ön-filtreleme (pHash, O(n)) pahalı ML karşılaştırmalarının %98'ini eledi. Bu strateji herhangi bir ML-tabanlı karşılaştırma problemine uygulanabilir — önce ucuz heuristic, sonra pahalı model. CoreML Model Optimizasyonu: İlk model Float32 hassasiyetinde 32MB idi — uygulama boyutunu kabul edilemez seviyeye çıkardı. INT8 quantization ile 8.2MB'a indirildi, doğruluk kaybı sadece %0.3. Neural Engine üzerinde çalışma süresi Float32'ye göre %40 daha hızlı (INT8 hardware optimization). Model güncellemesi için CoreML Model Deployment ile OTA (over-the-air) model update altyapısı kuruldu — App Store güncelleme gerektirmeden model iyileştirmesi. PhotoKit İzin Stratejisi: iOS 14+ ile limited photo access seçeneği kullanıcılar tarafından tercih ediliyor (%35). Ancak yinelenen fotoğraf tespiti için tam kütüphane erişimi şart. Çözüm: onboarding'de "Neden tam erişim gerekiyor?" açıklamalı ekran + "Fotoğraflarınız cihazdan çıkmaz" güvencesi. Bu açıklama tam erişim izin oranını %52'den %84'e yükseltti. Ayrıca PHPickerViewController ile limited access fallback — kullanıcı seçili fotoğrafları manuel tarayabilir. False Positive Önleme ve Kullanıcı Güveni: ML modelinin %95 doğruluğu, 10.000 fotoğrafta 500 yanlış gruplama demek. Her yanlış silme önerisi kullanıcı güvenini sarsar. Çözüm: üç katmanlı güvenlik mekanizması — (1) Confidence threshold %90 altındaki grupları "emin değilim" etiketiyle göster, (2) Silmeden önce full-size önizleme grid'i sun, (3) Silinen fotoğraflar 7 gün uygulama içinde geri yüklenebilir (soft delete). Bu mekanizma ile kullanıcı şikayet oranı %4.5'ten %0.3'e düştü. Depolama Hesaplama Tutarsızlıkları: iOS Ayarlar uygulamasının gösterdiği depolama değerleri ile FileManager'ın raporladığı değerler arasında 500MB-2GB fark olabiliyor — purgeable space, iCloud optimize dosyalar ve sistem cache'i bu farkın ana sebebi. Kullanıcıya "tahmini" değerler sunmak ve Ayarlar uygulamasıyla farkın normal olduğunu açıklamak güven sorununu çözdü. Footer'a "Apple Ayarlar ile küçük farklar normaldir" disclaimer eklendi. Video Sıkıştırma Stratejisi: AVAssetExportSession preset'leri çok agresif (yüksek kayıp) veya çok muhafazakar (düşük tasarruf). Custom AVVideoSettings ile bitrate kontrolü en iyi sonucu verdi: orijinal bitrate'in %55'i hedeflenerek görsel kalite kaybı algılanamaz seviyede tutulurken %45-50 boyut azalması sağlandı. HEVC (H.265) codec seçimi H.264'e göre aynı kalitede %30-40 daha küçük dosya boyutu sundu — ancak eski cihazlarda (A9 öncesi) HEVC decode yavaş, bu nedenle cihaz tespiti ile codec seçimi dinamik yapıldı. Freemium Trigger Analizi: Kullanıcıların %15'i premium'a geçti — araçlar kategorisinde istisnai oran. Anahtar bulgu: "Taramada bulunan tasarruf miktarı" en güçlü premium trigger. 2GB+ tasarruf bulunan kullanıcılarda dönüşüm oranı %28'e çıkıyor. Bu nedenle ücretsiz tier'da tarama sınırsız ama silme ilk 50 dosya ile sınırlı — kullanıcı tasarrufu görüp premium'a geçiyor.