Sistematik derleme incelemesi

Yapay Zeka ile Siber Güvenlik ve Gizliliğin İlerletilmesi: Güncel Eğilimler ve Gelecek Araştırma Yönelimleri

Dijitalleşmenin hızlanmasıyla birlikte siber tehditlerin karmaşıklığı artmış, geleneksel statik ve kural tabanlı güvenlik sistemleri yetersiz kalmaya başlamıştır. Yapay zeka ve makine öğrenimi teknolojileri; sızma tespiti, zararlı yazılım sınıflandırma ve gizlilik koruma gibi alanlarda öngörücü analitik ve otonom karar alma yetenekleriyle öne çıkmaktadır.

Makalenin anahtar kelimeleri

Yazar: Krishnashree Achuthan et al.
Yayın: Frontiers in Big Data
Tarih: 2024-12-05
DOI: 10.3389/fdata.2024.1497535

Makalenin Kapsamı ve Akademik İçeriği

Dijital dönüşümün ve internete bağlı cihazların hızla yaygınlaşması, siber tehdit ortamını radikal bir biçimde dönüştürmüş ve geleneksel kural tabanlı güvenlik mimarilerini yetersiz kılmıştır. Gelişmiş kalıcı tehditler, fidye yazılımları ve devlet destekli siber casusluk faaliyetleri, dinamik ve öngörücü savunma mekanizmalarının entegrasyonunu zorunlu kılmaktadır. Yapay zeka ve makine öğrenimi teknikleri, büyük ölçekli veri kümelerindeki anormallikleri tespit etme ve otonom tepki verme yetenekleriyle öne çıksa da literatürdeki hızlı büyüme, konuların genel haritasının çıkarılmasını ve eksikliklerin bütüncül bir yaklaşımla tespit edilmesini gerektirmektedir.

Bu gereksinim doğrultusunda yürütülen çalışmada, 2004 ile 2023 yılları arasında yayımlanan 9.350'den fazla akademik yayını kapsayan geniş bir veri kümesi PRISMA protokolü çerçevesinde süzgeçten geçirilmiştir. Metodolojik yaklaşım olarak, kelimeler arasındaki anlamsal ilişkileri ve bağlamsal derinliği koruyan BERTopic konu modelleme tekniği kullanılmıştır. UMAP ile boyut indirgeme ve HDBSCAN ile kümeleme adımlarının ardından c-TF-IDF algoritmasıyla belirginleşen konular, alan uzmanlarının nitel incelemeleri ve tutarlılık skorları ile doğrulanarak 14 temel tema altında bir araya getirilmiştir.

Elde edilen bulgular, yapay zeka odaklı siber güvenlik araştırmalarının ağırlıklı olarak sızma tespiti (%13) ve makine öğrenimi tabanlı zararlı yazılım sınıflandırması (%10) konularında yoğunlaştığını göstermektedir. Gizlilik odaklı alanlarda federasyonlu öğrenme öne çıkarken, IoT güvenliği, İHA sistemleri güvenliği ve DDoS saldırılarının hafifletilmesi orta düzeyde ilgi gören alanlar olarak belirlenmiştir. Coğrafi analizler, Amerika Birleşik Devletleri ve Birleşik Krallık'ın geniş bir konu yelpazesinde lider olduğunu, Çin'in ise özellikle derin sınır ağları ve federasyonlu öğrenme konularına stratejik olarak odaklandığını ortaya koymaktadır.

Sonuç ve tartışma bölümünde, mevcut yapay zeka modellerinin yüksek doğruluk oranlarına karşın yüksek hesaplama kaynağı gereksinimi, düşmanca saldırılara karşı hassasiyet ve açıklanabilirlik eksikliği gibi belirgin sınırlılıklara sahip olduğu vurgulanmaktadır. Gelecek araştırma yönelimleri kapsamında kuantum makine öğrenimi, nöro-sembolik yapay zeka, açıklanabilir yapay zeka (XAI), deepfake tespiti ve insan merkezli yapay zeka yaklaşımları kritik alanlar olarak önerilmektedir. Bu çalışma, siber güvenlik literatürünü taptaze bir metodolojik perspektifle haritalandırarak araştırmacılara ve politika yapıcılara somut bir yol haritası sunmaktadır.

Araştırmanın amacı

Bu çalışma, 2004-2023 yılları arasında yapay zeka destekli siber güvenlik ve gizlilik alanında yayımlanmış kapsamlı literatürü PRISMA ve BERTopic modellemesi ile inceleyerek temel araştırma temalarını, küresel yayın dağılımını, mevcut sınırlılıkları ve geleceğe dönük araştırma fırsatlarını sistematik olarak ortaya koymayı amaçlamaktadır(Achuthan et al., 2024).

İnceleme ve modelleme yöntemi

Bu çalışma, 2004-2023 yılları arasında yayınlanmış 9.350'den fazla akademik makaleyi kapsayan geniş bir veri kümesini PRISMA çerçevesini temel alarak sistematik biçimde derlemiş ve doğal dil işleme tabanlı BERTopic modellemesi kullanarak 14 ana tematik kategoriye ayırmıştır(Achuthan et al., 2024).

Kuramsal ve kavramsal çerçeve

Çalışma, Sistematik İncelemeler ve Meta-Analizler İçin Tercih Edilen Bildirim Öğeleri (PRISMA) çerçevesini kuramsal ve metodolojik zemin olarak benimsemektedir. Veri kümesindeki metinsel bağlamı ve anlamsal ilişkileri çözümlemek amacıyla derin öğrenme tabanlı BERT mimarisine dayanan BERTopic modelleme yaklaşımından ve nitel uzman değerlendirmelerinden yararlanılmıştır.

Makalenin ele aldığı literatür

Çalışma, Dimensions veri tabanından elde edilen 2004-2023 yılları arasındaki 9.352 akademik yayını kapsamakta; sızma tespiti, zararlı yazılım analizi, federasyonlu öğrenme, nesnelerin interneti (IoT) güvenliği, insansız hava araçları (İHA) güvenliği, DDoS hafifletme, blokzincir, düşmanca makine öğrenimi ve kuantum yapay zeka konularındaki mevcut literatürü incelemektedir.

Araştırma Tasarımı

Evren veya inceleme alanı: 2004-2023 yılları arasında Dimensions veri tabanında dizinlenen, yapay zeka (ANZSRC 4602), makine öğrenimi (ANZSRC 4611) ile siber güvenlik ve gizlilik (ANZSRC 4604) alanlarındaki 9.352 İngilizce akademik yayın (makale, kitap bölümü, monografi ve bildiri).
Örneklem veya araştırma materyali: Dimensions veri tabanından PRISMA kriterlerine göre filtrelenen ve eksik özet/yazar/DOI bilgisi içermeyen 9.352 adet bilimsel yayın.
Veri toplama süreci: Dimensions veri tabanı üzerinden 12 Şubat 2024 tarihinde gerçekleştirilen sistematik tarama ile ilgili ANZSRC kodlarına göre yapılandırılmış arama sörgüları kullanılarak veriler toplanmıştır.
Veri analiz yöntemi: Uçtan uca doğal dil işleme süreçleri kapsamında UMAP ile boyut indirgeme, HDBSCAN ile kümeleme ve c-TF-IDF yöntemi kullanılarak BERTopic modeli üzerinden 14 ana konunun tespiti ve uzman değerlendirmesiyle doğrulanması sağlanmıştır.

Yapay ZekaSiber GüvenlikGizlilik KorumaKonu ModellemeBERTopicSızma TespitiZararlı Yazılım SınıflandırmaKuantum Makine Öğrenimi

Araştırmanın Bulguları

Yapay zeka tabanlı sızma tespiti (IDS), %13'lük bir oranla siber güvenlik araştırmalarında en yüksek yoğunluğa ve ilgiye sahip olan birinci öncelikli çalışma alanıdır(Achuthan et al., 2024).

Zararlı yazılımların makine öğrenimiyle sınıflandırılması çalışmaları, %10'luk bir pay ile siber tehdit manzarasındaki karmaşık yazılımlara karşı en kritik ikinci savunma hattını oluşturmaktadır(Achuthan et al., 2024).

Federatif öğrenme, siber güvenlikte doğrudan veri paylaşımı yapmadan mahremiyeti korumayı hedefleyen çalışmalar arasında üçüncü sırada yer alarak en önemli gizlilik odaklı yaklaşım olmuştur(Achuthan et al., 2024).

Siber güvenlik alanında küresel yayın dağılımı incelendiğinde, Amerika Birleşik Devletleri ve Birleşik Krallık tüm alanlarda geniş bir çeşitlilik sunarken, Çin özellikle derin sınır ağları ve federatif öğrenme alanlarında lider konumdadır(Achuthan et al., 2024).

Bulguların Tartışılması ve Araştırmanın Sonucu

Bulguların Yazarlar Tarafından Yorumlanışı

Yapay zeka tabanlı sızma tespiti ve zararlı yazılım sınıflandırması, siber güvenlik literatüründe en yüksek çalışma hacmine ulaşarak alanın temel odak noktalarını oluşturmaktadır. Yapılan analizler, derin öğrenme mimarilerinin klasik imza tabanlı yöntemlere kıyasla daha dinamik ve esnek savunma duvarları inşa ettiğini ortaya koymaktadır.

Gizlilik koruma odaklı araştırmalarda ise federatif öğrenme, hassas verilerin yerelde kalarak işlenmesine olanak tanıyan devrimsel bir yaklaşım olarak öne çıkmaktadır. Yazarlar, bu yöntemin geleneksel merkezi veri toplama süreçlerinin yarattığı siber güvenlik risklerini asgariye indirdiğini ve veri mahremiyetini yasal düzenlemelerle uyumlu hale getirdiğini savunmaktadır.

Buna karşın, yapay zeka modellerinin siber savunmada aktif kullanımı, düşmanca makine öğrenimi (adversarial ML) gibi yeni nesil tehdit vektörlerini de beraberinde getirmektedir. Savunma sistemlerinin kendisinin de manipüle edilebileceği gerçeği, sistemlerin sürekli güncellenmesini ve yapay zeka tabanlı tehdit analizlerinin daha proaktif bir nitelik kazanmasını zorunlu kılmaktadır.

Küresel ölçekte ise siber güvenlik araştırmalarının coğrafi olarak belirli bölgelerde yoğunlaştığı, ABD ve Çin gibi teknoloji devlerinin siber güvenlik vizyonlarının farklı metodolojilere öncelik verdiği görülmektedir. Bu durum, geleceğin siber savunma standartlarının küresel ortaklıklar ve disiplinler arası normlar çerçevesinde geliştirilmesini gerektirmektedir.

Bulguların Önceki Araştırmalarla Karşılaştırılması

Yazarlar, Zhang ve meslektaşlarının 131 çalışmayı kapsayan geleneksel yapay zeka yöntemlerine odaklanan siber güvenlik çerçevesinin, ölçeklenebilirlik ve uyarlanabilirlik açısından yeni nesil yapay zeka modellerini göz ardı ettiğini savunarak, kendi kapsamlı BERTopic analizlerinin bu eksikliği giderdiğini belirtmektedir(Achuthan et al., 2024).

Sonuç Bölümünün Sunduğu Çıkarımlar

Yapay zeka, siber tehditlerle mücadelede ve sızma tespiti ile zararlı yazılım sınıflandırma süreçlerinde üstün bir doğruluk ve proaktif savunma yeteneği sağlasa da, yüksek hesaplama kaynağı gereksinimi, düşmanca (adversarial) saldırılara açıklık ve etik kaygılar siber güvenlik ekosisteminde çözülmesi gereken kritik sorunlar olarak varlığını sürdürmektedir. Bu bağlamda, kuantum makine öğrenimi, açıklanabilir yapay zeka (XAI) ve blokzincir-yapay zeka entegrasyonu siber dirençliliğin gelecekteki temel sacayaklarını oluşturacaktır(Achuthan et al., 2024).

Literatür Taraması İçin Sunduğu Çerçeve

Bu çalışma, siber guvenlik ve yapay zeka arakesitinde son 20 yilda (2004-2023) yayimlanmis olan 9.350'den fazla bilimsel yayini analiz ederek literatürde kapsamli bir haritalandirma islevi gormektedir. PRISMA metodolojisi ve NLP tabanlı BERTopic modellemesi kullanarak, siber guvenlik alanindaki daginik çalışmalari 14 ana tematik kume altinda sistematik hale getirmistir. Boylece araştırmacilara, yapay zekanin hangi siber savunma alanlarinda yoğunlastigini ve hangi alanlarin henuz yeterince kesfedilmedigini tarafsiz ve veri odakli bir sekilde göstererek bir rehber rolu ustlenmektedir.

Önceki literatür incelemeleri genellikle sınırli sayida makaleyi (yaklaşik 40-340 yayin) manuel yöntemlerle veya klasik bibliyometrik araclarla analiz etmis ve derinlemesine anlamsal ilişkileri yakalamakta yetersiz kalmistir. Bu çalışma ise, gelismis BERT tabanlı embeddings yöntemlerini kullanarak anlamsal benzerlikleri ve konu değişimlerini cok daha genis bir veri seti üzerinden ortaya koymaktadir. Klasik ve duragan kural tabanlı incelemelerin aksine, siber guvenlik literatürundeki kavramsal evrimi ve kuresel araştırma aglarindaki egilimleri cok boyutlu olarak haritalandirarak öncekilerden ayrismaktadir.

Çalışma, siber guvenlik literatürune metodolojik olarak yeni bir boyut kazandirmaktadir; cunku yalnizca bir konu derlemesi yapmakla kalmayip, makine öğrenimi algoritmalarini literatür taramasinin bizzat kendisine uygulayarak metodolojik bir örnek teskil etmektedir. Ayrıca, gelecekte siber guvenlik direncyliligini artiracak olan kuantum makine öğrenimi, açıklanabilir yapay zeka (XAI) ve deepfake onleme gibi gelismekte olan kritik alanlari belirleyerek, gelecegin siber savunma gundemini sekillendirmeye yonelik cok yonlu bir sentez ve yol haritasi sunmaktadir.

Kaynakça

Zhang, Z., Ning, H., Shi, F., Farha, F., Xu, Y., Xu, J., et al. (2022). Artificial intelligence in cyber security: research advances, challenges, and opportunities. Artificial Intelligence Review, 55, 1029–1053.

Tez ve Makale Araştırmalarında Kullanım

Makalenin doğrulanmış yöntemi, bulguları ve kuramsal çerçevesi; tez ve makale çalışmalarında kullanılacağı bölümle birlikte aşağıdaki üç araştırma taslağına dönüştürülmüştür.

Tez veya makalede kullanım · literatüre-review

Yapay zeka tabanlı sizma tespiti, siber guvenlik alanindaki akademik çalışmalarin en yoğun odaklandigi ve en yüksek yayin oranina sahip olan alt alanidir.

Yazarlarin BERTopic modellemesi ile elde ettikleri %13'luk sizma tespiti dagilimi verisi, siber guvenlik tezlerinde guncel literatür egilimlerini ve araştırma onceliklerini gerekcelendirmek için kullanılabilir(Achuthan et al., 2024).

Kuantum-Dayanikli Siber Guvenlik: Nesnelerin Interneti (IoT) Sistemlerinde Kuantum Makine Öğrenimi ile Sizma Tespiti

Araştırma sorusu: Kuantum makine öğrenimi algoritmalari, kaynak kisitli IoT aglarinda klasik sizma tespiti sistemlerine kiyasla tespit doğrulugu ve islem suresi acisindan nasıl bir performans göstermektedir?
Yöntem taslağı: Niteliksel ve niceliksel karma desen. Kuantum simulasyon ortaminda (ornegin IBM Qiskit) oluşturulan sentetik IoT trafik verileri üzerinde kuantum destekli destek vektor makineleri (QSVM) ve klasik SVM karşılaştırmali olarak test edilecektir. Örneklem buyuklugu guc analiziyle belirlenecektir.

Makaleyle bağlantısı: Yazarlarin sonuç kisminda gelecekteki en kritik alan olarak isaret ettigi kuantum makine öğrenimi ve klasik AI yöntemlerinin yetersiz kalacagi yüksek boyutlu veri analizi çağrısindan türetilmistir(Achuthan et al., 2024).

Tez veya makalede kullanım · Kavramsal çerçeve

Federatif öğrenme, veri mahremiyetini doğrudan veri paylasimi yapmadan korumada siber guvenlik mimarilerinin en kritik sacayaklarindan biridir.

Federatif öğrenmenin gizlilik korumadaki onemini vurgulayan bulgular, yeni nesil dagitik siber guvenlik sistemlerinin kuramsal çerçevesini tasarlarken temel referans olarak kullanılacaktir(Achuthan et al., 2024).

Açıklanabilir Yapay Zeka (XAI) Destekli Sizma Tespiti: Guvenlik Analistlerinin Karar Alma Süreçlerine Karar Agaci ve SHAP Entegrasyonunun Etkisi

Araştırma sorusu: SHAP (SHapley Additive exPlanations) yöntemiyle entegre edilmiş derin öğrenme tabanlı sizma tespiti modelleri, guvenlik analistlerinin yanlis alarmlari ayirt etme hizini ve doğruluk oranini nasıl etkiler?
Yöntem taslağı: Yari deneysel desen. Gercek siber guvenlik merkezlerinden veri doygunluguna ulasacak sekilde secilen en az 30 siber guvenlik analistiyle çalışilacaktir. Katılımcilar XAI destekli ve klasik karar destek sistemlerini kullanan iki gruba ayrilacak, gozlem ve anket yoluyla performanslari ölçulecektir.

Makaleyle bağlantısı: Makalede yapay zekanin saffalik eksikligi (karar mekanizmalarinin açıklanamamasi) konusundaki pratik kisitlilik vurgusundan ve gelecekteki insan merkezli XAI araştırma çağrısindan türetilmistir(Achuthan et al., 2024).

Tez veya makalede kullanım · Tartışma

Geleneksel makine öğrenimi temelli zararli yazilim tespiti sistemleri, polymorphic ve metamorphic saldirilarin tespiti konusunda ciddi ölçeklenebilirlik kisitlarina sahiptir.

Tez çalışmalarında elde edilen ampirik sonuçların tartisilmasi asamasinda, mevcut ML modellerinin kisitliliklarini açıklamak ve yeni nesil hibrit modellere olan ihtiyaci desteklemek amaciyla bu bulgudan yararlanilabilir(Achuthan et al., 2024).

Dusmanca Makine Öğrenimine (Adversarial ML) Karsi Diferansiyel Gizlilik ve Guclendirilmis Federatif Öğrenme Çerçevesi

Araştırma sorusu: Diferansiyel gizlilik (Differential Privacy) gurultu ekleme algoritmalari, federatif öğrenme tabanlı zararli yazilim tespit modellerini dusmanca veri manipulasyonu saldirilarina karsi ne ölçude direncli kilmaktadir?
Yöntem taslağı: Ampirik ve deneysel bilgisayar bilimleri deseni. CICIDS-2017 ve BoT-IoT gibi guncel veri kumeleri kullanılarak simule edilmiş bir federatif öğrenme aginda dusmanca saldiri (adversarial attack) senaryolari tasarlanacaktir. Modelin doğruluk kaybi ve gurultu duzeyi arasindaki optimum denge test edilecektir.

Makaleyle bağlantısı: Makalede federatif öğrenmenin gizlilik sizintilarina karsi hassasiyeti ve dusmanca makine öğrenimi modellerinin yarattigi yeni nesil tehdit vektorleri tartismasindan türetilmistir(Achuthan et al., 2024).