Kuantum tabanlı optimizatör ve özellik piramidi ağı kombinasyonu ile Bulut‑Nesnelerin İnterneti ortamlarında izinsiz giriş tespiti

Bağlı cihazlar dünyası için daha akıllı kalkanlar

Akıllı kilitlerden bebek monitörlerine, fabrika sensörlerinden hastane cihazlarına kadar milyarlarca Nesnelerin İnterneti (IoT) cihazı artık güçlü bulut sunucularıyla iletişim kuruyor. Bu kolaylık gizli bir maliyetle geliyor: saldırganlar küçük cihazlardan içeri girip bulut genelinde yayılabilir, veri çalabilir veya hizmetleri çevrimdışı bırakabilir. Bu makale, modern Bulut‑IoT ağlarındaki böyle izinsiz girişleri daha doğru tespit etmek ve hızla değişen saldırı taktiklerine uyum sağlamak üzere tasarlanmış yeni, yapay zekâ destekli bir savunma sistemi sunar.

Günlük akıllı cihazların neden kolay hedef olduğu

Çoğu IoT cihazı ucuz, küçük ve enerji verimli olacak şekilde tasarlanır; ağır zırhlı olmak için değil. Genellikle zayıf şifreleme ve güncel olmayan üretici yazılımı çalıştırırlar; bunları yöneten bulut platformları ise bir saldırganın kullanabileceği birçok kapı ve koridor sunar. Yazarların örnek verdiği gerçek dünya vakası, 2023’te bir akıllı otel zincirine yapılan ihlali içerir: saldırganlar savunmasız kapı kilitleri ve HVAC sensörlerini suistimal edip bulut arka ucunda ilerleyerek onlarca tesiste operasyonları aksatmışlardır. Bilinen imza arayan veya kaba anomali tespiti yapan geleneksel izinsiz giriş sistemleri bu ortamda zorlanır: ağ trafiği yüksek boyutludur, birçok sayısal ve kategorik alanı karıştırır ve saldırı örüntüleri hızla evrilir. Sonuç olarak, ince, çok aşamalı saldırılar sıklıkla normal arka plan etkinliğine karışır.

Ağın günlük kayıtlarını yapay zekânın gerçekten görebileceği görüntülere dönüştürmek

Yazarlar, ham ağ kayıtlarını dikkatle temizleyip yeniden şekillendirerek başlayan yeni bir yaklaşım öneriyor. Protokol türü veya servis adı gibi kategorik alanlar sayısal vektörlere dönüştürülürken, paket boyutu ve akış süresi gibi sürekli değişkenler normalleştirilir; böylece hiçbiri öğrenme sürecine hâkim olmaz. Gerçek saldırıların normal trafiğe kıyasla nadir olması gerçeğiyle başa çıkmak için, az temsil edilen saldırı sınıflarına ait gerçekçi sentetik örnekler üretmek üzere SMOTE adlı bir teknik kullanırlar; bu, çoğunluk sınıfına olan önyargıyı azaltır. Kritik olarak, bu tabular veriyi yapılandırılmış “sahte‑görüntülere” yeniden düzenlerler; bu sayede güçlü bir görsel‑stil sinir ağı olan Geliştirilmiş Özellik Piramidi Ağı (EFPN), her özelliği ayrı ele almak yerine çoklu ölçeklerde örüntüleri analiz edebilir.

Büyük ve küçük örüntüleri okuyan çok katmanlı bir “piramid”

EFPN, hem ince ayrıntıları hem de geniş şekilleri tespit etmede başarılı görüntü‑tanıma sistemlerinden esinlenmiştir. Çekirdeğinde, özellik haritaları hiyerarşisi oluşturan ResNet34’e benzer bir omurga bulunur. Aşağıdan yukarıya yol, giderek daha soyut örüntüleri yakalarken; yukarıdan aşağıya yol, daha basit yöntemlerin çoğunlukla bulanıklaştırdığı daha ince mekânsal ayrıntıyı geri kazanmak için dekonvolüsyon (daha akıllı bir yukarı örnekleme biçimi) kullanır. Derin Semantik Gömme modülü, düşük seviyeli, ayrıntı zengini sinyalleri yüksek seviyeli, bağlama duyarlı olanlarla harmanlayarak trafik hakkında hem “yakın plan” hem de “geniş açı” görünümlerini korur. Son olarak, iki dallı bir füzyon aşaması global örüntüleri ve yerel nüansları paralel olarak işler—algılayıcı alanı etkili biçimde genişleten özel evrişimler kullanarak—ve bunları sınıflandırma için kullanılan tek, kompakt bir temsilde birleştirir.

Çocuk resimlerinden ve kuantum fiziğinden fikirler ödünç almak

Ağı tasarlamak işin yalnızca yarısıdır; öğrenme hızı, filtre boyutları ve özellik haritası sayısı gibi çok sayıda ayarın düzeltilmesi doğruluğu güçlü şekilde etkiler. Yazarlar, yavaş ızgara araması veya standart optimizatörlere güvenmek yerine Q‑CDDO (Kuantum‑Geliştirilmiş Çocuk Resmi Gelişim Optimizatörü) adında kuantum destekli bir meta‑sezgisel tanıtırlar. Bu yöntem gevşek biçimde çocuk çizimlerinin nasıl evrildiğinden esinlenmiştir: erken karalamalar, daha iyi örneklerin taklidi, orantı duygusunun (altın oranla ilişkili) ortaya çıkışı, yaratıcılık ve başarılı desenlerin belleği. Matematiksel olarak bu, aday hiperparametre setlerini keşfeden ve rafine eden popülasyon‑tabanlı bir arama ile kodlanır. “Kuantum‑geliştirilmiş” kısmı, her adayı süperpozisyondaki kübit dizisi olarak temsil eder; şimdiye kadar bulunan en iyi çözümler rehberliğinde uygulanan dönüşüm kapıları ile algoritma, büyük arama alanını daha geniş biçimde keşfedebilirken hâlâ umut vaat eden bölgelere odaklanabilir.

Yeni savunmayı teste koymak

Tam EFPN–Q‑CDDO çerçevesi iki yaygın benchmark veri kümesi üzerinde değerlendirilmiştir: birden çok saldırı türünü taklit eden geleneksel bir kurumsal ağı simüle eden CIC‑IDS‑2017 ve IoT‑stil botnet trafiğine odaklanan Bot‑IoT. Beş katlı çapraz doğrulama ve sınıf dengesizliğinin dikkatli ele alınmasının ardından sistem, CIC‑IDS‑2017’de %96,3 ve Bot‑IoT’ta %94,6 doğruluk elde ederek gelişmiş derin‑öğrenme hibritleri ve diğer meta‑sezgisel ile ayarlanmış modeller dahil olmak üzere birkaç güçlü temel yöntemi geride bırakmıştır. Ayrıca daha yüksek F1‑skorları göstermiştir—kesinlik ve geri çağırmanın dengesi—bu da daha az kaçırılan saldırı ve daha az yanlış alarm anlamına gelir. Ablasyon çalışmaları, her iki ana bileşenin de önemli olduğunu ortaya koymuştur: standart bir özellik piramidini geliştirilmiş versiyonla yükseltmek sonuçları iyileştirir ve geleneksel optimizatörler yerine Q‑CDDO uygulanması performansı daha da artırır ve eğitim sırasında daha düzgün, daha hızlı yakınsama sağlar.

Bağlı dünyayı güvence altına almak için bunun anlamı

Uzman olmayanlar için ana çıkarım şudur: Bulut‑IoT sistemlerini korumak yalnızca daha güçlü parolalar veya daha iyi güvenlik duvarları meselesi değildir; analistleri sahte alarmlarda boğmadan karmaşık, gürültülü trafiği okuyabilen daha akıllı örüntü tanıma gerektirir. Ham ağ kayıtlarını görüntü‑benzeri yapılara dönüştürüp çok ölçekli bir sinir “piramidi”ni kuantum‑esinli bir ayar stratejisiyle eşleştirerek, bu çalışma birçok mevcut sistemden daha doğru ve daha uyumlu bir izinsiz giriş tespitçisi sunar. Buradaki kuantum etkileri gerçek kuantum donanımına dayanmak yerine simüle edilse de, bu fikirler optimizatörün dar yerel çözümlerden kaçmasına ve daha iyi ayarlar bulmasına yardımcı olur. IoT dağıtımları evlere, şehirlere ve kritik altyapıya genişlemeye devam ederken, EFPN–Q‑CDDO gibi yaklaşımlar bu bağlı ortamları sürekli evrilen siber tehditlere karşı dayanıklı tutan görünmez güvenlik dokusunun güçlü bir parçasını oluşturabilir.

Atıf: Hajlaoui, R., Shalaby, M., Alfilh, R.H.C. et al. Combination of quantum-based optimizer and feature pyramid network for intrusion detection in Cloud-IoT environments. Sci Rep 16, 7244 (2026). https://doi.org/10.1038/s41598-026-35242-w

Anahtar kelimeler: izinsiz giriş tespiti, bulut IoT güvenliği, derin öğrenme, kuantum esinli optimizasyon, ağ trafiği analizi