Yedek verileri güvence altına almak ve sürdürülebilir akıllı altyapıda siber dayanıklılığı artırmak için yapay zeka odaklı yaklaşım

Şehir Verilerini Güvende Tutmanın Önemi

Modern şehirler, trafiği akışında tutan, enerjiyi sağlayan ve hastanelerin çalışmasına yardımcı olan sensörler, kameralar ve bağlı cihazlarla doludur. Suçlular bu hizmetlerin arkasındaki verileri kilitleyip bozabilirse, bir şehrin günlük yaşamı tamamen aksayabilir. Bu çalışma, saldırganlar özellikle fidye yazılımı ile vurduğunda bile şehrin saldırıyı güvenli biçimde tespit edip temiz yedek verileri enerji veya zaman israfı olmadan geri yükleyebilmesini sağlayacak yeni bir yaklaşımı inceliyor.

Akıllı Şehirler Nasıl Kolay Hedef Oluyor

Akıllı şehirler, sürekli olarak uzak sunuculara bilgi gönderen binlerce küçük cihaza dayanır. Bu durum siber suçluların suistimal edebileceği geniş bir dijital yüzey oluşturur. Verileri şifreleyip açmak için ödeme talep eden fidye yazılımları burada özellikle tehlikelidir: trafik sistemlerini, su arıtmayı veya tıbbi kayıtları durma noktasına getirebilir. Önceki güvenlik sistemleri saldırıları tespit etmeye odaklandı, ancak genellikle kritik bir adımı—yedek kopyaların da hizmete geri konmadan önce değiştirilip değiştirilmediğinin kontrolünü—göz ardı ettiler. Ayrıca yeni saldırı türleriyle başa çıkmakta zorlanabilir ve sürdürülebilirlik hedefleriyle çelişen yüksek enerji tüketimine neden olabiliyorlardı.

Şehir İçin Daha Akıllı Bir Veri Can Simidi

Yazarlar, verimli iletişim, güçlü şifreleme, yapay zeka ve dikkatli yedek kontrolünü birleştiren uçtan uca bir güvenlik ağı öneriyor. Şehir genelindeki sensör cihazları, verinin enerji verimli şekilde iletilip işlenebilmesi için kümelere ayrılıyor. Bu düğümlerden merkezi buluta bilgi taşınırken, geleneksel yöntemlere göre hem güvenli hem de hesaplama açısından daha hafif olacak şekilde tasarlanmış özel bir şifreleme türü ile korunuyor. Aynı zamanda depolanan her veri parçası, daha sonra verinin değiştirilip değiştirilmediğini kanıtlayabilecek kompakt bir dijital parmak izi yani hash ile eşleştiriliyor.

Makinelere Fidye Yazılımını Gösterme

Fidye yazılımlarını erken yakalamak için çerçeve, gerçek dünyadan alınmış kötü amaçlı ve normal dosyalardan oluşan geniş koleksiyonlar üzerinde eğitilmiş bir yapay zeka tabanlı tespit motoru kullanıyor. Sistem önce gelen veriyi temizleyip standardize ediyor, sonra işlemeyi hızlandırmak için benzer davranışa göre gruplandırıyor. Ayrıca bir dosyanın farklı özelliklerinin birbirleriyle nasıl ilişkilendiğini vurgulayan korelasyon ısı haritaları olarak adlandırılan görsel özetler oluşturuyor. Bu özellikler, bellek açısından verimli tekrar eden birimler, öğrenmeyi geliştiren özel bir “swim” aktivasyonu ve aşırı uyumu azaltan bir düzenleme hilesini birleştiren özel bir sinir ağı mimarisine besleniyor. Transfer öğrenme, modelin önceki tehditlerden edinilen bilgileri yeniden kullanarak yeni veya nadir saldırı desenlerine daha hızlı uyum sağlamasına olanak tanıyor.

Güvenmeden Önce Yedekleri Kontrol Etme

Yapay zeka motoru bir saldırıdan şüphelendiğinde sistem sadece en son yedeği geri yükleyip ummakla kalmıyor. Bunun yerine Murmur Polytopes Hash adını taşıyan yeni bir hashleme yöntemi kullanarak bir yedek bütünlüğü kontrolü yapıyor. Bu yöntem, iç başlangıç değerlerini dikkatle seçerek daha rastgele, tahmin edilmesi zor parmak izleri üretmeyi ve yaygın alternatiflere göre daha hızlı ve daha az çakışma ile sonuç almayı hedefliyor. Yedekler yalnızca bulutta değil, aynı zamanda merkezsiz bir depolama ağında da saklanıyor. Her iki yerde de belirli bir yedeğin orijinal olarak saklananla tam olarak eşleşip eşleşmediğini hızla doğrulamaya yarayan hash tabanlı ağaç yapıları korunuyor. Bulut ve merkezsiz depolamadaki hashler aynı zaman noktasına ilişkin olarak uyuşuyorsa yedek geri yükleniyor; uyuşmuyorsa şüpheli veriler engelleniyor.

Dayanıklı Kalırken Enerji Tasarrufu

Akıllı şehirlerin sürdürülebilir olması gerektiği için yazarlar sistemlerini enerji kullanımını sınırlayacak şekilde tasarlıyor. Kümelendirme yöntemleri, gereksiz iletişimi azaltan ve yükü dengeleyen düğüm gruplamaları ve küme merkezleri seçiyor; bu da standart kümelendirme tekniklerine kıyasla daha düşük enerji tüketimi ve gecikme sağlıyor. Birkaç büyük kötü amaçlı yazılım veri seti üzerinde yapılan testler, önerilen tespit modelinin yaygın kullanılan sinir ağı tasarımlarına göre daha yüksek doğruluk ve daha az yanlış alarm elde ettiğini gösteriyor; yeni hashleme ve şifreleme şemaları da popüler alternatiflere göre hem daha hızlı hem de daha güvenli. Genel çerçeve, normal işletme ile saldırı–doğrulama–geri yükleme senaryoları sırasında güçlü korumayı sürdürüyor.

Günlük Hayat İçin Anlamı

Pratik açıdan bu çalışma, akıllı şehirlere muhtemelen enfekte olmuş yedeklere körü körüne güvenmeden siber olaylardan daha güvenilir şekilde kurtulma yolu sunuyor. Gelişmiş yapay zekayı dikkatli yedek doğrulama ve enerji bilincine sahip tasarımla birleştirerek çerçeve, kritik hizmetlerin sofistike fidye yazılımı saldırıları altında bile temiz verilerden geri yüklenebilmesini sağlamaya yardımcı oluyor. Vatandaşlar için bu, saldırganlar şehrin verilerini rehine almaya çalışsa bile ulaşım, sağlık, enerji ve kamu güvenliği sistemlerinin daha güvenilir biçimde çalışmaya devam etmesi anlamına geliyor.

Atıf: Kumar, B., Gupta, S.K., Dwivedi, R. et al. Artificial intelligence driven approach for securing backup data and enhancing cyber resilience in sustainable smart infrastructure. Sci Rep 16, 13609 (2026). https://doi.org/10.1038/s41598-026-37802-6

Anahtar kelimeler: akıllı şehir siber güvenliği, fidye yazılımı tespiti, yedek veri bütünlüğü, yapay zeka güvenliği, siber dayanıklılık