UAV sürü tabanlı FANET’lerde güvenli ve uyarlanabilir iletişim için açıklanabilir çok ajanlı pekiştirmeli öğrenme çerçevesi

Zorlu Durumlar İçin Daha Akıllı İHA Takımları

Bir orman yangınına, sel bölgesine ya da arama‑kurtarma görevine koşan bir İHA takımını hayal edin. Anında bilgi paylaşmak, sinyal bozma veya yanıltma girişimlerinde bulunan saldırganlardan kaçınmak ve insan operatörlere neden bir güzergâhı diğerine tercih ettiklerini açıklayabilmek zorundalar. Bu makale, böyle İHA sürülerini hem daha güvenli hem de daha anlaşılır kılmanın yeni bir yolunu sunuyor; böylece insanlar hayat‑veya‑ölüm durumlarında onlara güvenebilirler.

İHA Sürülerinin Sadece Hızlı Wi‑Fi’den Fazlasına İhtiyacı Var

Sürüdeki İHA’lar sadece uçamaz; sürekli konuşurlar, haritaları, sensör verilerini ve uyarıları birbirlerine iletirler. Uçan ad‑hoc ağ olarak adlandırılan bu hava ağı hızlı ve esnektir, fakat aynı zamanda kırılganır. Sinyaller açık havada yayılır, İHA’lar hızlı hareket eder ve merkezî bir kule yoktur. Bu da ağı sinyal engelleme, kimlik taklidi veya mesajları sessizce düşürme gibi dijital saldırılar için kolay hedef haline getirir. Mevcut güvenlik araçları genellikle yavaş, merkezî sunuculara veya karanlık kutu algoritmalara dayanır; bu da livesal, mülk veya kritik altyapı tehlikede olduğunda risklidir.

Her İHA’ya Öğrenmeyi ve Karar Vermeyi Öğretmek

Yazarlar, her İHA’yı bir öğrenen ajan hâline getiren Açıklanabilir Çok‑Ajanlı Pekiştirmeli Öğrenme çerçevesi — EMARL‑XAI — öneriyor. Sabit kuralları izlemek yerine her İHA kendi konumunu, sinyal kalitesini, pil seviyesini ve komşularının ne kadar güvenilir göründüğünü gözlemler. İşbirlikçi bir öğrenme yöntemi kullanarak sürü, hangi iletişim yollarının mesajları güvenilir biçimde ilettiğini, şüpheli İHA’lardan nasıl kaçınıldığını ve enerjinin nasıl korunduğunu zamanla keşfeder. "Bu paketi sıradaki kim iletsin?" gibi kararlar sert kodlanmış kurallar yerine deneyimden ortaya çıkar. Kritik olarak, tek bir ana düğüm yoktur: İHA’lar merkeziyetsiz şekilde öğrenir ve hareket eder; bu da hızla değişen, düşmanca gökyüzlerine daha uygundur.

Kötü Niyetlileri Tespit Etme ve Bağlı Kalma

Güvenlik doğrudan sürünün öğrenme sürecine işlenmiştir. Her İHA, yakınlardaki diğer İHA’ların mesajları iletip iletmediğine, tutarlı davranıp davranmadığına veya paketleri büyük oranda düşürme ya da birden çok sahte kimlik gibi saldırı belirtileri gösterip göstermediğine dayalı olarak sürekli bir "güven tahmini" tutar. Bu güven puanları gelecek seçimleri etkiler: güvenilir komşular röle olarak tercih edilirken, şüpheli olanlar kademeli olarak atlanır ve fiilen izole edilir. Çerçeve, ağ simülatörü (radyo bağlantıları ve parazit için) ile İHA uçuş simülatörünü (2D ve 3D hareket için) birleştiren ayrıntılı bir simülasyon içinde karıştırma, kimlik sahtekârlığı, Sybil saldırıları ve kara delikler gibi gerçekçi tehditlere karşı test edilir.

İHA’ların Seçimlerini Anlaşılır Kılmak

Ham performansın ötesinde, sistem kendini açıklamaya yönelik tasarlanmıştır. Açıklanabilirlik modülü, bir kararı en çok etkileyen faktörleri göstermek için modern yapay zekâdan bilinen araçları kullanır. Örneğin SHAP adlı yöntem, güven veya sinyal gücü gibi girdileri seçilen bir güzergâh üzerindeki etkilerine göre sıralarken, LIME adlı başka bir yöntem belirli kararlar etrafında basit yerel "ya‑olsaydı" modelleri kurar. Görsel dikkat haritaları, öğrenme sisteminin son zamanlardaki davranışta hangi kalıplara odaklandığını vurgular. Bu görünümler bir araya geldiğinde insan operatörler, örneğin bir İHA’nın belirli bir komşudan kaçınmasının esas olarak geçmiş yönlendirme davranışının şüpheli görünmesinden kaynaklandığını, geçici bir sinyal düşüşü yüzünden olmadığını görebilirler. Bu, sinir ağı hesaplamalarının düğümünü izlenebilir bir hikâyeye dönüştürür.

Yeni Yaklaşım Sanal Gökyüzlerinde Nasıl Performans Gösteriyor

Araştırmacılar EMARL‑XAI’yi klasik yönlendirme yöntemleri ve daha geleneksel öğrenme tabanlı sistemlere karşı test eder. 75 İHA’ya kadar ve bunların %30’una kadarının kötü niyetli davranış sergilediği simüle görevlerde, yeni çerçeve daha yüksek paket teslim oranı sağlar, gecikmeleri azaltır ve dürüst İHA’ları yanlış suçlama oranını nispeten düşük tutar. Ayrıca güven ya da açıklanabilirlik olmadan benzer bir çok‑ajanlı öğrenme sistemine göre daha hızlı kararlı stratejiler öğrenir ve geleneksel şemalara göre başarılı teslimat başına daha az enerji kullanır. Yazarlar dizaynın parçalarını sistematik olarak çıkardıklarında performans düşer: güveni kaldırmak kimlerin kötü niyetli olduğuna dair hataları keskin şekilde artırırken, açıklanabilirlik araçlarını kaldırmak doğruluğu büyük ölçüde etkilemez ama insan değerlendiricilerin güvenini düşürür.

Gerçek Dünya İHA Görevleri İçin Ne Anlama Geliyor

Bir uzman olmayan için ana çıkarım şudur: bu çalışma, İHA sürülerini gizemli, kırılgan aletler olmaktan ziyade güvenilir takım arkadaşlarına daha da yaklaştırıyor. EMARL‑XAI, İHA’ların kendi kendine, değişen ve düşmanca bir ortamda mesajları güvenle yönlendirmeyi öğrenebileceğini ve aynı zamanda yaptıklarının nedenlerini açık, insan tarafından okunabilir bir iz halinde bırakabileceğini gösteriyor. Çalışma simülasyonlara dayanıyor ve hâlâ gerçek donanım üzerinde test edilmeye ihtiyaç duysa da; daha akıllı, daha güvenli ve aynı zamanda hesap verebilir İHA filolarına giden bir yolu çiziyor — afet yönetiminde yardımcı olmaları, şehirleri izlemesi veya kritik altyapıyı korumaları beklendiğinde gerekli bir adım.

Atıf: Alkahtani, H.K., Galiya, Y., Akbayan, B. et al. Explainable multi agent reinforcement learning framework for secure and adaptive communication in UAV swarm based fanets. Sci Rep 16, 11830 (2026). https://doi.org/10.1038/s41598-026-39366-x

Anahtar kelimeler: İHA sürüsü, güvenli iletişim, çok ajanlı pekiştirmeli öğrenme, açıklanabilir yapay zeka, kablosuz ağ güvenliği