Nesnelerin interneti etkileşimli sağlık sistemlerinde çoklu vektör saldırı tespiti için hibrit blok zinciri tabanlı derin öğrenme modeli

Bağlı hastaneleri korumanın önemi

Modern hastaneler giderek internete bağlı cihazlara dayanıyor: hayati bulguları kesintisiz aktaran kalp monitörleri, ilaç dozlarını ayarlayan infüzyon pompaları ve hastaları evde takip eden taşınabilir sensörler. Bu dijital ağ bakım kalitesini önemli ölçüde artırabilir—ancak aynı zamanda korsanlar için yeni kapılar açar. Makale, bu tıbbi ağları bir dizi siber saldırıya karşı yapay zeka ve blok zincirinin bir kombinasyonuyla nasıl koruyabileceğini açıklıyor; amaç, tehditleri milisaniyeler içinde tespit ederken hasta verilerinin güvenilirliğini ve gizliliğini korumak.

Çok sayıda kapı, çok çeşitli saldırganlar

Sağlık ağları sıradan ofis sistemlerine benzemez. Eski ve yeni cihazları karıştırır, gerçek zamanlı yanıt gerektirir ve son derece hassas bilgiler taşır. Saldırganlar hizmetleri durdurmak için ağı sel gibi doldurabilir, iletişimi gizlice ele geçirebilir, tekrarlanan girişlerle parolaları tahmin edebilir veya tek bir zayıf cihazdan sistemin katmanları boyunca yavaşça hareket edebilir. Yazarlar bu “çoklu vektör” saldırıların cihazlara, verilere, altyapıya ve ventilatör gibi yaşam açısından kritik ekipmana kadar isabet edebileceğini anlatarak basit güvenlik duvarları ve kural listelerinin artık yeterli olmadığını gösteriyor.

Makinelere kötü davranışı öğretmek

Önerilen yaklaşım, ağ trafiğini izlemek ve bunun normal mi yoksa kötü niyetli mi olduğunu belirlemek için derin öğrenmeden yararlanır. Önce derin seyrek bir otomatikkodlayıcı (deep sparse autoencoder), her ağ akışının—kimin kiminle konuştuğu, ne sıklıkta ve ne kadar veri—gibi çok sayıda teknik ayrıntısını önemli desenleri koruyacak şekilde kısa bir parmakizi hâline sıkıştırır. Bu parmakizleri, trafiğin zaman içinde nasıl evrildiğini öğrenen çift yönlü tekrarlayan bir ağa beslenir; böylece kısa süreli yoğunluk ile bir saldırının yavaş birikimini ayırt edebilir. Paralel olarak üç uzman detektör belirli tehditlere odaklanır: biri hizmeti engelleme (DoS) saldırıları için, biri ortadaki adam (man-in-the-middle) müdahaleleri için ve biri güç kullanarak parola kırma (brute-force) girişleri için ayarlanmıştır.

Uzman görüşlerini birleştirmek ve güveni değerlendirmek

Tek bir modelin karar vermesine izin vermek yerine sistem, tüm detektörlerin çıktılarını Bayesçi “uzmanların çarpımı” (product-of-experts) füzyon adımıyla harmanlar. Bu matematiksel yöntem uzmanlar arasındaki uyumu ödüllendirir ve güvenilmez sinyalleri küçültür. Bir kalibrasyon aşaması daha sonra bu olasılıkları ayarlar; örneğin %90 alarmın pratikte gerçekten “10 alarmdan 9’u” gibi davranmasını sağlar. Sistem ayrıca tıbbi bağlamı da göz önüne alır: bir yaşam destek cihazı için daha temkinli olup şüpheli davranışı daha ciddi ele alır, daha az kritik bir sensöre kıyasla daha yüksek önlem alır. Güven yüksek olduğunda sistem engelleme veya yönlendirme tetikleyebilir; belirsizlik yüksek olduğunda ise otomatik işlem yerine trafiği insan incelemesine işaretleyebilir.

Değiştirilemez bir güvenlik günlüğü yazmak

Farklı hastaneler veya klinikler arasında neler olduğunu izlemek için yazarlar özel bir blok zinciri katmanı ekler. Her tespit olayı—ne görüldüğü, sistemin ne kadar emin olduğu ve hangi yanıtın verildiği—paylaşılan bir deftere hızlı bir fikir birliği yöntemiyle yazılır, böylece tek bir taraf kaydı gizlice düzenleyemez. Bu defterdeki akıllı sözleşmeler, rollerine ve amaçlarına bağlı olarak kimin günlüklerin hangi bölümlerini görebileceğini denetlerken, gecikmeleri düşük tutarak devam eden bakımın kesintiye uğramamasını sağlar. Simüle edilmiş 12 düğümlü bir sağlık ağı üzerinde yapılan testler, blok zincirinin yüksek başarı oranları ve saniyenin altında onay süreleriyle saniyede yüzlerce güvenlik olayını işleyebildiğini gösteriyor.

Pratikte ne kadar iyi çalışıyor

Ekip tasarımlarını yoğun bakım cihazlarına yönelik olarak uyarlanmış ve yüzün üzerinde farklı aygıtı kapsayan başka bir veri kümesi olmak üzere iki büyük gerçek ve simüle edilmiş Nesnelerin İnterneti trafiği koleksiyonunda değerlendirdi. Bu veri kümeleri genelinde birleşik sistem saldırıları yaklaşık %93–97 doğrulukla tespit etti ve imza tabanlı araçlar, destek vektör makineleri ve rastgele ormanlar gibi geleneksel yöntemleri %7–20 puan aralığında geride bıraktı. Kritik olarak, kontrollü testlerde tespit gecikmeleri 16 milisaniyenin altındaydı ve birden çok saldırı türünü aynı anda tek bir modelden daha iyi ele aldı. Bir veri kümesinde eğitilen modeller diğerinde test edildiğinde performans düştü ancak saygıdeğer seviyede kaldı; bu da eğitim ortamının ötesinde makul bir genelleme yeteneği olduğuna işaret ediyor.

Bu hastalar ve hastaneler için ne anlama geliyor

Basitçe ifade etmek gerekirse çalışma, hastanelerin gelişmiş desen tanıma ve tahrifata dayanıklı kaydetme yöntemlerini birleştirerek bağlı cihazlarını gerçek zamanlı olarak izleyebileceğini gösteriyor. Derin öğrenme bileşenleri farklı kötü davranış türlerinde uzmanlaşmış bir güvenlik analistleri ekibi gibi hareket ederken, blok zinciri tespit edilenleri ve personelin nasıl yanıt verdiğini kaydeden bozulamayan bir defter görevi görür. Yazarlar gerçek dünya denemeleri ve nadir, sofistike saldırıların daha iyi ele alınmasının hâlâ gerektiğini belirtse de, bulguları böyle bir hibrit tasarımın geleceğin dijital hastanelerini hem daha akıllı hem de daha güvenli kılabileceğini; bir siber saldırının verileri gizlice değiştirme veya bakım hizmetini bozma olasılığını azaltabileceğini öne sürüyor.

Atıf: Sengan, S., Shieh, CS. & Horng, MF. A hybrid blockchain based deep learning model for multivector attack detection in internet of things enabled healthcare systems. Sci Rep 16, 10060 (2026). https://doi.org/10.1038/s41598-026-40765-3

Anahtar kelimeler: sağlık hizmetlerinde siber güvenlik, nesnelerin interneti, blok zinciri güvenliği, izinsiz giriş tespiti, derin öğrenme