QR kod güvenliği: dinamik URL tabanlı tehdit tespiti için uyarlanabilir yeniden eğitme yaklaşımı

Neden küçük kareler güvenliğiniz için önemli

QR kodlar, fiziksel dünya ile internet arasında sessizce birer geçit haline geldi; tek bir tarama ile menülere, ödeme sayfalarına, uygulamalara ve daha fazlasına atlamamıza izin veriyorlar. Ancak onları kullanışlı kılan aynı kolaylık, suçlular için de cazip bir araç oluşturuyor; zararsız görünen siyah-beyaz karelerin içine tehlikeli web bağlantıları gizleyebiliyorlar. Bu makale, gelişmiş bir yapay zekânın güvenli QR kod bağlantılarını zararlı olanlardan nasıl ayırt edebileceğini ve yeni dolandırıcılıklar ortaya çıktıkça nasıl geliştirmeye devam edebileceğini inceliyor.

Kullanışlı kısa yollar nasıl gizli tuzaklara dönüşüyor

Son on yılda, özellikle COVID-19 salgını sırasında, QR kod kullanımı patladı; kısa süre içinde on milyonlarca tarama kaydedildi. Bu kodların çoğu sadece rutin web sitelerine işaret ediyor. Ancak saldırganlar, insanların bir kodu taramadan önce genellikle nereye yönlendirdiğini kontrol etmediğini ve kamuya asılan veya bir hizmet tarafından paylaşılan herhangi bir koda sıklıkla güvendiklerini fark ettiler. Kötü amaçlı web adreslerini QR kodların içine gömerek, suçlular kullanıcıları şifreleri çalan oltalama sayfalarına veya gizlice kötü amaçlı yazılım yükleyen sitelere yönlendirebiliyor. Bu çalışma, baskılı desenin fiziksel olarak tahrif edilmesinden farklı olarak gerçek saldırı aracı olan, her kodun içinde gizli olan web adresi yani URL katmanına odaklanıyor.

Eski savunmalar neden yetersiz kalıyor

Geleneksel savunmalar zararlı bağlantıları iki ana yolla engellemeye çalışır. Bazıları bilinen kötü URL’lerin listelerine dayanır; bu yaklaşım basittir ama saldırganlar adreslerini değiştirdiğinde kolayca atlatılabilir. Diğerleri ise bir URL’nin uzunluğu veya içerdiği belirli semboller ya da kelimeler gibi elle tasarlanmış özellikler üzerinde eğitilmiş makine öğrenmesini kullanır. Bu yöntemler makul ölçüde işe yarayabilir, ancak genellikle katıdır ve eski verilerde görülen kalıplara fazla bağımlıdır. Suçlular yeni numaralar geliştirdikçe ve bağlantılarının görünümünü çeşitlendirdikçe, bu sabit modeller ayakta kalmakta zorlanır; bu da ya tehditleri kaçırmaya ya da çok fazla yanlış alarm vermeye yol açar.

Web adresleri için daha akıllı bir okuyucu

Yazarlar, doğal dili anlamak için tasarlanmış güçlü bir yapay zekâ modeli olan BERT üzerine kurulu yeni bir sistem öneriyor. Cümleler ve paragraflar yerine, BERT’e URL’leri oluşturan karakter dizileri besleniyor. Önce sistem bir QR kodu tarayıp içindeki gömülü URL’yi çıkarıyor. O URL daha sonra token’lara bölünüyor ve karakter dizisi içindeki ince kalıpları ve ilişkileri yakalayan zengin sayısal gösterimlere dönüştüren kompakt bir BERT sürümünden geçiriliyor. Bu gösterimin üzerine, bağlantının muhtemelen zararsız mı yoksa kötü amaçlı mı olduğuna karar veren hafif bir istatistiksel sınıflandırıcı ekleniyor. Bu tasarım, URL’lerin düzenli dil olmasa da basit modellerin kaçırdığı karmaşık ipuçlarını yakalamaya imkân veriyor.

Tehditler evrildikçe öğrenmek ve yeniden öğrenmek

Yaklaşımın ana özelliği, ilk eğitmeden sonra donup kalmaması. Yazarlar, kamusal bir veri setinden alınmış, bazıları güvenli bazıları kötü amaçlı olmak üzere yaklaşık 20.000 etiketli URL’den oluşan dengeli bir koleksiyonla başlıyor. Model bu veride ayarlandıktan sonra, URLhaus adlı bir hizmetten gelen yeni keşfedilmiş kötü amaçlı URL’lerin canlı akışına bağlanıyor ve periyodik olarak bu taze örnekleri ek güvenli bağlantılarla karıştırıyorlar. Her yeniden eğitim turu, modeli mevcut bildiklerini korurken ortaya çıkan saldırı tarzlarını tanıyacak şekilde güncelliyor. Testler, tekrar tekrar yapılan güncellemelerden sonra bile doğruluğun çok yüksek kaldığını gösteriyor: orijinal veride yaklaşık %98–99 ve daha büyük, güncellenmiş setlerde yaklaşık %97 doğruluk; sistem neredeyse tüm kötü amaçlı bağlantıları yakalarken güvenli olanları nadiren yanlış işaretliyor.

Günlük kullanıcılar için bunun anlamı

Bir kullanıcı için sonuç basit: bir QR kodu taradığınızda, sahne arkasında çalışan bir yapay zekâ gizli bağlantının güvenilir görünüp görünmediğine hızlıca karar verebilir. Güvenli görünüyorsa web sitesine yönlendirilirsiniz; tehlikeli görünüyorsa ziyaret etmeden önce uyarılabilir veya engellenebilirsiniz. Dil-benzeri güçlü bir modeli gerçek dünya saldırı verileriyle sürekli yeniden eğitme ile birleştirerek, bu çalışma dolandırıcılar taktik değiştirdikçe uyum sağlayabilen esnek bir kalkan sunuyor. Bu yaklaşım sağlam hesaplama kaynakları gerektirse de, akıllı ve evrimleşen filtrelerin mütevazı QR kodunu çevrimiçi dünyaya çok daha güvenli bir kapı haline getirebileceğini gösteriyor.

Atıf: Almousa, H., Alsuhibany, S.A. QR code security: an adaptive retraining approach for dynamic URL-based threat detection. Sci Rep 16, 13143 (2026). https://doi.org/10.1038/s41598-026-43002-z

Anahtar kelimeler: QR kod güvenliği, kötü amaçlı URL tespiti, oltalama koruması, BERT tabanlı model, uyarlanabilir yeniden eğitme