AA-NLS ve GRUSO-GRU kullanarak açıklanabilirlik ve çok ölçütlü optimizasyon ile girişim tespiti için epistemik belirsizlik hesaplaması

Neden daha güvenli internet trafiği önemli

Her gönderdiğiniz e-posta, yaptığınız görüntülü görüşme veya kullandığınız akıllı cihaz, ağlar üzerinden akan görünmez veri akımlarına dayanır. Bu trafiğin içinde, saldırganların sızma, bilgi çalma veya hizmetleri aksatma girişimleri gizlenir. Modern savunmalar bu girişimleri otomatik olarak tespit etmeye çalışır, ancak gerçek dünya ağ verisi düzensizdir: paketler gecikebilir, sıra dışı gelebilir veya eksik parçalar içerebilir. Bu çalışma, yalnızca bu belirsizlikle başa çıkmakla kalmayan, aynı zamanda kararlarını açıklayan ve güvenlik ekipleri için en acil uyarıları önceliklendiren yeni bir saldırı tespit çerçevesi sunar.

Düzensiz trafik ve gizli tehlikeler

Geleneksel saldırı tespit araçları genellikle ağ verisinin temiz ve düzgün sıralanmış olduğunu varsayar veya ağırlıklı olarak bilinen saldırı örüntülerine odaklanır. Oysa pratikte internet trafiği boşluklar, gecikmeler ve yeniden düzenlenmiş paketlerle doludur. Bu sorunlar tehlikeli karışıklıklara yol açabilir: bir saldırı paketleri geç gelirse normal görünebilir ya da zararsız etkinlik düşmanca işaretlenebilir. Yazarlar bu tür “bilgi boşluğu”na epistemik belirsizlik diyor. Mevcut sistemlerin birçoğunun bunu ya görmezden geldiğini ya da sınırlı biçimde ele aldığını, bunun da yanlış alarmlara, kaçırılan tehditlere ve insan müdahalesini yavaşlatan aşırı uyarı kuyruklarına yol açtığını savunuyorlar.

Daha akıllı bir tespit hattı kurmak

Önerilen sistem ham trafikten son uyarıya kadar ağ izleme yaşam döngüsünün tamamıyla ilgilenir. Öncelikle veriyi temizler: yineleyen kayıtlar kaldırılır ve yerel örüntüleri bozmadan eksik değerleri doldurmak için özel bir en yakın komşu yöntemi uygulanır. Ardından bir kümeleme adımı trafiğin benzer davranışlarını gruplandırır, böylece nadir veya alışılmadık etkinlikler daha net ortaya çıkar. Bu gruplardan paket alışveriş sıklığı, akışların süresi ve verinin her yönde ne kadar hızlı hareket ettiği gibi anahtar özellikler çıkarılır. Bu özellikler, ağın herhangi bir anda nasıl davrandığına dair kompakt bir tablo sunar.

Belirsizliği ve zamanlamayı anlamak

Çalışmanın merkezi yeniliği, sıra dışı gelen paketlerin oluşturduğu riski değerlendiren özel bir modüldür. Genişletilmiş bir mantık çerçevesi kullanılarak, her paket “saldırı kanıtı”, “normal kanıt” ve “belirsiz kanıt” derecelerine sahip olarak ele alınır; bunlar toplamın tutarlı ve anlamlı kalmasını sağlayacak şekilde dikkatle birleştirilir. Eş zamanlı olarak, zamansal bir model ağ durumlarının zaman içinde nasıl evrildiğini öğrenir, imkansız geçişleri düzelterek ve sıfır-olasılık kör noktalarına karşı koruyarak geçişleri düzleştirir. Bu bileşenler birlikte paket gecikmelerinin yarattığı belirsizliği ve ağdaki normal ile anormal davranışların gizli ritmini yakalar.

Saldırıları tespit etmeyi ve açıklamayı öğrenmek

Bütün bu işlenmiş bilgi, kapılı tekrarlayan birim (gated recurrent unit) tabanlı özelleştirilmiş bir derin öğrenme sınıflandırıcısına beslenir. Yazarlar, iç devrelemeleri ve aktivasyon fonksiyonlarını yeniden tasarlayarak modelin daha hızlı öğrenmesini, daha güvenilir yakınsamasını ve yaygın tekrarlayan modellerden daha iyi ölçeklenmesini sağlar. Sınıflandırıcı trafiği zararsız veya hizmet engelleme, kaba kuvvet, botnet, sızma ve web saldırıları dahil olmak üzere çeşitli saldırı türlerinden biri olarak etiketler. Analistlerin sisteme güvenmesini desteklemek için bir açıklama modülü, bilgi temelli ağırlıklandırma şeması kullanarak her giriş özelliğinin belirli bir karara ne kadar katkıda bulunduğunu tahmin eder; bu yaklaşım, gerçek dünya verilerindeki dengesizliklere karşı daha kararlı sonuçlar üretir.

En acil tehditlere odaklanmak

Yoğun ağlarda, güçlü bir tespit sistemi bile operatörleri zamanında işleyebileceklerinden daha fazla uyarı ile boğabilir. Bunu ele almak için çerçeve, çöl tilkilerinin avlanma davranışından ilham alan bir optimizasyon katmanı ekler. Bu katman uyarıları sıralanacak adaylar olarak ele alır ve gecikme ve kaynak kullanımını en aza indirirken tespit kalitesini maksimize eden bir sıralama arar. Özel bir matematiksel işlev, aramanın kötü ara seçimlerden kaçmasına yardımcı olur. Birkaç halka açık saldırı veri seti üzerindeki deneyler, bu önceliklendirme adımının verimi artırdığını ve cevap sürelerini diğer uyarı işleme stratejilerine göre azalttığını gösterir.

Buluntuların günlük kullanıcılar için anlamı

Yazarlar, birleşik yaklaşımlarının çok sınıflı saldırı tespitinde %99’un üzerinde doğruluk elde ettiğini, ayrıca rakip yöntemlere kıyasla daha net açıklamalar ve daha hızlı, daha iyi sıralanmış uyarılar sunduğunu bildiriyorlar. Uzman olmayan biri için bu, veri eksik veya kafa karıştırıcı olduğunda bile kurtarma çığlıklarına daha az eğilimli ve ince saldırıları yakalama olasılığı daha yüksek olan daha güvenilir bir dijital “bağışıklık sistemi” anlamına gelir. Yöntem kendisi kullanıcı verilerinin içeriğini şifrelemez veya doğrudan korumaz, ancak modern ağlarda önemli bir savunma katmanını önemli ölçüde güçlendirir. Uçtan uca koruma üzerinde daha fazla çalışmayla, bu tür yaklaşımlar çevrimiçi hizmetlerin herkes için daha sorunsuz, daha güvenli ve daha güvenilir olmasına yardımcı olabilir.

Atıf: Kiruthika, K., Karpagam, M., Sardar, T.H. et al. Epistemic uncertain computing for intrusion detection with explainability & multi-criteria optimization using AA-NLS and GRUSO-GRU. Sci Rep 16, 14050 (2026). https://doi.org/10.1038/s41598-026-44214-z

Anahtar kelimeler: saldırı tespiti, ağ güvenliği, belirsizlik, açıklanabilir yapay zeka, siber saldırı uyarıları