İHA ağlarında izinsiz giriş tespiti için yeni birleşik hafif zaman-mekân transformer yaklaşımı

Daha güvenli insansız hava araçları neden önemli

İHA’lar hızla hobi cihazlarından teslimat, tarım, film çekimi ve acil müdahale gibi günlük araçlara dönüşüyor. Ancak daha fazla İHA birbirleriyle ve yer istasyonlarıyla kablosuz bağlantılar üzerinden iletişim kurdukça, aynı zamanda bilgisayar korsanlarına yeni kapılar açılıyor. Başarılı bir saldırı bir İHA’yı ele geçirebilir, bir kurtarma görevini aksatabilir veya hassas video akışlarını ifşa edebilir. Bu makale, böyle saldırıları hızlı ve verimli biçimde tespit etmenin yeni bir yolunu sunuyor; model, İHA’ların gerçekten taşıdığı sınırlı donanım üzerinde çalışacak şekilde tasarlanmış bir yapay zekâ yaklaşımı kullanıyor.

İHA’ları ele geçirmenin pek çok yolu

Modern İHA’lar yön bulmak, koordinasyon sağlamak ve bilgi göndermek için sürekli veri alışverişine dayanır. Saldırganlar bu bağımlılığı birkaç şekilde suistimal edebilir: komutların iletilememesi için ağı aşırı yüklemek, İHA ile kumanda cihazı arasına gizlice girip araya almak, yönlendirmeyi karıştırmak için eski mesajları yeniden oynatmak veya video ve yük verilerini bozmak. Mevcut savunmalar genellikle güçlü bilgisayarlar ve cömert enerji bütçeleri varsayar. Bu da onları batarya tasarrufu yapmak ve saniyenin kesirleri içinde tepki vermek zorunda olan küçük uçan makinelerde kullanmayı zorlaştırır. Yazarlar, gerçekçi bir korumanın hem son derece doğru hem de son derece hafif olması gerektiğini savunuyor.

Geleneksel savunmalar neden yetersiz kalıyor

Önceki çözümler standart bilgisayar ağlarından araçlar ödünç aldı. Klasik makine öğrenmesi sistemleri bazı saldırıları tespit edebilir ancak genellikle elle tasarlanmış özniteliklere ve çevrimdışı ayara bağımlıdır; saldırganlar taktiklerini değiştirdiğinde zorlanırlar. Tekrarlayan sinir ağları ve uzun-kısa süreli bellek birimleri gibi daha gelişmiş derin öğrenme modelleri zaman içinde ortaya çıkan desenleri görebilir, ancak önemli ölçüde bellek ve işlem gücü ister. Dil araçlarının arkasındaki teknik aileye ait son zamanlardaki transformer tabanlı modeller doğruluğu artırsa da genellikle daha da ağırlaşır. Hızla karar vermesi gereken İHA filosu için bu yaklaşımlar ya çok yavaş, ya çok enerji tüketen ya da yalnızca tek bir saldırı türü veya basit anomali evet/hayır tespiti gibi dar problemlere odaklıdır.

İHA trafiği için kompakt bir “attention” motoru

Bu kısıtlamalarla başa çıkmak için yazarlar, transformerların attention (dikkat) fikirlerini ödünç alan ancak İHA ihtiyaçları için budanmış kompakt bir model olan TSLT-Net’i tasarlıyor. İHA ağ verilerini uzun zaman serileri olarak ele almak yerine sistem, her paketin özelliklerini küçük bir token ızgarasına yeniden şekillendirir ve modelin hangi tokenların birbirine “dikkat etmesi” gerektiğini öğrenmesine izin verir. Bu, portlar, yük boyutu ve zamanlama gibi sıra dışı kombinasyonlar gibi ince ilişkileri pahalı zaman döngülerine girmeden yakalamasını sağlar. Bu attention adımından sonra basit bir ortalama alma ve birkaç küçük katman, trafiğin normal mi yoksa şüpheli mi olduğuna karar vermek için yeterlidir. Aynı çekirdek motor iki çıktıyı aynı anda besler: biri trafiği güvenli veya anormal olarak işaretler, diğeri ise belirli saldırı türünü tespit eder.

Modelin teste sokulması

Ekip, TSLT-Net’i gerçekçi şekilde karışık ve 2,3 milyondan fazla kayıttan oluşan büyük bir veri kümesi üzerinde değerlendiriyor; bu kayıtlar gerçek İHA iletişim oturumlarından alınmış. Bu kayıtlar hizmet reddi, parola denemesi, sahtekârlık, yeniden oynatma ve video dinleme gibi birçok saldırı türünü sıradan uçuş trafiğiyle bir arada içeriyor. Yazarlar eğitim ve test oturumları arasında örtüşme olmamasına özen gösteriyor; böylece model yeni günler, farklı İHA’lar ve saldırı ailelerindeki görülmemiş varyasyonlarla başa çıkmak zorunda kalıyor. Bu zorlu koşullara rağmen TSLT-Net neredeyse her örneği doğru tanımlıyor: birden çok saldırı türü ile iyi huylu trafiği ayırt ederken yaklaşık %99,99 doğruluk ve yalnızca normal davranışı şüpheliden ayırması istendiğinde pratikte kusursuza yakın performans gösteriyor. Ayrıca bu doğruluğu tüm günlerin, cihazların veya saldırı ailelerinin tamamen dışarıda bırakıldığı testlerde de koruyor.

Küçük model, büyük etki

Belki de en çarpıcı olan, TSLT-Net’in çok az hesaplama gücü gerektirmesi. On binin altında eğitilebilir parametre kullanıyor, yaklaşık kırk kilobayt belleğe sığıyor ve yaygın derin öğrenme rakiplerinden çok daha az işlem gerektiriyor. Bu, doğrudan bir İHA’nın mütevazı yerleşik donanımında veya yakındaki uç cihazlarda çalıştırılmasını mümkün kılıyor ve yine de uçuş kontrol döngüleri için yeterince hızlı tepki veriyor. Pratik açıdan model, ağ akışlarını gerçek zamanlı izleyebilir, bir şeyin yanlış göründüğünde bayrak kaldırabilir ve kontrol yazılımına görevi duraklatma, iletişimi yeniden yönlendirme veya etkilenen İHA’yı izole etme şansı verebilir. Uzman olmayanlar için ana fikir, bu çalışmanın en son yapay zekâyı boyut ve enerji üzerindeki katı sınırlamalarla birleştirmenin mümkün olduğunu gösterdiği ve hantal yer tabanlı güvenlik sistemleri olmadan daha güvenli İHA operasyonlarının yolunu açtığıdır.

Atıf: Biswas, T.K., Zannat, A., Ishtiaq, W. et al. A novel unified lightweight temporal-spatial transformer approach for intrusion detection in drone networks. Sci Rep 16, 14473 (2026). https://doi.org/10.1038/s41598-026-45063-6

Anahtar kelimeler: drone siber güvenliği, izinsiz giriş tespiti, transformer modeli, hafif yapay zeka, insansız hava araçları