İçeriğe geç
  • BTC $58.916 +4,4%
  • ETH $1.657 +5,5%
  • SOL $68,97 +4,0%
  • BNB $538,27 +4,1%
  • XRP $0,9149 +4,0%
  • DOGE $0,0540 +3,6%
  • ADA $0,1416 +4,0%

HydroJEV’in siber saldırı tespiti, su hizmeti alarmlarının incelenmesini üçte bir oranında azaltıyor

Bir su işletmesinin kontrol odası, bir alarmın yanıp sönmesiyle birlikte rutinden kaosa dönebilir. SCADA sistemleri bir su dağıtım şebekesinde olağandışı bir durumu işaretlediğinde, operatörlerin bunun bir siber saldırıya mı, mekanik bir arızaya mı, zararsız bir basınç dalgalanmasına mı yoksa sadece bir […] olduğuna karar vermek için yalnızca birkaç saniyesi vardır.

Bu makale yapay zekâ sistemleriyle üretilmiştir; editoryal sorumlu: Amelia Tomasicchio. Nasıl çalışıyoruz

HydroJEV cyber-attack detection
HydroJEV Cyber-Attack Detection Enables Rapid Anomaly Attribution

Bir su işletmesinin kontrol odası, bir alarmın yanıp sönmesi kadar kısa bir sürede rutinden kaosa geçebilir. SCADA sistemleri bir su dağıtım şebekesinde olağandışı bir durumu işaretlediğinde, operatörlerin bunun bir siber saldırıya mı, mekanik bir arızaya mı, zararsız bir basınç salınımına mı yoksa yalnızca bir sensör hatasına mı baktıklarına karar vermek için sadece birkaç saniyeleri vardır. Tianwei Mu tarafından kaleme alınan ve 1 Ekim 2026’da yayımlanan yeni bir araştırma makalesi, bu soruya hızlıca yanıt vermek için özel olarak geliştirilmiş bir aracı tanımlıyor: eğitim gerektirmeyen bir model olan HydroJEV. Sistemin HydroJEV siber saldırı tespiti yaklaşımı, insan değerlendiricilerin veya yapay zeka sistemlerinin genellikle onlarca saniye alan yargı sürecini, etiketli olay verileriyle önceden eğitime hiç ihtiyaç duymadan yaklaşık bir saniyeye indirmeyi hedefliyor.

Öne çıkan noktalar

  • Su dağıtım şebekelerinde anomali atfı, eğitim gerektirmeyen ve yaklaşık bir saniye içinde sınıf olasılıkları üreten HydroJEV modeli tarafından gerçekleştiriliyor.
  • Bir SCADA alarmı çaldığında siber saldırıları, fiziksel arızaları, normal geçici olayları ve hatalı sensörleri birbirinden ayırıyor.
  • EPANET’te C-Town şebekesi üzerinde bir kural ağacı, denetimli bir sınıflandırıcı ve yedi bulut LLM’i ile karşılaştırmalı olarak test edildiğinde, HydroJEV özellikle etiketli verinin kıt olduğu durumlarda alternatiflerle aynı seviyede ya da daha iyi performans gösterdi.
  • Öncü LLM’lerden 20–40 kat daha hızlı karar verdi ve bir kural ağacıyla eşleştirildiği kademeli yapı, doğruluk kaybı olmadan LLM inceleme iş yükünü %35–38 oranında azalttı.
  • Aynı geçitli kademeli yapı, iki ek şebekeye aktarıldığında da LLM değerlendiricisinin aşağı kalmama (non-inferiority) marjı içinde kaldı.

HydroJEV Hızlı ve Eğitim Gerektirmeyen Anomali Atfını Mümkün Kılıyor

HydroJEV, triyaj sorusuna neredeyse anında yanıt vererek, etiketli olaylar üzerinde önceden eğitime ihtiyaç duymadan yaklaşık bir saniye içinde sınıf olasılıkları sunuyor. Bu tek özellik, su işletmelerinin bugün SCADA anomali triyajı için çoğunlukla güvendikleri araçların çoğundan onu ayırıyor; zira bu araçlar genellikle ya özenle elle kodlanmış kurallar ya da küçük işletmelerin çoğu zaman elinde bulunmayan geçmiş olay veri kümeleri talep ediyor.

Bir Saniyelik Karar Süresi

Hız, başlıca özelliktir. Araştırmaya göre HydroJEV, sınıflandırmasını yaklaşık bir saniyede üretiyor; bu hız, operatörler aktif bir alarmla karşı karşıyayken ve bir pompayı kapatıp kapatmama, bir boru kesitini izole edip etmeme ya da geçici olayı kendi haline bırakıp bırakmama arasında karar verirken kritik önem taşıyor. Geleneksel denetimli sınıflandırıcılar, çoğu işletmenin elinde bulunmayan etiketli olay geçmişlerine ihtiyaç duyar; çünkü önemli siber ya da fiziksel olaylar pratikte güvenilir bir eğitim seti oluşturmayı zorlaştıracak kadar nadir gerçekleşir.

Sınıflandırma Yetenekleri

Aracı kullanışlı kılan şey yalnızca ham hız değil, olayları ayırdığı kategorilerdir. Herhangi bir SCADA alarmı için dört olası açıklama HydroJEV tarafından ayrıştırılır: bir siber saldırı, fiziksel bir arıza, normal bir geçici olay veya hatalı bir sensör. Bu dört yönlü ayrım, bir uyarı geldiğinde operatörlerin manuel olarak vermek zorunda oldukları kararı birebir yansıtır; bu nedenle araştırmacılar, bunu daha derinlemesine incelemenin yerine geçecek bir araçtan ziyade, ilk triyaj adımının doğrudan bir ikamesi olarak çerçevelemiştir.

C-Town Şebekesinde HydroJEV’in Rakiplerle Kıyaslanması

HydroJEV, üç farklı türde rakiple doğrudan karşı karşıya test edildi ve her karşılaştırmada ya başa baş kaldı ya da öne geçti. Değerlendirme, su dağıtım sistemlerini modellemek için standart bir araç olan EPANET’te simüle edilen C-Town şebekesini kullandı ve karşılaştırmanın adil kalmasını sağlamak için dört kapalı, önceden kayıtlı tur yürüttü.

Kural Ağaçları ve Denetimli Sınıflandırıcılarla Karşılaştırma

Kıyaslama, HydroJEV’i el yazımı bir kural ağacı, bir denetimli sınıflandırıcı ve yedi bulut tabanlı büyük dil modeliyle, hepsi aynı kanıtlardan yararlanacak şekilde karşı karşıya getirdi. Yalnızca etiket gerektirmeyen bir ön düzeltme uygulandığında bile HydroJEV, kural ağacının performansına ulaştı; kural ağacının 0,56–0,61’lik değerlerine karşılık 0,62–0,64 makro-F1 puanı elde etti. Ayrıca, kendi etiketlerinde temsil edilmeyen olay alt tiplerinde denetimli sınıflandırıcıyı 0,36–0,42 puan farkla geride bıraktı; bu sonuç, dört test turunun tamamında geçerliydi.

Etiket Kıtlığının Yaşandığı Koşullardaki Performans

Gerçekçi kısıtlar altında fark daha da açıldı. HydroJEV, özellikle sınıf başına yaklaşık dört veya daha az etiketli olay bulunduğu her durumda denetimli sınıflandırıcıdan daha iyi performans gösterdi; bu da çoğu gerçek dünya işletmesinin karşı karşıya olduğu duruma oldukça yakındır. Bu önemlidir; çünkü su işletmeleri nadiren doğrulanmış siber saldırı veya sabotaj olaylarının büyük arşivlerini biriktirir; bu da eğitim gerektirmeyen arıza atfını teorik değil, pratik bir avantaj haline getirir.

Büyük Dil Modelleri (LLM’ler) ile Karşılaştırma

Test edilen yedi öncü LLM’e karşı HydroJEV’in üstünlüğü neredeyse tamamen hızla ilgiliydi. Araştırma, HydroJEV’in bu öncü modellere kıyasla 20–40 kat daha hızlı karar verdiğini ortaya koydu; bu fark, büyük dil modellerinin tipik olarak karar başına onlarca saniye gerektirmesi ile HydroJEV’in yaklaşık bir saniyelik dönüş süresi arasındaki uçurumu yansıtır. Canlı alarmları yöneten bir kontrol odası için bu fark, taze bilgiye dayanarak harekete geçmekle, artık bayatlamış bir bilgiye dayanarak harekete geçmek arasındaki fark anlamına gelebilir.

Uzman İnceleme İş Yükünü Azaltırken Doğruluğu Korumak

HydroJEV’in hızlı taramasını doğrulayıcı bir kural ağacıyla eşleştirmek, LLM inceleme yükünü doğruluktan ödün vermeden üçte birden fazla azalttı. Yalnızca HydroJEV’in “zararsız” olarak işaretlediği ve kural ağacının da doğruladığı kararları kabul etmek, taze ve kapalı test setlerinde bir LLM değerlendiricisini pencerelerin %35 ila %38’inden kurtardı; üstelik makro-F1 doğruluğunda hiçbir kayıp olmadan.

Bu iş yükü azaltımı, tüm çalışmanın pratik getirisi niteliğindedir. Araştırmaya göre, SCADA anomali triyajına ilişkin iş yükünün yaklaşık üçte biri, bu tür hızlı ve eğitim gerektirmeyen bir model tarafından, daha yavaş ve dikkatli inceleme ile elde edilen doğruluktan ödün vermeden üstlenilebilir. Başka bir deyişle, HydroJEV gerçek tehditlerin dikkatli incelemesinin yerini almak üzere konumlandırılmamıştır — rutin, düşük riskli alarmların birikmiş kuyruğunu temizleyerek, değerlendiricilerin sınırlı zamanlarını gerçekten inceleme gerektiren vakalara ayırabilmelerini sağlamak üzere konumlandırılmıştır.

Neden önemli: su dağıtım siber güvenliği için darboğaz, nadiren yalnızca tespit kapasitesi olmuştur — asıl sorun, birilerinin harekete geçebilmesi için hakkında bir yargı verilmesi gereken alarm hacmidir. Bu hacmin güvenilir biçimde üçte birini temizleyebilen bir araç, 7/24 uzman inceleme ekipleri istihdam edemeyen küçük işletmelerin izleme ekonomisini değiştirir.

Birden Fazla Şebekede Sağlamlık ve Aktarılabilirlik

Geçitli kademeli yaklaşım tek bir şebekeye özgü bir tesadüf değildi. Araştırmacılar, birleşik HydroJEV-artı-kural-ağacı sistemini C-Town’un ötesinde iki ek şebekeye herhangi bir değişiklik yapmadan aktardılar ve bu sistem, bu ek şebekelerdeki dört test setinin tamamında LLM değerlendiricisinin aşağı kalmama (non-inferiority) marjı içinde kaldı.

Bu aktarılabilirlik, gerçek dünya uygulamasını düşünen herkes için muhtemelen en önemli ayrıntıdır. Tek bir kıyaslama şebekesinde iyi performans gösterip, farklı bir boru yerleşimine, sensör konfigürasyonuna veya işletim düzenine taşındığında çöken bir model, gerçekten farklı altyapıları yöneten işletmeler için pek bir değer taşımazdı. İkisi için hiç ayarlama yapılmamış olsa bile üç ayrı şebekede istikrarlı kalması, altta yatan yaklaşımın tek bir test örneğinin tuhaflıklarını ezberlemekten ziyade genelleştiğini gösteriyor.

Bu makale, yapay zekâ desteğiyle hazırlanmış ve editör ekibi tarafından gözden geçirilmiştir.

Satoshi Voice

Bu makale yapay zeka desteği ile üretilmiş ve doğruluk ve kaliteyi sağlamak için gazeteci ekibimiz tarafından gözden geçirilmiştir.

Satoshi Voice adlı yazarın tüm makaleleri