Page 61 - bilgem-teknoloji-dergisi-10

Bilgi Güvenliği

Siber Güvenliğin Koruması Gereken Yeni Alan: Doç. Dr. Ferhat Özgür Çatak – Başuzman Araştırmacı / BİLGEM SGE
Yapay Zekâ Yyılda gerçekleştirmiştir. Artık sadece araştır- Benzer bir durum yapay zekâ için de geçerlidir.
apay zekâ konusu, kökeni çok eskilere da-
Makine öğrenme algoritmalarının hemen hemen
yanıyor olsa da en büyük ilerlemesini son 10
tamamı, çeşitli güvenlik zafiyetleri içermektedir.
ma merkezleri ve üniversitelerde kullanılır olmak-
Genellikle bu saldırıların tümü algoritmanın eğitim
tan çıkıp lojistik, sağlık, otonom araçlar gibi birçok
ticari alanda da kullanılmaya başlanmıştır. Günü- veya sınıflandırma aşamalarında saldırgan girdi
örneklerini (adversarial instances) kullanarak mo-
müzde bu kadar yaygınlaşmasının başlıca neden- delin manipülasyonunu hedeflemektedir.
lerinden bir tanesi, günümüz bilgisayarlarının he-
saplama gücünün, bu algoritmaların tasarlandığı Saldırgan girdi örnekleri, makine öğrenme model-
zamana göre çok ilerlemiş olmasıdır. Sahip oldu- lerini kandırmak için tasarlanmış kötü niyetli girdi-
ğumuz yüksek kapasiteli bilgisayarlar ve depolama lerdir. Bir saldırganın bakış açısıyla, yanlış sınıflan-
üniteleri sayesinde, algoritmaların ihtiyaç duyduğu dırılmış bir örnekle bir tespit sistemini atlatmaya ya
yüksek miktarda veriyi kayıt altına alarak sadece da makine öğrenmesi modelini eğitim aşamasında
bilgisayarların merkezi işlemcilerinde değil, aynı tutarlı bir şekilde yanlış sınıflandıracak şekilde öğ-
zamanda grafik kartlarının sahip olduğu grafik iş- renmeye zorlayabilirler.
leme birimleri (Graphical Processing Unit – GPU)
kullanılarak eğitim aşaması gerçekleştirilmekte ve Örnek Saldırı
günler veya haftalar sürecek bu faz, saatler veya Günlük yaşantımızdan bu duruma verilebilecek en
dakikalar seviyesine düşürülebilmektedir. iyi örnek siber güvenlik bileşenleridir. Kurumsal
ağlar üzerinde makine öğrenme modellerine daya-
Arkalarındaki matematiksel temeller birkaç on yıl lı olarak çalışacak IPS/IDS sistemlerinin, kurulum
önce geliştirilmiş olsa bile, güçlü GPU’ların nis- yapıldıkları yaklaşık 3 ay süresince ağ üzerinde veri
peten yeni ortaya çıkışıyla beraber, bu alanda yer toplama ve öğrenme sürecine devam edeceği, ilgili
alan araştırmacılar, karmaşık makine öğrenme ticari üreticiler tarafından belirtilmektedir. Bu 3 ay-
sistemlerini denemek ve oluşturmak için gerekli lık eğitim süresince ağ içerisinde yer alan bir sal-
hesaplama gücünü yeni elde etmişlerdir. Bugün, dırgan veya saldırganın geliştirdiği bir zararlı yazı-
bilgisayarla görü için kullanılan VGG19, ResNet, lım, pozitif örnek olarak işaretlenecek olan anomali
DenseNet ve Inception gibi son teknoloji modelleri, hareketleri, ağ paketleri üzerinde yapacağı etiket
birkaç milyon parametre içeren derin sinir ağların- değişikleri ile yaptığı işlemlerin zararsız olarak işa-
dan oluşmaktadır ve sadece on yıldır mevcut olan retleyebilir. Bu durumda, 3 ay sonunda kullanılacak
bir donanıma dayanmaktadır. olan zararlı ağ tespit modeli, hatalı veriyle eğitilmiş
olacağı için hatalı sınıflandırma işlemi yapacaktır.
Yapay zekâ alanında gerçekleşen bu göz kamaştı- Bu tip saldırılara etiket değişikliği saldırısı (label
rıcı ilerlemeye rağmen, diğer yeni teknolojilerin göz flipping attack) adı verilmektedir ve eğitim aşama-
ardı ettiği ve ilerleyen zamanlarda büyük problem- sında geçmektedir.
ler yaşadığı güvenlik konusu, yine ihmal edilmekte-
dir. TCP/IP protokolü, ilk tasarlandığı zaman, ölçek Ek olarak saldırgan, girdi örneklerinde manipü-
olarak oldukça az sayıda bilgisayarın bağlı olduğu lasyonlar yaparak modeli atlatabilir. Buna verile-
bir ağ üzerinde olması nedeniyle güvenlik konusu bilecek örneklerden bir tanesi, ikili sınıflandırma
düşünülmeden geliştirilmiştir. İnternet’in ölçek ve yöntemlerinden olan lojistik regresyon yönteminin
karmaşıklığının hızla artmasıyla beraber, tasarım- atlatılmasıdır.
Yapay zekâ artık sadece araştırma merkezleri ve cıların öngöremediği bu protokol eksikliklerinden Lojistik reg-
çok
üniversitelerde kullanılır olmaktan çıkmış; lojistik, faydalanan saldırganlar, günümüzde etkilerini hala resyon olarak
kısa
sürdürebilmektedir.
sağlık, otonom araçlar gibi birçok ticari alanda da anlatılacak
kullanılmaya başlanmıştır. x 2 -1 3 -2 2 2 1 -4 5 1 Girdi (Input)

w -1 -1 1 -1 1 -1 1 1 -1 1 Ağırlık (Weights)
w x -2 1 3 2 2 -2 1 -4 -5 1 Sonuç (Result): -3
T
Tablo 1: Manipüle edilmemiş girdi örneğinin lojistik regresyon model sonucu

58 59