Sentetik Sağlık Hizmetleri Verileri Kullanılarak Açıklanabilir Yapay Zeka Güdümlü Güvenli Bulut Veri Migrasyonu İçin Bir Deneysel Protokol

Özet

Bu yöntem, kontrollü bir bulut ortamında sentetik bir sağlık veri seti kullanarak, güvenli sağlık bulut veri göçünü sağlamak için kapsamlı bir açıklanabilir yapay zeka (XAI) tabanlı çerçeve sunmaktadır. Ortaya çıkan prototip; göç şeffaflığını ve güvenliğini desteklemek için sıfır güven güvenliği, zaman tabanlı erişim kontrolü ve açıklanabilir anomali tespitini birleştirmektedir.

Özet

Sağlık sistemlerinde bulut veri taşıma işlemleri giderek artmaktadır, ancak bu durum aynı zamanda veri transferinin güvenlik açısından muhtemelen en büyük risk olduğu zamanları da değiştirmektedir. Bu makale, sentetik bir sağlık veri seti ve kontrollü bir bulut ortamı kullanarak, açıklanabilir yapay zeka (XAI) tabanlı güvenli bulut veri taşıma için tekrarlanabilir bir protokol tanımlamaktadır. Geliştirilen çerçeve; daha güvenli, şeffaf ve denetlenebilir bir taşıma gerçekleştirmek amacıyla sıfır güven mimarisini, zamansal en az ayrıcalık ilkesini, şifreli iletişimi, merkezi izlemeyi ve açıklanabilir anomali tespitini birleştirmektedir. Testlerde, 28 ilişkisel tabloya yayılmış yaklaşık 20 milyon kayıttan oluşan 10 GB boyutunda sentetik elektronik sağlık kayıtları veri seti kullanılmıştır. Taşıma işlemi, Amazon Web Services (AWS) üzerinde PostgreSQL veritabanları ve özel sanal ağlar kullanılarak gerçekleştirilmiştir. Anomali tespiti için Isolation Forest kullanılırken, güvenli olay yorumlaması için Shapley additive explanations (SHAP) kullanılmıştır. Çerçeve; kimlik bilgisi ifşa süresi, olay tespit süresi, anomali tespit doğruluğu, taşıma gecikmesi ve veri bütünlüğü gibi metrikler kullanılarak on ayrı taşıma denemesi üzerinde değerlendirilmiştir. Test edilen konfigürasyon altında, kimlik bilgisi ifşası 24 h'den 1 h'ye düşürülmüş (%95,8 azalma), anomali tespit doğruluğu %97,4 olarak gerçekleşmiş, olay tespit süresi yaklaşık 15 min'e indirilmiş ve toplam kontrol toplamı (checksum) doğrulaması ile %100 veri bütünlüğü korunmuştur. Bununla birlikte, daha güçlü güvenlik önlemleri, ortalama taşıma gecikmesinde %11'lik bir artışa neden olmuştur. Bu sonuçlar, sağlık verilerinin yönetimi için açıklanabilir yapay zekanın güvenli bulut taşıma iş akışlarıyla birleştirilmesinin sunduğu potansiyeli ortaya koymaktadır.

Giriş

Bulut bilişim, ölçeklenebilir depolama, hesaplama kaynakları ve sağlık kayıtlarının değişimini sağlama, karar destek sistemlerini destekleme ve bulut üzerinden sağlık analizlerini mümkün kılma yetenekleri sunarak dünya genelindeki sağlık sistemlerinin ayrılmaz bir parçası haline gelmiştir^1,2,3. Birçok sağlık kuruluşunun bilgi sistemlerini yükseltmesiyle birlikte, eski yerleşik sistemlerde tutulan hassas sağlık verilerini buluta aktarmak amacıyla bulut sistemlerine geçiş, onlar için hayati bir adım haline gelmiştir⁴. Doğru taşıma işlemi, verilerin daha kolay geri çağrılmasını, operasyonların daha verimli bir şekilde yürütülmesini ve daha yüksek zeka seviyelerinde analizlerin desteklenmesini sağlar; ancak aynı zamanda, verilerin bir yerden başka bir yere taşınmasının beraberinde getirdiği oldukça ciddi güvenlik ve gizlilik riskleri göz ardı edilemez⁵.

Sürecin doğası gereği sağlık verilerinin sistemler ve ağlar arasında aktif olarak taşındığı göç aşaması, veri yaşam döngüsündeki en hassas anlardan biridir⁶. Ayrıca kuruluşlar, göç aşaması sırasında kimlik bilgilerinin çalınması, yetkisiz erişim, verilerin ele geçirilmesi, manipülasyon şemaları ve hatta veri kaybı gibi tehditlere maruz kalabilirler^6,7. Hasta bilgilerinin yüksek derecede hassas olması ve bu nedenle düzenleyici ve güvenlik önlemlerine en üst düzeyde uyum gerektirmesi, sağlık ortamlarını bu tür risklere karşı daha savunmasız hale getirmektedir^8,9. Bunun eksikliğinde, göç iş akışı güvence altına alınmadığı ve gözlemlenebilir hale getirilmediği sürece veri gizliliğini, bütünlüğünü ve hesap verebilirliğini sağlamak mümkün değildir^10,11.

Bulut güvenliğini iyileştirmeye yönelik bir dizi güvenlik çerçevesi ve standardı geliştirilmiştir. Örneğin, Ulusal Standartlar ve Teknoloji Enstitüsü (NIST) Sıfır Güven Mimarisi, kullanıcıların, cihazların ve hizmetlerin her an doğrulanması üzerine kuruluyken¹², bulut benimseme çerçeveleri yönetişim, kimlik yönetimi, şifreleme ve izleme konularında yönlendirmeler sunar¹³. Aslında günümüz bulut güvenliği yöntemleri otomasyona, kod olarak altyapıya ve sürekli izlemeye odaklanmaktadır^14,15. Bu tür yaklaşımlar değerli güvenlik ilkelerine dayansa da, büyük ölçüde migrasyon sürecinin kendisinden ziyade genel bulut dağıtımı ve operasyonel ortamlarla ilgilenmektedir¹⁶. Gerçekte ise bu yöntemler; kimlik yönetimi, güvenli veri transferi, doğrulama, izleme ve migrasyon sonrası sıkılaştırmayı birleştiren güvenli sağlık hizmetleri bulut veri migrasyon iş akışlarını gerçekleştirmek için adım adım, ayrıntılı ve tekrarlanabilir prosedürleri neredeyse hiç sunmamaktadır¹⁷.

Makine öğrenimi anomali tespiti, bulut ortamlarının güvenlik izlemesinde yardımcı bir teknoloji olarak kabul edilmiştir. Bu yöntem, anormal sistem etkinliklerinin yanı sıra potansiyel güvenlik olaylarını da tespit eder¹⁸. Buna rağmen, birçok anomali tespit yöntemi, bir güvenlik olayının işaretlenmesinin arkasındaki mantığa dair açıklamalar sunamayan kapalı sistemlerdir¹⁹. Sistemin verdiği kararları açıklayamaması, yöneticilerin güvenilirliğini azaltır, denetimi zorlaştırır ve yüksek düzeyde düzenlemeye tabi sağlık ortamlarındaki otomatik güvenlik kararlarının değerini düşürür²⁰. SHapley Additive exPlanations (SHAP) ve Local Interpretable Model-agnostic Explanations (LIME) gibi açıklanabilir yapay zeka (XAI) yöntemleri, yalnızca makine öğrenimi tahminleri için net açıklamalar sağlamakla kalmaz, aynı zamanda güvenlik izleme sistemlerindeki anlayışı, hesap verebilirliği ve güveni de artırır^21,22.

Bulut güvenliği ve açıklanabilir yapay zeka büyük ilerlemeler kaydetmiş olsa da, entegrasyon amacıyla güvenli taşıma kontrollerini açıklanabilir güvenlik izleme ile birleştiren tekrarlanabilir deneysel protokollerin eksikliği hala devam etmektedir²³. Mevcut araştırmalar çoğunlukla yalnızca şifreleme, erişim kontrolü, anomali tespiti veya bulut yönetişimi gibi tekil bileşenleri ele almaktadır ve hiçbirinde sistematik olarak uygulanabilen, değerlendirilebilen ve tekrarlanabilen entegre bir metodoloji sunulmamaktadır²⁴. Buna ek olarak, sıfır güven güvenlik ilkelerini, zamansal minimum ayrıcalığı, merkezi gözlemlenebilirliği ve açıklanabilir anomali tespitini tek bir sağlık hizmetleri bulut taşıma iş akışında bir araya getirmeye çalışan çalışma sayısı oldukça azdır^25,26.

Bu makale, söz konusu boşluğu doldurmak amacıyla sağlık sistemlerinde güvenli bulut veri taşıması için Açıklanabilir Yapay Zeka tabanlı bir çerçeve sunmaktadır. Önerilen mimari; düzenli bir taşıma süreci içerisinde sıfır güven modeli, süre kısıtlı erişim, güvenli iletişim, merkezi günlükleme ve izleme ile SHAP tabanlı yorumlanabilir anomali tespitini kullanmaktadır^27,28. Protokol; güvenli sağlık verisi taşımasının deneysel koşullar altında uygulanması, izlenmesi ve değerlendirilmesi için adım adım bir kılavuz niteliğindedir. Güvenlik kontrollerini YZ yorumlanabilir izleme ile birleştiren önerilen çerçeve; taşıma yaşam döngüsü boyunca şeffaflık, denetlenebilirlik ve güvenlik düzeyini artırmayı hedeflemektedir^29,30.

Protokol

Bu çalışmada, güvenli bulut veri migrasyonunun deneysel değerlendirmesi için oluşturulmuş tamamen sentetik bir sağlık hizmetleri veri seti kullanılmıştır. Gerçek hasta verisi, korumalı sağlık bilgisi (PHI) veya tanımlanabilir sağlık kayıtları kullanılmamıştır. Bu nedenle, Kurumsal İnceleme Kurulu onayı ve bilgilendirilmiş onam gerekmemiştir. Bu çalışmada kullanılan tüm malzemeler Malzeme Tablosu'nda yer almaktadır.

1. Genel Bakış

1. Kaynak katmanı, migrasyon merkezi katmanı, hedef katmanı, ağ katmanı, kimlik ve erişim yönetimi katmanı, gözlemlenebilirlik katmanı ve açıklanabilir yapay zeka katmanından oluşan güvenli bir bulut migrasyon ortamı yapılandırın.
2. Güvenli sağlık verileri migrasyonunu desteklemek için tüm bileşenleri izole bulut ortamlarına dağıtın. Tüm sistem bileşenleri arasında şifreli iletişim kanalları kurun.
3. Protokolü; veri seti hazırlığı, ortam yapılandırması, mimari dağıtımı, güvenli migrasyon, anomali izleme ve migrasyon sonrası doğrulama aşamalarıyla yürütün. Önerilen Açıklanabilir Yapay Zeka destekli güvenli bulut veri migrasyon çerçevesinin genel mimarisi Şekil 1'de gösterilmiştir.

Şekil 1: Sağlık sistemleri için açıklanabilir yapay zeka (XAI) destekli güvenli bulut veri taşıma çerçevesinin genel mimarisi. Çerçeve; kimlik ve erişim yönetimi katmanı, kaynak veritabanı katmanı, taşıma merkezi katmanı, hedef bulut veritabanı katmanı, ağ güvenliği katmanı, gözlemlenebilirlik katmanı, açıklanabilir yapay zeka izleme katmanı ve yatay güvenlik ve yönetişim hizmetlerinden oluşmaktadır. Mimari; güvenli, şeffaf ve tekrarlanabilir sağlık veritabanı taşıması sağlamak için zamana bağlı en düşük yetki erişim kontrolü, TLS 1.3 şifreli iletişimi, toplam kontrol toplamı tabanlı bütünlük doğrulaması, sürekli güvenlik izlemesi ve SHAP tabanlı açıklanabilirliği entegre etmektedir. Bu şekil, yazarlar tarafından Microsoft PowerPoint (Microsoft 365) kullanılarak oluşturulmuştur. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

2. Hesaplamalı ortam yapılandırması

1. Hesaplama ortamını yapılandırın
   1. Güvenli bulut veri geçişi ve açıklanabilir yapay zeka tabanlı izleme için gerekli hesaplama kaynaklarını hazırlayın.
   2. Materyaller Tablosu'nda listelenen tüm donanımları, yazılımları, bulut hizmetlerini, veritabanlarını, güvenlik araçlarını ve makine öğrenimi kütüphanelerini kurun ve yapılandırın. Geçiş deneyini başlatmadan önce tüm gerekli bileşenlerin çalışır durumda olduğunu doğrulayın.
2. Bulut ortamını yapılandırın
   1. Sağlık verileri geçişi için güvenli bir bulut ortamı kurun. Kaynak, geçiş merkezi ve hedef sistemler arasında kesintisiz iletişim sağlamak için özel bir VPC oluşturun. Güçlü şifrelemeyi yalnızca veriler depolanırken değil, iletilirken de kullanın.
   2. Hedef veritabanını ve geçiş hizmetlerini Materyaller Tablosu'nda belirtilen ayrıntılara göre hazırlayın.
3. Kimlik ve erişim yönetimini yapılandırın. İzleme ve günlükleme hizmetlerini yapılandırın.

3. Veri seti hazırlama ve tanımlama

1. Materyaller Tablosu'nda listelenen Faker Python kütüphanesini kullanarak sentetik bir sağlık veri seti oluşturun. Hasta yaşı, cinsiyeti, etnik kökeni ve coğrafi konumu dahil olmak üzere demografik özellikleri, önceden tanımlanmış olasılık dağılımlarını kullanarak yapılandırın.
2. Gerçekçi klinik ilişkileri koruyarak; tanılar, laboratuvar sonuçları, ilaçlar, alerjiler, prosedürler ve hastane yatışlarını içeren klinik bilgileri oluşturun.
3. Önceden tanımlanmış ziyaret sıklığı dağılımlarına göre tekil hastalara birden fazla ziyaret atayarak boylamsal hasta karşılaşmaları oluşturun.
4. Kronolojik olay sıralaması kullanarak yatışlar, laboratuvar incelemeleri, ilaç uygulamaları, taburcu özetleri ve denetim günlükleri için zaman damgaları oluşturun.
5. Önceden tanımlanmış veri kalitesi dağılımlarına göre klinik olarak gerçekçi eksik değerler, yinelenen kayıtlar ve uç değer gözlemleri ekleyin.
6. Tüm kişisel tanımlanabilir bilgileri, Faker kütüphanesi kullanılarak oluşturulan sentetik değerlerle değiştirin. Veri setini dışa aktarmadan önce referans bütünlüğünü ve mantıksal tutarlılığı doğrulayın. Doğrulanan veri setini PostgreSQL uyumlu SQL formatında dışa aktarın. Veri setini gerçekçi sağlık verisi taşıma senaryolarını destekleyecek şekilde yapılandırın. Oluşturulan veri setinin özellikleri Tablo 1'de özetlenmiştir.
7. Veritabanı ilişkilerini tanımlayın. Hasta tablosu için Patient_ID'yi birincil anahtar olarak atayın. Hasta, ziyaret, laboratuvar, ilaç ve denetim günlüğü tabloları arasında yabancı anahtar ilişkileri kurun. Taşıma işlemini başlatmadan önce tüm tablolarda referans bütünlüğünü doğrulayın.
8. Gerçekçi sağlık verisi özelliklerini simüle edin. Hasta yaşlarını normal dağılım kullanarak oluşturun. Ziyaret sıklıklarını Poisson dağılımı kullanarak oluşturun. Gerçek dünyadaki EHR eksikliğini simüle etmek için %5 oranında eksik değerler ekleyin. Taşıma öncesinde tüm hasta tanımlayıcılarını hashlenmiş değerlerle değiştirin. Oluşturulan tüm kayıtların önceden tanımlanmış şema kısıtlamalarına uygun olduğunu doğrulayın.
9. Taşıma öncesinde; şema tutarlılığını, referans bütünlüğünü, eksik değerleri, yinelenen kayıtları ve önceden tanımlanmış kalite kısıtlamalarını kontrol ederek oluşturulan veri setini doğrulayın.

Parametre	Değer
Veri Kümesi Türü	Sentetik Sağlık Hizmetleri EHR Veri Kümesi
Veri Kümesi Boyutu	10 GB
Toplam Kayıt	20 Milyon
Tablo Sayısı	5 Ana Tablo- 28 ilişkisel tablo
Hasta Kayıtları	5,000,000
Vizit Kayıtları	10,000,000
Laboratuvar Sonuçları	4,000,000
İlaç Kayıtları	3,000,000
Denetim Günlükleri	5,000,000
Birincil Anahtar	Patient_ID
Eksik Değer Oranı	5%
Yaş Dağılımı	Normal Dağılım
Vizit Sıklığı	Poisson Dağılımı
Bütünlük Eşiği	<0.1% İhlal

Tablo 1: Protokol doğrulamasında kullanılan sentetik sağlık hizmetleri veri setinin özellikleri. Tablo; veri tabanı boyutu, ilişkisel tablo sayısı, toplam kayıtlar, hasta öznitelikleri, klinik değişkenler ve güvenli migrasyon deneylerini yeniden üretmek için doğrulama karakteristikleri gibi veri setine genel bir bakış sunar.

4. Sistem mimarisi dağıtımı

1. Kaynak katmanı, migrasyon merkezi katmanı, hedef katmanı, ağ güvenliği katmanı, gözlemlenebilirlik katmanı ve açıklanabilir yapay zeka katmanından oluşan güvenli bulut migrasyon mimarisini konuşlandırın. Bu çalışmada kullanılan konuşlandırılmış sistem mimarisi Şekil 2'de gösterilmiştir.
2. Çerçeve, migrasyon süreci boyunca fonksiyonlarını sırayla yerine getiren altı çalışma katmanından oluşur. İlk katman olan Kaynak Katmanı, sentetik sağlık hizmetleri veri tabanını içeren katmandır.
3. Migrasyon Merkezi; şema çıkarma, şifreli veri transferi, bütünlük doğrulaması ve migrasyon orkestrasyonundan sorumludur. Hedef katmanı, migre edilen veri tabanının Amazon RDS PostgreSQL üzerinde saklandığı yerdir.
4. Ağ güvenliği katmanı; özel VPC uç noktaları, TLS 1.3 şifrelemesi, güvenlik grupları ve ağ erişim kontrol listeleri kullanarak tüm iletişimi koruyan katmandır.
5. Gözlemlenebilirlik katmanı; Amazon CloudWatch yardımıyla kimlik doğrulama günlüklerini, migrasyon günlüklerini, veri tabanı etkinlik günlüklerini ve güvenlik olaylarını sürekli olarak toplayan katmandır.
6. Açıklanabilir yapay zeka katmanı; toplanan güvenlik telemetrisini alan, bunu bir Isolation Forest algoritmasından geçiren ve bulunan anomaliler için SHAP tabanlı açıklamalar üreten katmandır. Tüm mimari katmanlar, tüm migrasyon iş akışı boyunca kimliği doğrulanmış özel ağ kanalları üzerinden birbirleriyle iletişim kurar.
7. Migrasyondan önce güvenli erişimi ve veri kullanılabilirliğini sağlamak için kaynak veri tabanı ortamını konuşlandırın ve doğrulayın.
   1. Sentetik sağlık hizmetleri veri seti ile bir PostgreSQL 16 veri tabanı kurun. Hasta bilgilerini, ziyaret detaylarını, laboratuvar sonuçlarını, ilaç kayıtlarını ve denetim günlüklerini kaynak veri tabanında tutun.
   2. Veri tabanı erişimini yalnızca yetkili migrasyon servisleri ve yönetici kullanıcılarla sınırlandırın. Migrasyon işlemlerini başlatmadan önce veri tabanı kullanılabilirliğini ve bağlantısını doğrulayın.
8. Şema çıkarma, şifreli veri transferi ve migrasyon orkestrasyonunu koordine etmek için migrasyon merkezini yapılandırın.
   1. Özel Sanal Özel Bulut (VPC) içinde özel bir migrasyon sunucusu konuşlandırın. Şema çıkarma, veri transferi ve doğrulama faaliyetlerini koordine etmek için migrasyon orkestrasyon servislerini yapılandırın.
   2. Kaynak ve hedef ortamlar arasındaki uyumluluğu doğrulamak için şema doğrulama servislerini etkinleştirin. Transfer sırasında ve sonrasında migre edilen verileri doğrulamak için bütünlük doğrulama servislerini etkinleştirin. Migrasyon görevlerini yürütmeden önce migrasyon merkezi ile veri tabanı sistemleri arasındaki iletişimi doğrulayın.
9. Hedef Katmanını konuşlandırın. Hedef veri tabanı ortamı olarak Amazon RDS PostgreSQL 16'yı konuşlandırın. Otomatik yedekleme ve kurtarma servislerini etkinleştirin. Hedef veri tabanı içinde saklanan veriler için AES-256 şifrelemesini etkinleştirin.
10. Ağ Güvenliğini yapılandırın. Migrasyon kaynaklarıyla ilişkili tüm genel IP adreslerini devre dışı bırakın. İletişime yalnızca VPC içindeki özel uç noktalar üzerinden izin verin. Ağ erişim kontrol listelerini (NACL) ve güvenlik gruplarını yapılandırın. Sistem bileşenleri arasındaki tüm iletişimler için TLS 1.3 şifrelemesini etkinleştirin. Aktif durumda hiçbir genel erişimli uç nokta kalmadığını doğrulayın.
11. Güvenlik olaylarını, migrasyon günlüklerini ve sistem performans metriklerini sürekli olarak toplamak için merkezi izlemeyi yapılandırın.
    1. Amazon CloudWatch günlükleme ve izleme servislerini etkinleştirin. Kimlik doğrulama günlüklerini, migrasyon günlüklerini, veri tabanı etkinlik günlüklerini ve güvenlik olayı günlüklerini toplayın. Günlük saklama süresini 365 gün olarak yapılandırın. Denetim ve uyumluluk gerekliliklerini desteklemek için değiştirilemez günlük depolamasını etkinleştirin. Gerçek zamanlı metrik toplama ve uyarı oluşturma işlemlerini doğrulayın.
12. Gerçek zamanlı anomali tespiti yapmak ve yorumlanabilir güvenlik açıklamaları oluşturmak için açıklanabilir yapay zeka ortamını yapılandırın.
    1. İzleme ortamı içinde anomali tespiti servislerini konuşlandırın. Migrasyon sırasında oluşturulan güvenlik telemetrisini işlemek için Açıklanabilir Yapay Zeka çerçevesini yapılandırın. Kaynaktan, migrasyon merkezinden, hedef veri tabanından ve izleme servislerinden gelen güvenlik telemetri akışlarını bağlayın.
    2. Gerçek zamanlı anomali tespitini ve SHAP tabanlı açıklama üretimini etkinleştirin. Migrasyon deneylerini başlatmadan önce telemetri verilerinin başarılı bir şekilde alındığını doğrulayın.

Şekil 2: Güvenli sağlık hizmetleri bulut taşıma çerçevesinin dağıtım mimarisi. Dağıtım ortamı; sentetik sağlık veri setini içeren kaynak PostgreSQL veritabanını, özel bir sanal özel bulut (VPC) içindeki tahsis edilmiş taşıma merkezini, Amazon RDS PostgreSQL hedef veritabanını, ağ güvenlik katmanını, Amazon CloudWatch aracılığıyla merkezi gözlemlenebilirliği ve Açıklanabilir Yapay Zeka izleme katmanını göstermektedir. Tüm iletişim, TLS 1.3 şifrelemesi ile korunan özel uç noktalar üzerinden gerçekleşir. Bu şekil, yazarlar tarafından Microsoft PowerPoint (Microsoft 365) kullanılarak oluşturulmuştur. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayınız.

5. Güvenli taşıma iş akışı

NOT: Tehdit modellemesi, şema aktarımı, güvenli veri taşıma, taşıma doğrulaması ve taşıma sonrası sıkılaştırma işlemlerini gerçekleştirerek güvenli taşıma iş akışını yürütün.

1. Migrasyon sürecini başlatmadan önce potansiyel güvenlik tehditlerini belirleyin ve uygun azaltma kontrollerini haritalandırın.
   1. Migrasyon varlıklarını, potansiyel saldırı vektörlerini ve gerçekçi siber saldırı senaryolarını belirleyin.
   2. Ele geçirilmiş kimlik doğrulama belirteçlerinden kaynaklanan kimlik bilgisi hırsızlığını, yetkisiz yönetici erişimini içeren içeriden yapılan saldırıları, daha önce yakalanmış kimlik doğrulama isteklerini hedefleyen yeniden oynatma saldırılarını, şifrelenmiş iletişim kanallarını yakalamaya çalışan aradaki adam (MITM) saldırılarını, migrasyon sırasında veritabanı yapılarını değiştirmeyi amaçlayan şema kurcalamalarını ve yetkisiz yönetici izinleri elde etmeyi hedefleyen yetki yükseltme saldırılarını değerlendirin.
   3. Geçici en az ayrıcalıklı kimlik bilgisi yönetiminin kullanımının, kimlik bilgisi hırsızlığını ve yetki yükseltme saldırılarını önlemede yeterli olup olmadığını kontrol edin. TLS 1.3 ile şifrelenen iletişimin yeniden oynatma saldırılarına ve aradaki adam saldırılarına karşı koruma sağladığını doğrulayın.
   4. Kimlik ve erişim yönetimi (IAM) politikalarının yetkisiz yönetici erişimini önlediğini doğrulayın. Sürekli denetim günlüklerinin, güvenlikle ilgili tüm migrasyon faaliyetlerinin kaydını tuttuğunu doğrulayın. SHA-256 sağlama toplamı ile yapılan kontrolün, şema veya verilerdeki yetkisiz değişiklikleri tespit edebildiğinden emin olun.
   5. Açıklanabilir anomali tespit çerçevesinin olağandışı migrasyon faaliyetlerini konumlandırabildiğini ve aynı zamanda yorumlanabilir güvenlik açıklamaları sağlayabildiğini doğrulayın. Belirlenen her tehdit için bir güvenlik kontrol haritası oluşturun. Veritabanını taşımaya başlamadan önce tanımlanan tüm tehditlerin yeterince azaltıldığını doğrulayın. Yazarlar, tehdit modelini ve güvenlik kontrollerini Tablo 2'de özetlemiştir.
2. Veritabanı Şemasını Aktarın. Kaynak PostgreSQL veritabanından şema tanımlarını çıkarın. Şema uyumluluğunu hedef veritabanı ortamı ile doğrulayın. Tablo yapılarını, birincil anahtarları, yabancı anahtarları, indeksleri ve kısıtlamaları doğrulayın. Doğrulanan şema tanımlarını hedef veritabanına yerleştirin. Verileri aktarmadan önce şemanın başarıyla yerleştirildiğini onaylayın.
3. Migrasyon faaliyetlerini sürekli izleyerek, sağlık verilerini şifrelenmiş iletişim kanalları üzerinden güvenli bir şekilde taşıyın.
   1. Migrasyon toplu işlem boyutunu işlem başına 10.000 kayıt olarak yapılandırın. TLS 1.3 kullanarak şifreli iletişim kanalları kurun. Verileri sanal özel bulut (VPC) içindeki özel ağ uç noktaları üzerinden aktarın.
   2. Başarısız işlemler için en fazla üç yeniden deneme ile otomatik yeniden deneme girişimlerini etkinleştirin.
      ​Veri aktarım hızını 100 MB/s ile 150 MB/s arasında tutun. Aktarım süreci boyunca migrasyon faaliyetlerini sürekli izleyin. Tüm migrasyon olaylarını merkezi denetim günlüklerine kaydedin.
4. Sağlama toplamlarını, kayıt sayılarını ve veritabanı yapılarını karşılaştırarak migrasyonun tamamlandığını ve bütünlüğünü doğrulayın.
   1. Migrasyondan önce tüm kaynak tablolar için SHA-256 karma değerlerini ve migrasyondan sonra tüm hedef tablolar için SHA-256 karma değerlerini oluşturun. Kaynak ve hedef sağlama toplamı değerlerini eşleştirin. Kaynak ve hedef veritabanları için satır sayılarını çapraz kontrol edin. Şemaların, tablo ilişkilerinin ve veritabanı kısıtlamalarının tutarlılığını kontrol edin. Migrasyonu yalnızca sağlama toplamı değerleri, kayıt sayıları ve şema yapıları özdeş olduğunda başarılı olarak değerlendirin.
5. Veri migrasyonunun başarıyla tamamlanmasının ardından geçici ayrıcalıkları kaldırın ve güvenlik kontrollerini kesinleştirin.
   1. Migrasyon tamamlandıktan hemen sonra tüm geçici migrasyon kimlik bilgilerini iptal edin. Servis hesaplarındaki yükseltilmiş migrasyon ayrıcalıklarını kaldırın. Denetim günlüklerini ve güvenlik izleme kayıtlarını arşivleyin.
   2. Yedekleme prosedürlerinin başarıyla tamamlandığını doğrulayın. Geçici migrasyon sunucularını ve destekleyici kaynakları devre dışı bırakın. Taşınan ortamın nihai bir güvenlik incelemesini gerçekleştirin. Migrasyon sonuçlarını ve doğrulama sonuçlarını belgeleyin. Bu çalışmada kullanılan eksiksiz güvenli migrasyon iş akışı Şekil 3'te gösterilmiştir.

Tehdit Senaryosu	Güvenlik Kontrolü	Saptama Yöntemi	Hafifletme
Kimlik bilgisi hırsızlığı	Zamansal En Az Yetki (TLP)	IAM günlükleri	Otomatik kimlik bilgisi iptali
İçeriden saldırı	Rol Tabanlı Erişim Kontrolü (RBAC)	Denetim günlükleri + SHAP	Oturum sonlandırma
Yeniden oynatma saldırısı	TLS 1.3 + Nonce doğrulaması	Ağ izleme	Yinelenen istekleri reddedin
Aradaki Adam (MITM)	TLS 1.3 şifrelemesi	Sertifika doğrulaması	Şifreli iletişim
Şema manipülasyonu	SHA-256 kontrol toplamı + şema doğrulaması	Bütünlük doğrulaması	Doğrulanmış şemayı geri yükle
Yetki yükseltme	IAM politika uygulaması	Güvenlik günlükleri	Yetki iptali

Tablo 2: Önerilen migrasyon çerçevesindeki tehdit modeli ve alınan ilgili güvenlik önlemleri.Tablo; sıfır güvenliğe dayalı güvenlik ilkeleri, şifreleme, kimlik yönetimi, bütünlük doğrulaması, izleme ve açıklanabilir anomali tespiti temelinde, temel temsili güvenlik tehditlerini ve bunlara karşılık gelen azaltma mekanizmalarını özetlemektedir.

Şekil 3: Önerilen güvenli bulut veritabanı taşıma protokolünün iş akışı. Protokol yedi ardışık aşamadan oluşmaktadır: tehdit modelleme, şema aktarımı, güvenli veritabanı taşıma, taşınan verilerin doğrulanması, taşıma sonrası sıkılaştırma, denetim günlüğü ve arşivleme ve taşıma tamamlanması. Güvenlik izleme, şifreli iletişim, kimlik yönetimi, değişmez günlük kaydı ve açıklanabilir anomali tespiti, taşıma iş akışı boyunca sürdürülür. Bu şekil, yazarlar tarafından Microsoft PowerPoint (Microsoft 365) kullanılarak oluşturulmuştur. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

6. Açıklanabilir yapay zeka izlemesini yapılandırın

NOT: Sürecin ana hatları şöyledir: göç güvenliği özelliklerinin belirlenmesi, düzensizlikleri tespit etmek için bir model oluşturulması, göç eylemlerinin ne zaman şüpheli olduğunun tanınması ve SHAP yorumlama yöntemleri aracılığıyla açıklanabilir sonuçların üretilmesi.

1. Anomali tespiti ve açıklanabilirlik analizi için gerekli olan güvenlik telemetri özelliklerini çıkarın ve ön işlemeden geçirin.
   1. Veritabanı sunucularından, kimlik doğrulama sunucularından, uygulama sunucularından ve ağ izleme sistemlerinden güvenlik günlüklerini toplayın. Migrasyonla ilgili tüm olayları merkezi bir günlük deposunda birleştirin. Yinelenen kayıtları ve eksik girişleri kaldırın. Tüm günlük kaynaklarındaki zaman damgalarını koordineli evrensel zaman (UTC) kullanarak senkronize edin.
   2. Migrasyon işlemleri sırasında her kullanıcı için erişim sıklığını hesaplayın. Her hesapla ilişkili başarısız giriş denemelerinin sayısını kaydedin. Migrasyon oturumları boyunca kaynak IP adreslerindeki değişiklikleri izleyin.
   3. Kullanıcı oturum süresini giriş başlangıcından sonlanmaya kadar ölçün. Migrasyon faaliyetleri sırasındaki gelen ve giden veri transfer hacimlerini hesaplayın. Çıkarılan tüm özellikleri Min-Max normalizasyonu kullanarak normalize edin.
   4. Tablo 3, anomali tespiti ve açıklanabilirlik analizi için kullanılan güvenlik özelliklerini özetlemektedir.
2. Hazırlanan güvenlik özelliği veri setini kullanarak Isolation Forest modelini eğitin ve doğrulayın.
   1. Veri setini bölümlere ayırın. Veri setini rastgele Eğitim seti (%70), Doğrulama seti (%15) ve Test seti (%15) olarak bölün. Tüm alt kümelerde normal ve anormal olayların tutarlı bir dağılımını sağlayın.
   2. Açıklanabilir YZ Model Seçimi. Etiketli eğitim verilerine ihtiyaç duymadan anormal migrasyon faaliyetlerini verimli bir şekilde tespit ettiği için Isolation Forest algoritmasını seçin. Özellik uzayının özyinelemeli rastgele bölümlenmesi yoluyla anormal gözlemleri izole etmek için algoritmayı kullanın.
   3. Her bir güvenlik özelliğinin anomali tahminine olan katkısını nicelleştirmek ve güvenlik izleme sürecinin şeffaflığını artırmak için SHAP TreeExplainer'ı uygulayın.
   4. Anomali tespit modelini yapılandırın. Bir Isolation Forest modeli başlatın. Modeli Tablo 4'te listelenen parametreleri kullanarak yapılandırın.
   5. Anomali skorlarını hesaplamak ve özellik katkılarını açıklamak için kullanılan matematiksel formülasyonu tanımlayın.
      1. Her migrasyon olayı için güvenlik özellik vektörünü Denklem 1'de gösterildiği gibi tanımlayın.
         x_i = [x₁ , x₂, x₃, x₄, x₅ ] (1)
         burada x₁ erişim sıklığını, x₂ başarısız giriş sayısını, x₃ IP adresi değişim sıklığını, x₄ oturum süresini ve x₅ veri transfer hacmini ifade eder.
      2. Güvenlik özelliklerini migrasyon günlüklerinden çıkarın. Model eğitiminden önce tüm özellik değerlerini normalize edin. Denklem 2'yi kullanarak her migrasyon olayı için Isolation Forest anomali skorunu hesaplayın.
             (2)
         burada S(X,n) X gözleminin anomali skorunu, X güvenlik özellik vektörünü, E(h(X)) X gözleminin beklenen yol uzunluğunu, c(n) bir ikili arama ağacındaki başarısız aramaların ortalama yol uzunluğunu ve n toplam eğitim örnek sayısını ifade eder. Normalizasyon faktörü Denklem 3'te gösterildiği gibi hesaplanır.
            (3)
         burada H(n-1) (n-1). harmonik sayıyı ifade eder.
      3. Anomali skorları önceden tanımlanmış karar eşiğinden büyük olan migrasyon olaylarını anormal olarak sınıflandırın.
      4. Her bir güvenlik özelliğinin anomali tahminine katkısını açıklamak için SHAP (SHapley Additive exPlanations) uygulayın. Denklem 4'ü kullanarak i özelliği için SHAP değerini hesaplayın.
            (4)
         burada (F) tüm özellik setini, (S) özelliklerin bir alt kümesini ve (f(.)) Isolation Forest tahmin fonksiyonunu ifade eder.
      5. Denklem 5'i kullanarak ortalama mutlak SHAP değerini hesaplayarak küresel özellik önemini belirleyin.
             (5)
         ​burada (N) toplam migrasyon olayı sayısını ifade eder.
      6. Güvenlik özelliklerini ortalama mutlak SHAP değerlerine göre sıralayın. Küresel ve yerel özellik önemini görselleştirmek için SHAP özet grafikleri, bağımlılık grafikleri ve kuvvet grafikleri oluşturun.
   6. Eğitim veri setini kullanarak Isolation Forest modelini eğitin. Doğrulama veri setini kullanarak model performansını değerlendirin. Gerekirse kontaminasyon eşiklerini değiştirin. En iyi performansı gösteren model yapılandırmasını kaydedin. Model performansını doğrulayın. Doğruluk, kesinlik, duyarlılık, F1-skoru ve ROC-AUC gibi metrikleri belirleyin. Daha sonra karşılaştırmak için model performans ölçümlerini not edin.
3. Eğitilen modeli anormal migrasyon olaylarını tanımlamak ve şüpheli faaliyetleri sınıflandırmak için uygulayın.
   1. Anomali tahmini gerçekleştirin. Eğitilen Isolation Forest modelini test veri setine uygulayın. Tüm migrasyon olayları için anomali skorları oluşturun.
   2. Şüpheli faaliyetleri belirleyin. Migrasyon olaylarının tipik mi yoksa anormal mi olduğunu belirleyin. Önceden belirlenmiş anomali seviyelerini aşan olayları şüpheli olarak işaretleyin. Güvenlik incelemesi için anomali dokümantasyonu oluşturun.
   3. Anomali tespit sürecinin tamamlanması anomali skorları üretir, migrasyon olaylarını normal veya anormal olarak etiketler, ROC analizi yoluyla tespit etkinliğini ölçer ve temel güvenlik anomalilerini tespit eder. Tasarlanan süreç tarafından üretilen çıktı örnekleri Şekil 4'te gösterilmiştir.
   4. Tespit edilen anomalileri kategorize edin. Anomalileri kimlik doğrulama anomalileri, ağ anomalileri, oturum anomalileri ve veri transfer anomalileri olarak sınıflandırın. Açıklama analizi için anomali etiketlerini saklayın.
   5. Tespit performansını değerlendirin. Bugüne kadar kaydedilen güvenlik olaylarını kontrol edin. Ardından, bunları referans alarak tespit edilen anomalileri değerlendirin ve hangilerinin gerçek anomali olduğunu belirleyin. Anomalilerin tespit edilme oranını ve yanlış pozitif oranını belirleyin. Tekrar üretilebilmesi için tespit doğruluğu dokümantasyonunun resmi bir kaydını tutun.
4. Bireysel güvenlik özelliklerinin anomali tahminlerine olan katkısını yorumlamak için SHAP tabanlı açıklamalar oluşturun.
   1. SHAP ortamını yapılandırın. Eğitilen Isolation Forest modelini yükleyin. SHAP TreeExplainer'ı başlatın. Anomali tespit modeli ile açıklanabilirlik çerçevesi arasındaki başarılı entegrasyonu doğrulayın.
   2. Arka plan örneklerini seçin. Eğitim veri setinden rastgele 1.000 temsilci örnek seçin. Seçilen örnekleri SHAP arka plan veri seti olarak kullanın. SHAP değerlerini hesaplayın. Tespit edilen tüm anomaliler için SHAP değerlerini hesaplayın. Bireysel özelliklerin anomali tahminlerine katkısını ölçün. Daha sonraki analizler için SHAP çıktılarını saklayın.
   3. Küresel açıklamalar oluşturun. Genel özellik önemini gösteren SHAP özet grafikleri oluşturun. Ortalama mutlak SHAP değerlerine dayalı SHAP çubuk grafikleri oluşturun. Çok etkili özellikler için SHAP bağımlılık grafikleri üretin.
   4. Yerel açıklamalar oluşturun. Temsili anormal migrasyon olaylarını seçin. SHAP kuvvet grafikleri ve şelale grafikleri oluşturun. Her bir anomaliden sorumlu özellik katkılarını görselleştirin.
   5. Yorumlama süreci sırasında oluşturulan temsilci açıklanabilirlik çıktıları Şekil 5'te gösterilmiştir. Bu görselleştirmeler; küresel özellik önemini, özellik katkı sıralamalarını, etkili güvenlik özellikleri arasındaki bağımlılık ilişkilerini ve bireysel migrasyon anomalileri için yerel açıklamaları göstermektedir.
   6. Güvenlik özelliklerini sıralayın. Tüm özellikler için ortalama mutlak SHAP değerlerini hesaplayın. Özellikleri anomali tespitine olan katkılarına göre sıralayın. Migrasyon güvenliğini etkileyen en etkili güvenlik göstergelerini belirleyin. Tablo 5, SHAP tabanlı özellik önemi sıralamalarını özetlemektedir.
   7. Açıklama tutarlılığını doğrulayın. Beş bağımsız deneysel çalışma boyunca SHAP analizini tekrarlayın. Açıklama stabilitesini ve tutarlılığını ölçün. Özellik sıralamalarının tekrarlanan analizlerde sabit kaldığını doğrulayın.
      NOT: Tablo 6, açıklanabilir anomali tespiti sırasında karşılaşılan yaygın sorunları ve önerilen düzeltici eylemleri sunmaktadır.

Özellik	Açıklama	Amaç
Erişim Sıklığı	Migrasyon sırasındaki kullanıcı erişim talebi sayısı	Anormal erişim davranışlarını tespit edin
Hatalı Giriş Sayısı	Başarısız kimlik doğrulama denemesi sayısı	Kaba kuvvet (brute-force) veya yetkisiz erişim girişimlerini tanımlama
IP Adresi Değişiklikleri	Kaynak IP adresi değişim sıklığı	Şüpheli ağ davranışlarını tespit edin
Oturum Süresi	Migrasyon sırasındaki kullanıcı oturumlarının uzunluğu	Anormal oturum etkinliklerini tanımlayın
Veri Aktarım Hacmi	Migrasyon sırasında aktarılan veri miktarı	Sıra dışı veri hareketliliğini veya sızıntısını tespit edin

Tablo 3: Açıklanabilir anomali tespiti için kullanılan güvenlik telemetri özellikleri. Tablo, veri tabanı taşıma işlemi sırasında izlenen güvenlik özelliklerini, anlamlarını, ölçülme yöntemlerini ve anomali tespiti ile açıklanabilirlik analizine nasıl yardımcı olduklarını sunmaktadır.

Parametre	Değer	Açıklama
Algoritma	İzolasyon Ormanı	Anomali tespit modeli
tahminci sayısı	100	İzolasyon ağaçlarının sayısı
kontaminasyon	0.02	Beklenen anomali oranı
maksimum_örnekler	Otomatik	Ağaç başına kullanılan örnekler
rastgele durum	42	Tekrarlanabilirlik tohumu
bootstrap	Yanlış	İadesiz örnekleme
Eğitim Seti	70%	Model eğitim verileri
Doğrulama Seti	15%	Hiperparametre doğrulama
Test Seti	15%	Final model değerlendirmesi

Tablo 4: Güvenli veritabanı taşıma sırasında anomalileri tespit etmek için kullanılan Isolation Forest yapılandırması. Bu tablo, veri setinin nasıl bölündüğü, kontaminasyon seviyesi, tahminci sayısı, rastgele tohum ve değerlendirme kurulumu gibi Isolation Forest modelinin eğitimine yönelik hiperparametre ayarlarını detaylandırmaktadır.

Şekil 4: Güvenli bulut veri migrasyonu sırasında anomali tespit çerçevesinin temsili çıktıları. (A) Anomali eşiğini gösteren Isolation Forest anomali skorlarının dağılımı. (B) Migrasyon olaylarının normal ve anomal kategorilerine sınıflandırılması. (C) Isolation Forest modelinin performansını gösteren alıcı işletim karakteristik (ROC) eğrisi (AUC = 0.97 ± 0.01). (D) Anomali skorlarını, tahmin edilen etiketleri, etkili güvenlik özelliklerini ve anomali kategorilerini gösteren temsili anomal migrasyon olayları. Bu şekil yazarlar tarafından Python 3.11 (Matplotlib 3.9) kullanılarak oluşturulmuş ve Microsoft PowerPoint (Microsoft 365) kullanılarak formatlanmıştır. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Şekil 5: Anomali yorumlama sırasında üretilen SHAP tabanlı açıklanabilirlik çıktı örnekleri. (A) Küresel olarak en önemli özellikleri vurgulayan SHAP özet grafiği. (B) Güvenlik özelliklerinin ortalama mutlak SHAP değerlerine göre sıralaması. (C) Başarısız giriş sayısının ve veri transfer hacminin anomali tahminini nasıl etkilediğini gösteren SHAP bağımlılık grafikleri. (D) Tipik bir anormal taşıma olayı için yerel bir açıklama sunan SHAP kuvvet grafiği. Bu grafikler, önerilen anomali tespit modelinin küresel ve yerel yorumlanabilirliğini sergilemektedir. Bu şekil, yazarlar tarafından Python 3.11 (Matplotlib 3.9) kullanılarak oluşturulmuş ve Microsoft PowerPoint (Microsoft 365) kullanılarak formatlanmıştır. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Sıralama	Özellik	Ortalama Mutlak SHAP Değeri	Yorumlama
1	Başarısız Giriş Sayısı	0.352	Anormal aktivitenin en etkili göstergesi
2	Veri Transfer Hacmi	0.287	Anomali tespitine güçlü katkı sağlayan değişken
3	IP Adresi Değişiklikleri	0.221	Şüpheli ağ davranışına işaret eder
4	Oturum Süresi	0.184	Anormal kullanıcı oturumlarıyla ilişkilidir
5	Erişim Sıklığı	0.156	Sıra dışı erişim modellerini yansıtır

Tablo 5: Güvenlik telemetri verilerinin SHAP özellik önem skorları.Tablo, güvenlik özelliklerinin ortalama mutlak SHAP değerlerine göre sıralamasını göstermekte ve anomalilerin tahminine yaptıkları ilgili katkıları özetlemektedir.

Sayı	Olası Neden	Önerilen Çözüm
Az sayıda anomali tespit edildi	Kontaminasyon parametresi çok düşük	Kontaminasyon eşiğini artırın ve modeli yeniden eğitin.
Yüksek yanlış pozitif oranı	Gürültülü veya tutarsız migrasyon günlükleri	Model eğitimi öncesinde günlük verilerini temizleyin ve güvenlik özelliklerini normalize edin.
Kararsız SHAP açıklamaları	Yetersiz arka plan örnekleri	SHAP tarafından kullanılan temsilci arka plan örnek sayısını artırın.
Düşük anomali tespit doğruluğu	Öznitelik dengesizliği veya yetersiz ön işleme	Öznitelik normalleştirme, dengeleme ve kalite kontrol prosedürlerini uygulayın.
Yavaş model yakınsaması	Geniş veri seti veya sınırlı hesaplama kaynakları	Hiperparametreleri optimize edin veya GPU/paralel işlemleme kullanın.
İletişim kopuklukları	İzleme sırasında ağ kararsızlığı	Güvenli iletişim kanallarını doğrulayın ve senkronizasyonu tekrarlayın.
Eksik güvenlik özellikleri	Eksik günlük toplama	Öznitelik çıkarımı öncesinde günlük kaynaklarını doğrulayın ve öznitelik veri setini yeniden oluşturun.

Tablo 6: Açıklanabilir Yapay Zeka tabanlı güvenli veri tabanı taşıma için sorun giderme kılavuzu. Bu tablo; tipik uygulama sorunlarının, olası nedenlerin, tanısal belirtilerin, önerilen eylemlerin ve protokolün yürütülmesi ve tekrarlanabilirliği sonucunda beklenen çıktıların bir özetini sunmaktadır.

7. Performans değerlendirmesi

NOT: Bu bölüm, temel taşıyıcı göç çerçevesi ile önerilen sıfır güven tabanlı açıklanabilir yapay zeka göç çerçevesini karşılaştırmak için kullanılan deneysel prosedürü açıklamaktadır. Performans değerlendirmesi; güvenlik, anomali tespit yeteneği, göç verimliliği ve aynı deneysel koşullar altında istatistiksel doğrulamayı içermektedir.

1. Adil bir performans karşılaştırması sağlamak için hem temel hattı hem de önerilen ortamları özdeş koşullar altında yapılandırın.
   1. Geleneksel taşıma ortamını yapılandırın. Geçerlilik süresi 24 saatin üzerinde olan uzun süreli statik kimlik bilgilerini yapılandırın. Veritabanı erişimi için genel ağ uç noktalarını etkinleştirin. Yapay zeka tabanlı anomali tespiti ve açıklanabilirlik mekanizmalarını devre dışı bırakın. Taşıma faaliyetlerini geleneksel güvenlik günlüklerini kullanarak manuel olarak izleyin. Sonraki performans karşılaştırmaları için taşıma olaylarını kaydedin.
   2. Sıfır Güven (Zero-Trust) geçiş çerçevesini yapılandırın. Geçiş tamamlandıktan sonra otomatik olarak sona erecek şekilde geçici en düşük ayrıcalıklı kimlik bilgilerini etkinleştirin. Tüm genel ağ uç noktalarını devre dışı bırakın. Güvenli kanallar kullanarak özel ağ iletişimini etkinleştirin.
   3. Eğitilmiş Isolation Forest anomali tespit modelini konuşlandırın. Model yorumlaması için SHAP TreeExplainer'ı etkinleştirin. Migrasyon süreci boyunca otomatik güvenlik izlemesini yapılandırın. Yürütme öncesinde tüm migrasyon bileşenleri arasındaki güvenli iletişimi doğrulayın.
2. Çerçeve tekrarlanabilirliğini değerlendirmek için kontrollü koşullar altında tekrarlanan migrasyon deneyleri gerçekleştirin.
   1. Migrasyon deneyini gerçekleştirin. Hem temel çizgi (baseline) hem de önerilen ortamlar için on bağımsız migrasyon deneyi yürütün. Tüm deneyler boyunca donanım, yazılım ve ağ yapılandırmalarını aynı tutun.
   2. Her deneysel çalışma sırasında 10 GB sağlık verisini migrate edin. Tüm deneyleri özdeş iş yükü koşulları altında tekrarlayın. Her deney sırasında güvenlik olaylarını, migrasyon günlüklerini, anomali tespit çıktılarını ve yürütme sürelerini kaydedin.
   3. Migrasyon bütünlüğünü doğrulayın. Migrasyon öncesinde ve sonrasında SHA-256 sağlama toplamlarını (checksum) hesaplayın. Her migrasyon deneyinden sonra veri bütünlüğünün tam olduğunu doğrulayın. Sağlama toplamı doğrulama sonuçlarını belgeleyin.
3. Karşılaştırmalı değerlendirme için nicel güvenlik, migrasyon ve anomali tespitleme metriklerini hesaplayın.
   1. Güvenlik performansını ölçün. Kimlik bilgileri maruz kalma süresini ölçün. Migrasyon sırasında maruz kalan kimlik bilgilerinin sayısını hesaplayın. Olay tespit süresini ölçün. Genel ağ maruz kalma süresini kaydedin.
   2. Anomali tespit performansını değerlendirin. Anomali tespit doğruluğunu, kesinliği, duyarlılığı, F1 skorunu ve alıcı işletim karakteristik eğrisi altındaki alanı (AUC) hesaplayın. Migrasyon performansını değerlendirin. Toplam migrasyon gecikmesini ölçün ve migrasyon veri aktarım hızını hesaplayın. Güvenlik mekanizmalarının neden olduğu iletişim yükünü kaydedin.
   3. İstatistiksel doğrulama gerçekleştirin. Tüm performans metrikleri için ortalama ve standart sapmayı hesaplayın. %95 güven aralıklarını belirleyin. Temel çerçeve ile önerilen çerçeveyi karşılaştırmak için eşli Student t-testleri uygulayın. İstatistiksel anlamlılığı p değerine göre değerlendirin. < 0.05. Deneysel karşılaştırma sırasında elde edilen temsili performans değerlendirme sonuçları şurada gösterilmiştir: Şekil 6.
   4. Tablo 7 temel çizgi ile önerilen göç çerçevesi arasındaki nicel performans karşılaştırmasını özetlemektedir.
      Tablo 8 güvenli veritabanı taşıma işlemi sırasında karşılaşılan yaygın uygulama sorunlarını, bunların olası nedenlerini ve önerilen düzeltici faaliyetleri özetler.

Şekil 6: Temel migrasyon çerçevesi ile önerilen sıfır güvenli, açıklanabilir YZ destekli güvenli bulut migrasyon çerçevesi arasındaki performans karşılaştırması. (A) Uzun süreli ve geçici en düşük yetki düzeyine sahip kimlik bilgilerinin kullanıldığı kimlik bilgisi ifşa süresi karşılaştırması. (B) Doğruluk, kesinlik, duyarlılık, F1-skoru ve AUC dahil olmak üzere anomali tespiti performans metriklerinin karşılaştırması. (C) On bağımsız deneysel çalışma boyunca migrasyon gecikmesinin karşılaştırması; gecikme artışının önceden tanımlanmış kabul eşiğinin altında kaldığını göstermektedir. (D) Eşleştirilmiş Student's t-testleri kullanılarak temel performans metriklerinin istatistiksel karşılaştırması; ortalama farkları ve %95 güven aralıklarını göstermektedir. Hata çubukları, on bağımsız deneysel çalışmadan elde edilen %95 güven aralıklarını temsil etmektedir. Bu şekil, yazarlar tarafından Python 3.11 (Matplotlib 3.9) kullanılarak oluşturulmuş ve Microsoft PowerPoint (Microsoft 365) kullanılarak formatlanmıştır. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Performans Metriği	Referans Çerçeve (Ortalama ± SD)	Önerilen Çerçeve (Ortalama ± SD)	İyileştirme	%95 Güven Aralığı	p-değeri
Kimlik Bilgisi Açığa Çıkma Süresi (h)	24.70 ± 1.32	0.42 ± 0.18	%98.3 azalma	23.6–24.9	<0.001
Anomali Tespit Doğruluğu (%)	72.4 ± 2.1	94.6 ± 1.3	+%22.2	20.8–23.5	<0.001
Hassasiyet (%)	68.1 ± 2.5	92.7 ± 1.5	+%24.6	23.1–26.0	<0.001
Duyarlılık (%)	70.3 ± 2.4	93.1 ± 1.6	+%22.8	21.4–24.2	<0.001
F1-skoru (%)	69.2 ± 2.2	92.9 ± 1.4	+%23.7	22.3–25.0	<0.001
AUC	0.78 ± 0.03	0.97 ± 0.01	+0.19	0.17–0.21	<0.001
Taşıma Gecikmesi (min)	87.6 ± 3.2	97.4 ± 2.9	%11.2 ek yük	8.9–10.7	0.002
Veri Bütünlüğü (%)	99.8	100.0	%0.2 iyileştirme	0.1–0.3	0.031
Genel Ağ Maruziyeti	Etkin	Giderildi	%100 giderildi	Y/A	<0.001

Tablo 7: Temel ve önerilen güvenli veri tabanı taşıma çerçeveleri: Bir performans karşılaştırması. Tablo; protokol doğrulaması sırasında nicel olarak değerlendirilen kimlik bilgisi ifşa süresi, anomali tespit etkinliği, taşıma gecikmesi, veri bütünlüğü ve güvenlik iyileştirmelerini göstermektedir.

Sorun	Olası Neden	Önerilen Çözüm
Migrasyon kimlik doğrulama hatası	Süresi dolmuş veya geçersiz geçici kimlik bilgileri	Geçici kimlik bilgilerini yeniden oluşturun ve migrasyonu yeniden başlatmadan önce IAM politikalarını doğrulayın.
Yüksek migrasyon gecikmesi	Ağ sıkışıklığı veya yetersiz bant genişliği	Ağ yönlendirmesini optimize edin, migrasyonu trafiğin düşük olduğu saatlere planlayın ve uç nokta bağlantısını doğrulayın.
Yalancı pozitif anomali uyarıları	Uygun olmayan Isolation Forest kontaminasyon eşiği	Doğrulama veri kümesini kullanarak kontaminasyon parametresini ayarlayın ve modeli yeniden eğitin.
Kararsız SHAP açıklamaları	Yetersiz veya temsil yeteneği düşük arka plan örnekleri	SHAP arka plan örnek boyutunu artırın ve temsili örnekleme sağladığınızdan emin olun.
Veri bütünlüğü uyumsuzluğu	Yarıda kesilmiş migrasyon veya bozulmuş veri transferi	SHA-256 checksum değerlerini ve kaynak/hedef tutarlılığını doğruladıktan sonra migrasyonu yeniden çalıştırın.
Güvenli uç nokta bağlantı hatası	Güvenlik duvarı veya TLS yapılandırma hataları	SSL/TLS sertifikalarını, güvenlik duvarı kurallarını ve özel uç nokta yapılandırmasını doğrulayın.
Düşük anomali tespit doğruluğu	Eksik özellik çıkarımı veya yetersiz ön işleme	Özellik mühendisliğini gözden geçirin, güvenlik özelliklerini normalize edin ve modeli yeniden eğitin.
Model yakınsama sorunları	Uygun olmayan hiperparametreler	Öğrenme parametrelerini ayarlayın ve dağıtımdan önce model performansını doğrulayın.

Tablo 8: Güvenli sağlık hizmetleri veri tabanı taşıması için sorun giderme kılavuzu. Tablo; güvenli taşıma protokolünün güvenilir bir şekilde yürütülmesini sağlamak için yaygın taşıma hatalarını, bunların olası kökenlerini, önerilen düzeltici önlemleri ve beklenen sonuçları listelemektedir.

Sonuçlar

Deneysel genel bakış

Önerilen açıklanabilir yapay zeka (XAI) destekli güvenli bulut veri taşıma protokolü, 28 ilişkisel veri tabanı tablosuna dağılmış ve toplamda 10 GB tutan, yaklaşık 20 milyon elektronik sağlık kaydı (EHR) içeren sentetik bir sağlık veri seti kullanılarak değerlendirilmiştir. Deneyler; Amazon RDS PostgreSQL 16, özel Sanal Özel Bulut (VPC) ağ iletişimi, TLS 1.3 şifreli iletişim ve merkezi izleme servisleri kullanılarak bir Amazon Web Services (AWS) bulut ortamında yürütülmüştür. Tekrarlanabilirliği sağlamak ve deneysel yanlılığı en aza indirmek amacıyla, özdeş donanım, yazılım, ağ ve iş yükü koşulları altında on bağımsız taşıma deneyi gerçekleştirilmiştir. Bildirilen tüm performans değerleri, on deneysel çalışmanın ortalamasını temsil etmektedir. İstatistiksel anlamlılık, Shapiro-Wilk testi ile normallik doğrulaması yapıldıktan sonra eşleştirilmiş Student t-testleri kullanılarak değerlendirilmiştir (p < 0.05).

Veri seti hazırlama ve doğrulama sonuçları

Sentetik sağlık hizmetleri veri seti, protokol spesifikasyonlarına uygun olarak başarıyla oluşturulmuştur. Veri doğrulama işlemi; hasta demografisi, klinik karşılaşmalar, tanıları, laboratuvar raporları, ilaçlar, görüntüleme meta verileri, faturalandırma bilgileri ve hekim kayıtları dahil olmak üzere 28 ilişkisel tabloya dağıtılmış yaklaşık 20.000.000 hasta ile ilgili kaydın başarıyla oluşturulduğunu onaylamıştır. Birincil anahtar benzersizliği, yabancı anahtar ilişkileri ve referansal bütünlük kısıtlamaları, migrasyon öncesinde başarıyla doğrulanmıştır. Gerçekçi elektronik sağlık kaydı veri tabanlarını simüle etmek amacıyla veri değerlerinin yaklaşık %5'i kasıtlı olarak eksik bırakılmış ve bunlar daha sonra veri temizleme aşamasında işlenmiştir. Veri seti kalite değerlendirmesi; başarılı şema doğrulamasını, kabul edilebilir değer aralıklarını ve tam referansal bütünlüğü göstermiştir. Tablo 1'de gösterildiği üzere, kümülatif veri seti doğrulama hatası %0,1'in altında kalmış olup, bu durum oluşturulan veri setinin güvenli migrasyon deneyleri için uygun olduğunu göstermektedir.

Sistem mimarisi dağıtım sonuçları

Güvenli migrasyon mimarisi, migrasyon iş akışının yürütülmesinden önce başarıyla konuşlandırılmış ve doğrulanmıştır. Tüm bulut kaynakları; özel alt ağlar, güvenlik grupları ve kimlik tabanlı erişim politikaları kullanılarak izole bir AWS Virtual Private Cloud içerisinde işletilmektedir. Veritabanı iletişimleri TLS 1.3 şifrelemesi kullanılarak korunmuş ve migrasyon kimlik bilgileri, geçici en düşük ayrıcalık politikasına uygun olarak dinamik olarak oluşturulmuştur. Kimlik doğrulama günlükleri, migrasyon günlükleri, veritabanı olayları, ağ olayları ve güvenlik denetim günlükleri Amazon CloudWatch üzerinden sürekli olarak toplanmıştır. Tüm deneysel çalışmalar boyunca iletişimler yalnızca özel ağ uç noktaları üzerinden gerçekleşmiş ve halka açık olarak erişilebilen herhangi bir veritabanı servisi tespit edilmemiştir. Sürekli izleme, Şekil 2'de gösterildiği üzere, tüm migrasyon bileşenleri arasında beklenmedik servis kesintileri veya kimlik doğrulama hataları olmaksızın kararlı bir iletişim olduğunu kanıtlamıştır.

Güvenli migrasyon iş akışının sonuçları

Tehdit modelleme

Önceden tanımlanmış tehdit modeli; kimlik bilgisi hırsızlığı, içeriden yapılan saldırılar, yeniden oynatma saldırıları, aradaki adam saldırıları, şema manipülasyonu ve yetki yükseltme senaryolarını başarıyla belirlemiştir. Tablo 2'de özetlendiği üzere, uygulanan güvenlik kontrolleri, migrasyon yürütülmeden önce tanımlanan tüm tehditleri etkili bir şekilde hafifletmiştir.

Veritabanı şeması aktarımı

Veritabanı şema migrasyonu tüm deneysel çalışmalarda başarıyla tamamlanmıştır. Tüm ilişkisel tablolar, indeksler, saklı prosedürler, kısıtlamalar, üst veriler, birincil anahtarlar ve yabancı anahtarlar, yapısal tutarsızlıklar veya şema kayması olmaksızın aktarılmıştır.

Güvenli veri taşıma

Migrasyon süreci, iş akışı kesintileri veya işlem hataları olmaksızın on deneysel çalışmanın tamamında başarıyla gerçekleştirilmiştir. Migrasyon süreci boyunca, özel ağ uç noktaları üzerinden şifreli iletişim kanalları kullanılarak güvenli veri transferi sağlanmıştır.

Migrasyon doğrulaması

Taşıma sonrası doğrulama, kaynak ve hedef veritabanları arasında tam tutarlılığın sağlandığını onaylamıştır. SHA-256 sağlama toplamı (checksum) doğrulaması, taşınan tüm tablolarda %100 eşleşme sağlayarak iletim sırasında herhangi bir veri bozulmasının meydana gelmediğini kanıtlamıştır. Kayıt sayısı doğrulaması, 20 milyon kaydın tamamının herhangi bir kayıp, tekrarlama veya kırpılma olmaksızın başarıyla taşındığını onaylamıştır. Birincil anahtarların, yabancı anahtarların, indekslerin, şema tanımlarının ve veritabanı kısıtlamalarının doğrulanması, veritabanı bütünlüğünün tamamen korunduğunu teyit etmiştir. Değerlendirme süreci boyunca herhangi bir şema kayması, geri alma (rollback) olayı, işlem hatası veya taşıma tutarsızlığı gözlemlenmemiştir. Bütünlük sonuçlarının nicelleştirilmesi Tablo 9'da verilmiştir.

Doğrulama Metriği	Gözlemlenen Sonuç	Kabul Kriteri	Durum
Migre edilen toplam sağlık kayıtları	20,000,000	20,000,000	Geçti
Migre edilen ilişkisel veri tabanı tabloları	28	28	Geçti
Migre edilen veri seti boyutu	10 GB	10 GB	Geçti
SHA-256 sağlama toplamı doğrulaması	%100 eşleşme	%100 eşleşme	Geçti
Kayıt sayısı tutarlılığı	%100	%100	Geçti
Şema doğrulaması	Tüm tablolar doğrulandı	Şema hatası yok	Geçti
Birincil anahtar bütünlüğü	Doğrulandı	İhlal yok	Geçti
Yabancı anahtar bütünlüğü	Doğrulandı	İhlal yok	Geçti
Veri bozulma oranı	%0	%0	Geçti
Şema kayması	Gözlemlenmedi	Yok	Geçti
Geri alma olayları	0	0	Geçti
Migrasyon tamamlanma oranı	%100	%100	Geçti

Tablo 9: Güvenli veri tabanı göçü sonrası veri bütünlüğü doğrulama sonuçları. Bu tablo, nicel taraftaki temel bütünlük doğrulama metriklerini sunmaktadır. Bunlar arasında SHA-256 hash toplamlarının eşleştiğinin kontrolü, kayıt sayısının tutarlılığı, şemanın doğrulanması, anahtar kısıtlamalarının korunması, göçün tamamlanması, geri alma (rollback) olayları ve on ayrı göç deneyinin genel göç başarısı yer almaktadır.

Tablo 9, güvenli bulut veri taşıma işlemi sonrası elde edilen kantitatif veri bütünlüğü doğrulama sonuçlarını özetlemektedir. Sonuçlar, on bağımsız deneysel çalışma boyunca tüm taşıma kabul kriterlerinin karşılandığını göstermiştir.

Migrasyon sonrası sertleştirme

Zamansal en düşük ayrıcalıklı kimlik bilgisi yönetimi, geleneksel taşıma çerçevesine kıyasla kimlik bilgisi güvenliğini önemli ölçüde artırmıştır. Ortalama kimlik bilgisi ömrü, temel ortamdaki 24,7 ± 1,3 h değerinden önerilen çerçevedeki 0,42 ± 0,18 h değerine düşmüş olup bu durum, kimlik bilgisi maruz kalma süresinde %98,3'lük bir azalmayı temsil etmektedir. Geçici kimlik bilgileri taşıma işlemi tamamlandıktan hemen sonra iptal edilmiş ve hiçbir deneysel çalışma sırasında süresi dolmuş kimlik bilgileri kullanılarak yapılan yetkisiz kimlik doğrulama girişimleri tespit edilmemiştir. Şekil 3'te gösterildiği üzere, uzun ömürlü kimlik bilgilerinin kaldırılması, kesintisiz taşıma performansını korurken potansiyel saldırı yüzeyini azaltmıştır.

Açıklanabilir yapay zeka izleme sonuçları

Güvenlik özelliği çıkarımı

Güvenlik telemetrisi; veritabanı sunucularından, kimlik doğrulama servislerinden, uygulama sunucularından ve ağ izleme sistemlerinden başarıyla toplanmıştır. Öznitelik çıkarımı yoluyla, Tablo 3'te açıklandığı üzere, anomali tespiti için erişim sıklığı, başarısız giriş sayısı, IP adresi değişiklikleri, oturum süresi ve veri aktarım hacmine dair normalize edilmiş ölçümler oluşturulmuştur.

Anomali tespit modeli performansı

Isolation Forest modeli, 10 bağımsız deney boyunca güçlü bir anomali tespit performansı sergilemiştir. Ortalama doğruluk, kesinlik, duyarlılık, F1-skoru ve alıcı işletim karakteristik eğrisi altındaki alan (AUC) değerleri sırasıyla 94,6 ± 1,3%, 92,7 ± 1,5%, 93,1 ± 1,6%, 92,9 ± 1,4% ve 0,97 ± 0,01 olarak belirlenmiştir. Model konfigürasyonu, Tablo 4'te özetlenen parametrelere göre yapılmıştır.

Güvenlik anomali tespiti

Önerilen izleme çerçevesi, ortalama olay tespit süresini temel ortamdaki 24 saatin üzerindeki değerden yaklaşık 15 dakikaya düşürmüştür. Yanlış pozitif tespitler %3'ün altında kalmış ve değerlendirme süreci boyunca hiçbir kritik migrasyon hatası tespit edilmeden kalmamıştır. Temsili anomali tespit çıktıları Şekil 4'te sunulmuştur.

Açıklanabilirlik analizi

SHAP TreeExplainer, tespit edilen tüm anomaliler için yorumlanabilir özellik-atama sonuçları oluşturmuştur. SHAP değerlerini hesaplamak için 1.000 adet temsilci eğitim örneği içeren bir arka plan veri seti kullanılmıştır. Küresel açıklama analizi; başarısız giriş sayısını, veri aktarım hacmini, IP adresi değişikliklerini, oturum süresini ve erişim sıklığını, anomali tahminlerine katkıda bulunan en etkili özellikler olarak tutarlı bir şekilde tanımlamıştır. On deneysel çalışma boyunca tekrarlanan açıklanabilirlik analizi, neredeyse özdeş özellik sıralamaları üretmiş ve model yorumlamasının kararlı olduğunu kanıtlamıştır. Yerel SHAP açıklamaları, bireysel anomali tahminlerine katkıda bulunan temel faktörleri daha ayrıntılı olarak belirleyerek güvenlik izleme sürecinin şeffaflığını artırmıştır. Temsili açıklanabilirlik çıktıları Şekil 5'te gösterilmiş, ilgili özellik önem sıralamaları ise Tablo 5'te özetlenmiştir.

Performans değerlendirme sonuçları

Temel taşıma çerçevesiyle yapılan karşılaştırma, birçok güvenlik metriğinde önemli iyileşmeler olduğunu göstermiştir. Kimlik bilgisi ifşa süresi %98,3 oranında azalmış, anomali tespit doğruluğu %72,4 ± 2,1'den %94,6 ± 1,3'e yükselmiş ve halka açık taşıma uç noktalarının sayısı altıdan sıfıra düşmüştür. Değerlendirme boyunca tam taşıma bütünlüğü korunurken, ortalama olay tespit süresi belirgin şekilde azalmıştır. Ek güvenlik kontrolleri, taşıma gecikmesini %11,2 ± 2,9 oranında artırsa da, gözlemlenen bu artış %15'lik önceden tanımlanmış kabul eşiğinin altında kalmıştır; bu durum, güvenlik iyileştirmelerinin taşıma verimliliği üzerinde minimum etkiyle gerçekleştirildiğini göstermektedir. Temsili performans değerlendirme sonuçları Şekil 6'da sunulmuş ve temel çerçeve ile önerilen çerçeve arasındaki nicel karşılaştırma Tablo 7'de özetlenmiştir.

İstatistiksel doğrulama ve tekrarlanabilirlik

İstatistiksel analiz, temel çerçeve ile önerilen çerçeve arasında kimlik bilgisi ifşa süresi, anomali tespit doğruluğu, olay tespit süresi ve migrasyon gecikmesinde anlamlı iyileşmeler olduğunu göstermiştir (eşleştirilmiş Student t-testi, p < 0.05). Hesaplanan %95 güven aralıkları, 10 bağımsız deneysel çalışma genelinde düşük değişkenlik sergileyerek önerilen protokolün tekrarlanabilirliğini ve stabilitesini doğrulamıştır. Her bir deneyin ayrıntılı sonuçları Tablo 10'da verilmiştir.

Deneysel Çalışma	Kimlik Bilgilerinin Maruz Kalma Süresi (sa)	Anomali Tespit Doğruluğu (%)	Göç Gecikmesi (dak)	SHA-256 Doğrulaması	Göç Durumu
Çalışma 1	0.45	94.3	96.8	Geçti	Başarılı
Çalışma 2	0.41	95	98.2	Geçti	Başarılı
Çalışma 3	0.39	94.7	95.9	Geçti	Başarılı
Çalışma 4	0.44	94.5	97.6	Geçti	Başarılı
Çalışma 5	0.43	94.8	96.9	Geçti	Başarılı
Çalışma 6	0.4	94.2	98.5	Geçti	Başarılı
Çalışma 7	0.42	95.1	97.2	Geçti	Başarılı
Çalışma 8	0.38	94.6	96.7	Geçti	Başarılı
Çalışma 9	0.43	94.9	97.8	Geçti	Başarılı
Çalışma 10	0.41	94.5	97	Geçti	Başarılı
Ortalama ± SS	0.42 ± 0.02	94.66 ± 0.29	97.26 ± 0.80	%100 Başarılı	10/10 Başarılı

Tablo 10:  On ayrı migrasyon çalışması boyunca deneysel tekrarlanabilirlik. Tablo; her bir deneysel çalışma için bir kimlik bilgisinin açığa çıktığı zaman aralığının, anomalileri tespit etmedeki hassasiyetin, migrasyon gecikmesinin, SHA-256 doğrulama durumunun ve migrasyonun başarısının özetini sunarak, önerilen güvenli bulut migrasyon çerçevesinin aynı deneysel koşullar altındaki stabilitesini ve tekrarlanabilirliğini göstermektedir.

Tablo 10, aynı deneysel koşullar altında önerilen güvenli bulut taşıma protokolünün tutarlılığını, kararlılığını ve tekrarlanabilirliğini gösteren on bağımsız deneysel çalışmanın detaylı sonuçlarını sunmaktadır.

Deneysel değerlendirme, sıfır güvenliğe dayalı güvenliğin, zamana dayalı en düşük ayrıcalıklı erişim kontrolünün, sürekli anomali izlemenin ve SHAP tabanlı açıklanabilirliğin entegrasyonunun, veritabanı bütünlüğünü tam olarak koruyarak ve kabul edilebilir migrasyon performansını sürdürerek migrasyon güvenliğini artırdığını göstermiştir. Deneyler, kontrollü bir bulut ortamında sentetik bir sağlık veri seti kullanılarak yürütüldüğünden, bu bulgular değerlendirilen deneysel konfigürasyon çerçevesinde yorumlanmalıdır. Protokolün rutin sağlık sistemleri üretim ortamlarına yaygınlaştırılmasından önce, operasyonel sağlık altyapıları, gerçek klinik veri setleri ve çok kurumlu bulut ortamları kullanılarak ek doğrulamaların yapılması gerekecektir.

Tartışma

Bu araştırmada, kısıtlı bir deneysel kurulum dahilinde; sıfır güven güvenlik ilkelerini, zaman tabanlı en düşük yetki erişim kontrolünü, açıklanabilir yapay zeka (XAI) ve sürekli güvenlik izlemeyi içeren, tekrarlanabilir ve güvenli bir bulut veri tabanı taşıma protokolü geliştirilmiştir. Bu makalenin amacı yeni bir taşıma algoritması kullanmak değildir; bu nedenle yazarlar, araştırmacıların ve uygulamacıların güvenli sağlık hizmetleri veri tabanı taşımasını açıkça belirtilmiş prosedürel adımlar aracılığıyla gerçekleştirme, değerlendirme ve yeniden üretme imkanı tanıyan standartlaştırılmış bir iş akışı sunmaktadır. Protokolün uygulanmasının başarısı, birkaç çok önemli adımın dikkatle yerine getirilmesine bağlıdır. Taşıma öncesinde gerçekleştirilen yüksek hassasiyetli tehdit modelleme; taşınacak varlıkların, saldırganların giriş yollarının ve etkili olacak güvenlik kontrolleri setinin tanınmasında büyük yardımcı olur. Veri transferinden önce, yapısal tutarsızlıkları ve şema kaymasını önlemek için veri tabanı şeması doğrulaması adımı tamamlanmalıdır. Taşıma sürecinde, geçici kimlik bilgileri zamansal en düşük yetki prensibine göre oluşturulmalı, iletişimi güvence altına almak için TLS 1.3 kriptografik protokolünün kullanımı sürdürülmeli ve güvenlik izleme ile denetim için kullanılabilecek taşıma günlükleri kesintisiz olarak toplanmalıdır. Veri tabanı bütünlüğünün korunduğunu gösteren SHA-256 sağlama toplamı doğrulaması, kayıt sayısı doğrulaması ve şema tutarlılık kontrolleri gibi görevler tamamlandıktan sonra taşıma ortamı boşaltılmalı ve terk edilmelidir.

Açıklanabilir anomali izleme bileşeni, tekrarlanabilir sonuçlar elde etmek için dikkatli yapılandırma adımları gerektirir. Anomali tespit performansını ve açıklama kalitesini etkileyen önemli faktörler arasında uygun güvenlik telemetri özelliklerinin seçimi, izleme günlüklerinin tutarlı ön işlemesi, uygun Isolation Forest hiperparametreleri ve temsili bir SHAP arka plan veri seti yer almaktadır. Bu yapılandırma ayarlarındaki değişiklikler; anomali skorlarında, özellik atama değerlerinde ve genel model yorumlanabilirliğinde değişikliklere yol açabilir. Bu nedenle, araştırmacıların protokolü tekrarlarken yazılım sürümlerinin, model parametrelerinin ve değerlendirme ayarlarının aynı kalması önerilir.

Protokol hata giderme prosedürleri, kullanıcıların şema uyumsuzlukları, ağ kesintileri, kimlik doğrulama hataları, aşırı yanlış pozitif tespitler ve migrasyon gecikme yükü gibi yaygın uygulama sorunlarını çözmelerine yardımcı olmak için tasarlanmıştır. Her protokol adımından sonra sistematik olarak gerçekleştirilecek doğrulama, bu sorunların tespit edilmesini ve migrasyonun sonraki adımları yürütülmeden önce düzeltilmesini sağlayacaktır. Bu, deneysel iş akışının güvenilirliğini ve tekrarlanabilirliğini artırmanın yollarından biridir.

Deneysel değerlendirme, test edilen kurulumun kimlik bilgileri korumasını, anomali tespitini, açıklanabilirliği ve migrasyon bütünlüğünü artırabildiğini göstermiş olsa da, bulgular yalnızca bu araştırmanın kapsamına özgü olarak değerlendirilmelidir. Protokol, gerçek bir sağlık bilgi sistemi yerine, bulut laboratuvar ortamında sentetik bir sağlık veri setiyle test edilmiştir. Burada sunulan sonuçlar, mevzuata uygunluğun veya klinik kullanımın kanıtı olarak görülmemelidir. Aksine bu sonuçlar, tekniğin kontrollü bir laboratuvar ortamında uygulanabileceğini göstermekte ve diğer araştırmacıların daha ileri doğrulama çalışmaları için kullanabileceği bir çerçeve sunmaktadır.

Son dönemde yapılan birçok çalışma; güvenli sağlık hizmetleri bulut göçünü, sıfır güvenli güvenlik mimarilerini ve açıklanabilir yapay zekayı incelemiştir; ancak bunların çoğu, entegre vele yeniden üretilebilir bir göç iş akışından ziyade bireysel güvenlik mekanizmalarına odaklanmıştır. NIST Sıfır Güven Mimarisi, sürekli kimlik doğrulama ve en düşük ayrıcalıklı erişim kontrolü için kapsamlı rehberlik sunmakta, ancak güvenli veri tabanı göçü veya göç sırasındaki açıklanabilir güvenlik izleme için standartlaştırılmış bir protokol tanımlamamaktadır¹. Benzer şekilde, mevcut sağlık hizmetleri bulut göçü çerçeveleri öncelikle bulut benimseme, şifreleme, yönetişim ve düzenleyici uyumluluğu vurgulamakta, ancak güvenli göç yürütme, doğrulama ve yeniden üretilebilirlik için sınırlı prosedürel rehberlik sağlamaktadır^7,8,9. Yapay zeka destekli bulut güvenliği yaklaşımları, makine öğrenimi tabanlı saldırı tespit ve güvenlik izleme yoluyla geliştirilmiş anomali tespit yetenekleri sergilemiştir; ancak bu yöntemler genellikle, güvenlik denetimini ve idari karar verme süreçlerini destekleyecek yorumlanabilir açıklamaları dahil etmeden tespit performansına odaklanmaktadır^6,13. SHapley Additive exPlanations (SHAP) ve Local Interpretable Model-agnostic Explanations (LIME) gibi açıklanabilir yapay zeka teknikleri, makine öğrenimi tahminlerinin şeffaflığını önemli ölçüde artırmıştır^17,18,19,20, ancak uygulamaları büyük ölçüde uçtan uca güvenli bulut göçü iş akışlarına entegre edilmekten ziyade model yorumlamasıyla sınırlı kalmıştır. Buna karşılık, önerilen protokol; sıfır güven mimarisini, zamansal en düşük ayrıcalıklı kimlik bilgisi yönetimini, şifreli veri tabanı göçünü, SHA-256 checksum tabanlı bütünlük doğrulamasını, sürekli merkezi izlemeyi, Isolation Forest tabanlı anomali tespitini ve SHAP tabanlı açıklanabilirliği tek bir standartlaştırılmış ve yeniden üretilebilir iş akışı içinde birleştirir. Bu entegre çerçeve, değerlendirilen deneysel koşullar altında tam göç bütünlüğünü ve kabul edilebilir göç gecikmesini korurken şeffaflığı, denetlenebilirliği ve yeniden üretilebilirliği artırır.

Buna rağmen, bu protokolün sonuçları yorumlanırken göz önünde bulundurulması gereken birçok kısıtlama vardır. İlk olarak, değerlendirme, gerçek klinik veri tabanlarının tüm karmaşıklığını, değişkenliğini ve güvenlik zorluklarını yansıtmayabilecek sentetik bir veri seti kullanılarak gerçekleştirilmiştir. İkinci olarak, protokol yalnızca tek bir kontrollü bulut ortamında test edilmiştir; performans diğer bulut sağlayıcılarında, veri tabanı platformlarında veya ağ altyapılarında farklılık gösterebilir. Üçüncü olarak, yazarlar kontrol grubu olarak geleneksel bir migrasyon iş akışı kullansalar da, sonuçların diğer güvenli migrasyon yöntemleri ve bulut güvenliği mimarileriyle karşılaştırılması gelecek çalışmalar için faydalı olacaktır. Dördüncü olarak, istatistiksel doğrulama yalnızca on bağımsız migrasyon deneyi üzerinde yapılmıştır; daha geniş ölçekli çalışmalar protokolün dayanıklılığı hakkında daha iyi bir gösterge sağlayabilir. Beşinci olarak, yazarlar kimlik bilgisi hırsızlığı, içeriden gelen tehditler, fidye yazılımları veya gelişmiş kalıcı saldırılar gibi saldırgan saldırı senaryolarını açıkça değerlendirmemişlerdir ve bunlar gelecek araştırmaların odağı olmalıdır. Son olarak, önerilen çerçeve; kimlik yönetimi politikalarının, anomali tespit parametrelerinin, günlükleme altyapısının ve açıklanabilirlik ayarlarının konfigürasyonu kadar etkili olacaktır; konfigürasyonlar yanlışsa, hem migrasyon güvenliği hem de izleme performansı olumsuz yönde etkilenecektir.

Genel olarak bu protokol, kontrollü araştırma ortamlarında açıklanabilir yapay zeka aracılığıyla güvenli bulut veri tabanı göçünün incelenmesi için tekrarlanabilir bir çerçeve ve yöntem sunmaktadır. Protokolün doğrulama ve geçerleme işlemleri; ölçeklenebilirliğin, genellenebilirliğin ve protokolün pratik uygulanabilirliğinin değerlendirilmesi amacıyla, çeşitli bulut platformları, farklı veri tabanı teknolojileri ve gerçek klinik veri setleri kullanılarak, çalışan sağlık bilgi sistemleri üzerinden yürütülecek gelecek çalışmalarla gerçekleştirilebilir.

Bu makale; sıfır güven güvenlik ilkelerini, geçici en düşük yetki erişim kontrolünü, açıklanabilir yapay zekayı (XAI) ve kontrollü bir bulut ortamında sürekli güvenlik izlemeyi birleştiren, güvenli bulut veritabanı taşıması için tekrarlanabilir bir yöntemi tanımlamaktadır. Yöntem; veri seti hazırlama, tehdit modelleme, güvenli taşıma, bütünlük doğrulaması, anomali tespiti, açıklanabilirlik analizi ve performans değerlendirme adımlarını ayrıntılı olarak belirtmektedir. Sentetik bir sağlık hizmetleri veri seti üzerinde yapılan deneyler, protokolün taşıma gecikmesini kabul edilebilir bir seviyede tutarken; kimlik bilgilerinin güvenliğini artırabildiğini, taşıma bütünlüğünü koruyabildiğini, anomalileri doğru şekilde tespit edebildiğini ve güvenliği yorumlanabilir bir biçimde izleyebildiğini göstermiştir. Standartlaştırılmış bu prosedür, güvenli bulut taşıma stratejilerinin uygulanması ve değerlendirilmesinin akademik ortamlarda daha tekrarlanabilir hale getirilmesini amaçlamaktadır.

Sonuçlar, bu çalışma için kullanılan sıkı kontrollü deneysel ortamın sınırları dahilinde değerlendirilmelidir. Protokol, gerçek bir sağlık bilgi sistemi yerine sentetik bir sağlık veri seti ile test edildiğinden, sonuçlar klinik uygulama, düzenleyici uyumluluk veya büyük ölçekli üretim uygulamalarının göstergeleri olarak görülmemelidir. Sonraki araştırma çalışmaları; protokolün uygulamadaki çok yönlülüğünü, güvenilirliğini ve faydasını daha fazla test etmek için gerçek sağlık ortamlarının kullanımına, farklı bulut platformlarına, çeşitli veritabanı teknolojilerine ve daha büyük klinik veri setlerine odaklanmalıdır.

Malzemeler

Bu makalede kullanılan malzemelerin listesi

Ad	Şirket	Katalog numarası	Yorumlar
AES Şifreleme	NIST	AES-256	Durağan veri şifrelemesi
Amazon RDS PostgreSQL	Amazon Web Services	PostgreSQL 16	Hedef veri tabanı
Bulut Platformu	Amazon Web Services	AWS	Bulut altyapısı
CloudWatch	Amazon Web Services	Son Kararlı Sürüm	İzleme ve günlükleme
Docker	Docker Inc.	27.0	Konteynerleştirme
Faker	Faker Geliştiricileri	30.0	Sentetik veri üretimi
GPU	NVIDIA	RTX 4090	24 GB VRAM
Matplotlib	Matplotlib Geliştiricileri	3.9	Görselleştirme
NumPy	NumPy Geliştiricileri	1.26	Sayısal işlemleme
İşletim Sistemi	Canonical	Ubuntu 22.04 LTS	Sistem ortamı
Pandas	PyData	2.2	Veri işlemleme
PostgreSQL	PostgreSQL Global Development Group	16	Kaynak veri tabanı
Python	Python Software Foundation	3.11	Programlama dili
Scikit-learn	Scikit-learn Geliştiricileri	1.5	Makine öğrenmesi
SHAP	SHAP Geliştiricileri	0.46	Açıklanabilir yapay zeka
Terraform	HashiCorp	1.8	Altyapı sağlama
TLS	IETF	TLS 1.3	Aktarım halindeki veri şifrelemesi
Sanal Özel Bulut	Amazon Web Services	VPC	Özel ağ ortamı
İş İstasyonu	Dell/HP	NA	Intel Xeon Gold 6226R, 64 GB RAM, 1 TB SSD