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 taşımasının deneysel değerlendirmesi için oluşturulmuş tamamen sentetik bir sağlık veri seti kullanılmıştır. Gerçek hasta verisi, korunan 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 ortamlarında konuşlandırın. Tüm sistem bileşenleri arasında şifreli iletişim kanalları kurun.
3. Protokolü; veri seti hazırlama, ortam yapılandırması, mimari konuşlandırma, güvenli migrasyon, anomali izleme ve migrasyon sonrası doğrulama adımlarını takip ederek yürütün. Önerilen Açıklanabilir Yapay Zeka destekli güvenli bulut veri migrasyonu 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 veri tabanı katmanı, taşıma merkezi katmanı, hedef bulut veri tabanı katmanı, ağ güvenliği katmanı, gözlemlenebilirlik katmanı, açıklanabilir yapay zeka izleme katmanı ile yatay kesen güvenlik ve yönetişim servislerinden oluşmaktadır. Mimari; güvenli, şeffaf ve tekrarlanabilir sağlık veri tabanı taşıması sağlamak için zamansal en az ayrıcalıklı erişim kontrolünü, TLS 1.3 şifreli iletişimi, sağlama toplamı tabanlı bütünlük doğrulamasını, sürekli güvenlik izlemeyi 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. Hesaplama ortamı yapılandırması

1. Hesaplama ortamını yapılandırın
   1. Güvenli bulut veri taşıma ve açıklanabilir yapay zeka tabanlı izleme için gerekli hesaplama kaynaklarını hazırlayın.
   2. Materyal Tablosu'nda listelenen tüm donanımları, yazılımları, bulut hizmetlerini, veri tabanlarını, güvenlik araçlarını ve makine öğrenimi kütüphanelerini kurun ve yapılandırın. Taşıma deneyini başlatmadan önce tüm gerekli bileşenlerin çalışır durumda olduğunu doğrulayın.
2. Bulut Ortamını Yapılandırın
   1. Sağlık verileri taşıması için güvenli bir bulut ortamı kurun. Kaynak, taşıma merkezi ve hedef sistemler arasında sorunsuz iletişim için özel bir VPC kurulumu yapın. Güçlü şifrelemeyi yalnızca veriler depolanırken değil, aynı zamanda iletilirken de kullanın.
   2. Hedef veri tabanını ve taşıma hizmetlerini Materyal Tablosu'nda belirtilen ayrıntılara göre hazırlayın.
3. Kimlik ve erişim yönetimini yapılandırın. İzleme ve günlükleme hizmetlerini yapılandırın.

3. Veri seti hazırlama ve açıklama

1. Materyaller Tablosunda listelenen Faker Python kütüphanesini kullanarak sentetik bir sağlık hizmetleri veri seti oluşturun. Hasta yaşı, cinsiyeti, etnik kökeni ve coğrafi konumu dahil olmak üzere demografik öznitelikleri 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 bireysel 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 aykırı gözlemler ekleyin.
6. Tüm kişisel olarak tanımlanabilir bilgileri, Faker kütüphanesi kullanılarak oluşturulan sentetik değerlerle değiştirin. Veri setini dışa aktarmadan önce referans bütünlüğünü ve mantıksal tutarlılığı doğrulayın. Doğrulanmış veri setini PostgreSQL uyumlu SQL formatında dışa aktarın. Veri setini, gerçekçi sağlık hizmetleri migrasyon 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. Migrasyonu başlatmadan önce tüm tablolar genelinde referans bütünlüğünü doğrulayın.
8. Gerçekçi sağlık verisi özelliklerini simüle edin. Normal dağılım kullanarak hasta yaşlarını oluşturun. Poisson dağılımı kullanarak ziyaret sıklıklarını oluşturun. Gerçek dünya EHR eksikliğini simüle etmek için %5 oranında eksik değerler ekleyin. Migrasyondan önce tüm hasta tanımlayıcılarını hashlenmiş değerlerle değiştirin. Oluşturulan tüm kayıtların önceden tanımlanmış şema kısıtlamalarına uygun olduğunu doğrulayın.
9. Migrasyondan önce 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 Seti
Veri Seti Boyutu	10 GB
Toplam Kayıt Sayısı	20 Milyon
Tablo Sayısı	5 Temel Tablo- 28 ilişkisel tablo
Hasta Kayıtları	5,000,000
Ziyaret Kayıtları	10,000,000
Laboratuvar Sonuçları	4,000,000
İlaç Kayıtları	3,000,000
Denetim Günlükleri	5,000,000
Birincil Anahtar	Hasta_ID
Eksik Değer Oranı	5%
Yaş Dağılımı	Normal Dağılım
Ziyaret Sıklığı	Poisson Dağılımı
Bütünlük Eşiği	<%0,1 İhlaller

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

4. Sistem mimarisinin dağıtımı

1. Kaynak katmanı, migrasyon merkezi katmanı, hedef katmanı, ağ güvenliği katmanı, gözlemlenebilirlik katmanı ve açıklanabilir yapay zeka katmanından oluşan güvenli bulut migrasyon mimarisini kurun. Bu çalışmada kullanılan dağıtılmış sistem mimarisi Şekil 2'de gösterilmiştir.
2. Çerçeve, migrasyon süreci boyunca işlevlerini birbiri ardına gerçekleştiren altı çalışma katmanından oluşur. İlk katman olan Kaynak Katmanı, sentetik sağlık veri tabanını içeren katmandır. 
3. Migrasyon Merkezi; şema çıkarımı, şifreli veri transferi, bütünlük doğrulaması ve migrasyon orkestrasyonundan sorumludur. Hedef katmanı, migre edilen veri tabanının Amazon RDS PostgreSQL içerisinde depolandığı katmandır. 
4. Ağ güvenliği katmanı; özel VPC uç noktaları, TLS 1.3 şifreleme, güvenlik grupları ve ağ erişim kontrol listeleri kullanarak tüm iletişimleri koruma altına alan 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 aracılığıyla birbirleriyle iletişim kurar.
7. Migrasyon öncesinde güvenli erişimi ve veri kullanılabilirliğini sağlamak için kaynak veri tabanı ortamını kurun ve doğrulayın.
   1. Sentetik sağlık 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 çıkarımı, şifreli veri transferi ve migrasyon orkestrasyonunu koordine etmek için migrasyon merkezini yapılandırın.
   1. Özel Sanal Özel Bulut (VPC) içerisinde özel bir migrasyon sunucusu kurun. Şema çıkarımı, 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 Katmanı kurun. Hedef veri tabanı ortamı olarak Amazon RDS PostgreSQL 16 kurun. Otomatik yedekleme ve kurtarma servislerini etkinleştirin. Hedef veri tabanında depolanan veriler için AES-256 şifrelemeyi 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 şifrelemeyi etkinleştirin. Aktif durumda hiçbir genel erişime açık uç nokta kalmadığını doğrulayın.
11. Güvenlik olaylarını, migrasyon günlüklerini ve sistem performans metriklerini sürekli 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 gereksinimlerini desteklemek için değişmez günlük depolamayı etkinleştirin. Gerçek zamanlı metrik toplamayı ve uyarı oluşturmayı doğrulayın.
12. Gerçek zamanlı anomali tespiti yapmak ve yorumlanabilir güvenlik açıklamaları oluşturmak için açıklanabilir yapay zeka ortamını yapılandırın.
    1. İzleme ortamı içerisinde anomali tespiti servislerini kurun. 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 oluşturmayı etkinleştirin. Migrasyon deneylerini başlatmadan önce telemetri verilerinin başarıyla alındığını doğrulayın.

Şekil 2: Güvenli sağlık hizmetleri bulut taşıma çerçevesinin dağıtım mimarisi. Dağıtım ortamı; sentetik sağlık hizmetleri veri setini içeren kaynak PostgreSQL veritabanını, özel bir sanal özel bulut (VPC) içindeki özel 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 gerçekleşmektedir. Bu şekil, yazarlar tarafından Microsoft PowerPoint (Microsoft 365) kullanılarak oluşturulmuştur. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

5. Güvenli migrasyon iş akışı

NOT: Tehdit modelleme, 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 gelen saldırıları, önceden yakalanmış kimlik doğrulama isteklerini hedefleyen yeniden oynatma saldırılarını, şifreli iletişim kanallarını yakalamaya çalışan aradaki adam (MITM) saldırılarını, migrasyon sırasında veritabanı yapılarını değiştirmeyi amaçlayan şema kurcalama işlemlerini ve yetkisiz yönetici izinleri elde etmeyi amaçlayan yetki yükseltme saldırılarını değerlendirin.
   3. Geçici en düşük yetki kimlik bilgisi yönetiminin kullanımının, kimlik bilgisi hırsızlığını ve yetki yükseltme saldırılarını önlemede yeterli olup olmadığını kontrol edin. TLS 1.3 ile şifrelenmiş iletişimin yeniden oynatma saldırılarına ve aradaki adam saldırılarına karşı koruma sağladığını doğrulayın.
   4. Kimlik ve erişim yönetimi (IAM) politikalarının yetkisiz yönetici erişimini engellediğini doğrulayın. Sürekli denetim günlüğünün güvenlik ile ilgili tüm migrasyon faaliyetlerinin kaydını tuttuğunu doğrulayın. SHA-256 sağlama toplamı ile kontrol yapmanın, şemada veya verilerde meydana gelen yetkisiz değişiklikleri tespit edebildiğinden emin olun.
   5. Açıklanabilir anomali tespit çerçevesinin olağandışı migrasyon faaliyetlerini konumlandırabildiğini ve ayrıca yorumlanabilir güvenlik açıklamaları sunabildiğini doğrulayın. Belirlenen her tehdit için bir güvenlik kontrol haritası oluşturun. Veritabanını migrate etmeye başlamadan önce belirlenen tüm tehditlerin yeterince azaltıldığını doğrulayın. Yazarlar, tehdit modelini ve güvenlik kontrollerini Tablo 2'de özetlemişlerdir.
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. Doğrulanmış şema tanımlarını hedef veritabanına konuşlandırın. Verileri aktarmadan önce şema konuşlandırmasının başarılı olduğunu onaylayın.
3. Migrasyon faaliyetlerini sürekli olarak izlerken, sağlık verilerini şifreli iletişim kanalları aracılığıyla güvenli bir şekilde migrate edin.
   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 maksimum üç 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 olarak izleyin. Tüm migrasyon olaylarını merkezi denetim günlüklerine kaydedin.
4. Sağlama toplamlarını, kayıt sayılarını ve veritabanı yapılarını karşılaştırarak migrasyonun tamlığını ve bütünlüğünü doğrulayın.
   1. Migrasyondan önce tüm kaynak tablolar için SHA-256 karma değerleri ve migrasyondan sonra tüm hedef tablolar için SHA-256 karma değerleri 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 ancak sağlama toplamı değerleri, kayıt sayıları ve şema yapıları özdeş olduğunda başarılı olarak kabul edin.
5. Veri migrasyonunun başarıyla tamamlanmasının ardından geçici yetkileri kaldırın ve güvenlik kontrollerini kesinleştirin.
   1. Migrasyon tamamlandıktan hemen sonra tüm geçici migrasyon kimlik bilgilerini iptal edin. Hizmet hesaplarındaki yükseltilmiş migrasyon yetkilerini kaldırın. Denetim günlüklerini ve güvenlik izleme kayıtlarını arşivleyin.
   2. Yedekleme prosedürlerinin başarıyla tamamlandığını doğrulayın. Geçici migrasyon sunucularını ve destekleyici kaynakları devre dışı bırakın. Migrate edilen ortamın son bir güvenlik incelemesini gerçekleştirin. Migrasyon sonuçlarını ve doğrulama neticelerini 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 Ayrıcalık (TLP)	IAM günlükleri	Otomatik kimlik bilgisi iptali
İçeriden gelen saldırı	Rol Tabanlı Erişim Kontrolü (RBAC)	Denetim günlükleri + SHAP	Oturum sonlandırma
Yeniden oynatma saldırısı	TLS 1.3 + Nonce doğrulama	Ağ izleme	Yinelenen istekleri reddedin
Ortadaki Adam (MITM)	TLS 1.3 şifrelemesi	Sertifika doğrulama	Şifreli iletişim
Şema manipülasyonu	SHA-256 toplamı + şema doğrulaması	Bütünlük doğrulaması	Doğrulanmış şemayı geri yükle
Yetki yükseltme	IAM politika yürütme	Güvenlik günlükleri	Yetki geri alma

Tablo 2:  Önerilen taşıma çerçevesindeki tehdit modeli ve alınan ilgili güvenlik önlemleri. Tablo, sıfır güven 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 veri tabanı taşıma protokolünün iş akışı. Protokol yedi ardışık aşamadan oluşmaktadır: tehdit modelleme, şema aktarımı, güvenli veri tabanı taşıma, taşınan verilerin doğrulanması, taşıma sonrası sıkılaştırma, denetim günlüğü ve arşivleme ve taşıma işleminin tamamlanması. Taşıma iş akışı boyunca güvenlik izleme, şifreli iletişim, kimlik yönetimi, değişmez günlükleme ve açıklanabilir anomali tespiti 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 taslağı şöyledir: migrasyon güvenlik özelliklerinin belirlenmesi, düzensizlikleri tespit etmek için bir model oluşturulması, migrasyon eylemlerinin ne zaman şüpheli olduğunun tanımlanması ve SHAP yorumlama yöntemleri aracılığıyla açıklanabilir sonuçların üretilmesi.

1. Anomali tespiti ve açıklanabilirlik analizi için gerekli güvenlik telemetri özelliklerini çıkarın ve ön işlemeden geçirin.
   1. Veritabanı sunucularından, kimlik doğrulama sunucularından, uygulama sunucularından ve ağ izleme sistemlerinden güvenlik günlüklerini toplayın. Tüm migrasyonla ilgili 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 başlatılmasından sonlandırılmasına 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 bölümlendirin. Veri setini rastgele olarak Eğitim seti (%70), Doğrulama seti (%15) ve Test seti (%15) olarak ayırın. Tüm alt kümelerde normal ve anomal olayların tutarlı bir dağılımını koruyun.
   2. Açıklanabilir Yapay Zeka Model Seçimi. Etiketli eğitim verilerine ihtiyaç duymadan anomal 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 katkısını nicelleştirmek ve güvenlik izleme sürecinin şeffaflığını artırmak için SHAP TreeExplainer 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 belirtir.
      2. Migrasyon günlüklerinden güvenlik özelliklerini 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 örneği sayısını belirtir. Normalizasyon faktörü Denklem 3'te gösterildiği gibi hesaplanır.
            (3)
         burada H(n-1), (n-1). harmonik sayıyı belirtir.  
      3. Anomali skorları önceden tanımlanmış karar eşiğinden büyük olan migrasyon olaylarını anomali 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 belirtir.
      5. Denklem 5'i kullanarak ortalama mutlak SHAP değerini hesaplayarak küresel özellik önemini belirleyin.
             (5)
         ​burada (N) toplam migrasyon olayı sayısını belirtir.
      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. Model performansını doğrulama veri setiyle 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 üzere 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 üretin.
   2. Şüpheli faaliyetleri tanımlayın. Migrasyon olaylarının tipik mi yoksa anomal 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 anomal 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 doğruluğunun resmi bir kaydını tutun.
4. Bireysel güvenlik özelliklerinin anomali tahminlerine 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 fazla analiz için SHAP çıktılarını kaydedin.
   3. Küresel açıklamalar oluşturun. Genel özellik önemini gösteren SHAP özet grafikleri oluşturun. Ortalama mutlak SHAP değerlerine dayalı SHAP sütun grafikleri oluşturun. Çok etkili özellikler için SHAP bağımlılık grafikleri üretin.
   4. Yerel açıklamalar oluşturun. Temsili anomal migrasyon olaylarını seçin. SHAP kuvvet grafikleri ve şelale grafikleri oluşturun. Her bir anomaliden sorumlu olan özellik katkılarını görselleştirin.
   5. Yorumlama sürecinde oluşturulan temsili 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 katkılarına göre sıralayın. Migrasyon güvenliğini etkileyen en etkili güvenlik göstergelerini belirleyin. Tablo 5, SHAP tabanlı özellik önemi sıralamalarını özetlemektedir.
   7. Açıklama tutarlılığını doğrulayın. SHAP analizini beş bağımsız deneysel çalışmada tekrarlayın. Açıklama stabilitesini ve tutarlılığını ölçün. Özellik sıralamalarının tekrarlanan analizler boyunca sabit kaldığını doğrulayın.
      NOT: Tablo 6, açıklanabilir anomali tespiti sırasında karşılaşılan yaygın sorunları ve önerilen düzeltici eylemleri sunmaktadır.

Özellik	Açıklama	Amaç
Erişim Sıklığı	Migrasyon sırasında kullanıcı erişim talepleri sayısı	Anormal erişim davranışını tespit etme
Başarısız Giriş Sayısı	Başarısız kimlik doğrulama denemesi sayısı	Kaba kuvvet veya yetkisiz erişim girişimlerini belirleme
IP Adresi Değişiklikleri	Kaynak IP adresi değişim sıklığı	Şüpheli ağ davranışlarını tespit edin
Oturum Süresi	Migrasyon sırasındaki kullanıcı oturumlarının süresi	Anormal oturum etkinliklerini belirleyin
Veri Aktarım Hacmi	Migrasyon sırasında aktarılan veri miktarı	Sıradışı veri hareketlerini veya veri sızdırmayı tespit edin

Tablo 3:  Açıklanabilir anomali tespiti için kullanılan güvenlik telemetri özellikleri. Tablo, veritabanı taşıması sırasında izlenen güvenlik özelliklerini, anlamlarını, ölçüm yöntemlerini ve anomali tespiti ile açıklanabilirlik analizine nasıl yardımcı olduklarını sunmaktadır.

Parametre	Değer	Açıklama
Algoritma	Isolation Forest	Anomali tespit modeli
n_estimators	100	İzolasyon ağaçlarının sayısı
contamination	0.02	Beklenen anomali oranı
max_samples	Auto	Ağaç başına kullanılan örnekler
random_state	42	Tekrarlanabilirlik tohumu
bootstrap	False	Yerine koymadan örnekleme
Eğitim Seti	70%	Model eğitim verileri
Doğrulama Seti	15%	Hiperparametre doğrulaması
Test Seti	15%	Final model değerlendirmesi

Tablo 4: Güvenli veri tabanı taşıması sırasında anomalileri tespit etmek için kullanılan Isolation Forest konfigürasyonu. 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 taşıma işlemi sırasında anomali tespit çerçevesinin temsili çıktıları. (A) Anomali eşiğini gösteren Isolation Forest anomali skorlarının dağılımı. (B) Taşıma olaylarının normal ve anomal kategorilerine ayrılması. (C) Isolation Forest modelinin performansını gösteren alıcı işletim karakteristiği (ROC) eğrisi (AUC = 0.97 ± 0.01). (D) Anomali skorlarını, öngörülen etiketleri, etkili güvenlik özelliklerini ve anomali kategorilerini gösteren temsili anomal taşıma olayları. Bu şekil, yazarlar tarafından Python 3.11 (Matplotlib 3.9) kullanılarak oluşturulmuş ve Microsoft PowerPoint (Microsoft 365) ile formatlanmıştır. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Şekil 5: Anomali yorumlaması 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 oturum açma sayısının ve veri aktarım hacminin anomali tahminini nasıl etkilediğini gösteren SHAP bağımlılık grafikleri. (D) Tipik bir anormal migrasyon 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) ile formatlanmıştır. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Sıra	Özellik	Ortalama Mutlak SHAP Değeri	Yorumlama
1	Hatalı Giriş Sayısı	0.352	Anomalı aktivitenin en etkili göstergesi
2	Veri Transfer Hacmi	0.287	Anomali tespitine güçlü katkı sağlayan faktör
3	IP Adresi Değişiklikleri	0.221	Şüpheli ağ davranışını gösterir
4	Oturum Süresi	0.184	Anormal kullanıcı oturumları ile ilişkilidir
5	Erişim Sıklığı	0.156	Sıra dışı erişim modellerini yansıtır

Tablo 5:  Güvenlik telemetri verilerinin SHAP özellik önem puanları. Tablo, güvenlik özelliklerinin ortalama mutlak SHAP değerlerine göre sıralamasını göstermekte ve anomali 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 log verilerini temizleyin ve güvenlik özelliklerini normalize edin.
Kararsız SHAP açıklamaları	Yetersiz arka plan örnekleri	SHAP tarafından kullanılan temsili arka plan örneklerinin sayısını artırın.
Düşük anomali tespit doğruluğu	Özellik 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 işlemeyi kullanın.
İletişim hataları	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 ile tekrarlanabilirlik sonucunda beklenen çıktıların bir özetini sunmaktadır.

7. Performans değerlendirmesi

NOT: Bu bölüm, temel taşıyıcı migrasyon çerçevesini, önerilen sıfır güvene dayalı açıklanabilir YZ tabanlı migrasyon çerçevesi ile karşılaştırmak için kullanılan deneysel prosedürü açıklamaktadır. Performans değerlendirmesi; güvenlik, anomali tespit yeteneği, migrasyon verimliliği ve özdeş deneysel koşullar altında istatistiksel doğrulamayı içermektedir.

1. Adil bir performans karşılaştırması yapabilmek için hem temel hem de önerilen ortamları özdeş koşullar altında yapılandırın.
   1. Konvansiyonel migrasyon ortamını yapılandırın. Geçerlilik süresi 24 h'den fazla olan uzun süreli statik kimlik bilgileri yapılandırın. Veritabanı erişimi için genel ağ uç noktalarını etkinleştirin. Yapay zeka tabanlı anomali tespiti ve açıklanabilirlik mekanizmalarını devre dışı bırakın. Migrasyon faaliyetlerini konvansiyonel güvenlik günlüklerini kullanarak manuel olarak izleyin. Sonraki performans karşılaştırması için migrasyon olaylarını kaydedin.
   2. Sıfır Güven (Zero-Trust) migrasyon çerçevesini yapılandırın. Migrasyon tamamlandıktan sonra otomatik olarak sona eren 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. Çerçevenin tekrarlanabilirliğini değerlendirmek için kontrollü koşullar altında tekrarlanan migrasyon deneyleri gerçekleştirin.
   1. Migrasyon deneyini gerçekleştirin. Hem temel hem de önerilen ortamlar için on bağımsız migrasyon deneyi yürütün. Tüm deneyler boyunca özdeş donanım, yazılım ve ağ yapılandırmalarını koruyun.
   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 tespiti çıktılarını ve yürütme sürelerini kaydedin.
   3. Migrasyon bütünlüğünü doğrulayın. Migrasyon öncesinde ve sonrasında SHA-256 checksum değerlerini hesaplayın. Her migrasyon deneyinden sonra tam veri bütünlüğünü doğrulayın. Checksum doğrulama sonuçlarını belgeleyin.
3. Karşılaştırmalı değerlendirme için nicel güvenlik, migrasyon ve anomali tespiti metriklerini hesaplayın.
   1. Güvenlik performansını ölçün. Kimlik bilgisi ifşa süresini ölçün. Migrasyon sırasında ifşa olan kimlik bilgileri sayısını hesaplayın. Olay tespit süresini ölçün. Genel ağ ifşa süresini kaydedin.
   2. Anomali tespiti performansını değerlendirin. Anomali tespiti doğruluğunu,  kesinliğini, duyarlılığını, 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 mekanizmaları tarafından oluşturulan iletişim ek yükünü kaydedin.
   3. İstatistiksel doğrulama gerçekleştirin. Tüm performans metrikleri için ortalama ve standart sapmayı hesaplayın. %95 güven aralıklarını hesaplayın. Temel ve önerilen çerçeveleri karşılaştırmak için eşleştirilmiş Student's t-testleri gerçekleştirin. İstatistiki anlamlılığı p < 0.05 olarak değerlendirin. Deneysel karşılaştırma sırasında üretilen temsili performans değerlendirme sonuçları Şekil 6'da gösterilmiştir.
   4. Tablo 7, temel ve önerilen migrasyon çerçevesi arasındaki nicel performans karşılaştırmasını özetlemektedir.
      Tablo 8, güvenli veritabanı migrasyonu sırasında karşılaşılan yaygın uygulama sorunlarını, bunların olası nedenlerini ve önerilen düzeltici işlemleri özetlemektedir.

Şekil 6: Temel migrasyon çerçevesi ile önerilen sıfır güvenli, açıklanabilir yapay zeka destekli güvenli bulut migrasyon çerçevesi arasındaki performans karşılaştırması. (A) Uzun vadeli ve geçici en düşük yetki kimlik bilgilerinin kullanıldığı durumlar için kimlik bilgisi ifşa süresinin karşılaştırılması. (B) Doğruluk, kesinlik, duyarlılık, F1-skoru ve AUC dahil olmak üzere anomali tespit performans metriklerinin karşılaştırılması. (C) On bağımsız deneysel çalışma boyunca migrasyon gecikmesinin karşılaştırılması; gecikme artışının önceden tanımlanmış kabul eşiğinin altında kaldığını göstermektedir. (D) Eşleştirilmiş Student t-testleri kullanılarak temel performans metriklerinin istatistiksel karşılaştırması; ortalama farklar ve %95 güven aralıkları gösterilmiştir. 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	Temel Çatı (Ortalama ± SD)	Önerilen Çatı (Ortalama ± SD)	İyileşme	%95 Güven Aralığı	p-değeri
Kimlik Bilgisi Maruz Kalma 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
Migrasyon 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 iyileşme	0.1–0.3	0.031
Genel Ağ Maruziyeti	Etkin	Ortadan Kaldırıldı	%100 ortadan kaldırıldı	N/A	<0.001

Tablo 7: Temel ve önerilen güvenli veritabanı taşıma çerçeveleri: Bir performans karşılaştırması. Tablo; protokol doğrulama sırasında nicel olarak değerlendirilen kimlik bilgisi ifşa süresini, anomali tespit etkinliğini, taşıma gecikmesini, veri bütünlüğünü ve güvenlik geliştirmelerini göstermektedir.

Sayı	Olası Neden	Önerilen Çözüm
Migrasyon kimlik doğrulama hatası	Süresi dolmuş veya geçersiz geçici kimlik bilgileri	Migrasyonu yeniden başlatmadan önce geçici kimlik bilgilerini yeniden oluşturun ve IAM politikalarını doğrulayın.
Yüksek migrasyon gecikmesi	Ağ tıkanıklığı veya yetersiz bant genişliği	Ağ yönlendirmesini optimize edin, düşük trafikli dönemlerde taşıma planlayın ve uç nokta bağlantısını doğrulayın.
Yalancı pozitif anomali uyarıları	Hatalı Isolation Forest kontaminasyon eşiği	Doğrulama veri kümesini kullanarak kontaminasyon parametresini optimize edin ve modeli yeniden eğitin.
Kararsız SHAP açıklamaları	Yetersiz veya temsil gücü olmayan arka plan örnekleri	SHAP arka plan örneklem boyutunu artırın ve temsili örnekleme sağladığınızdan emin olun.
Veri bütünlüğü uyuşmazlığı	Yarıda kesilen migrasyon veya bozulmuş veri aktarımı	SHA-256 sağlama toplamı (checksum) değerlerini ve kaynak/hedef tutarlılığını doğruladıktan sonra migrasyon işlemini yeniden çalıştırın.
Güvenli uç nokta bağlantı hatası	Güvenlik duvarı veya TLS yapılandırma hataları	SSL/TLS sertifikalarını, güvenlik duvarı kurallarını ve özel uç nokta konfigürasyonunu doğrulayın.
Düşük anomali tespit doğruluğu	Eksik öznitelik 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 dağıtım öncesinde model performansını doğrulayın.

Tablo 8: Güvenli sağlık veri tabanı taşıma işlemi için sorun giderme kılavuzu. Tablo, güvenli taşıma protokolünün güvenilir bir şekilde yürütülmesini sağlamak amacıyla sık karşılaşılan taşıma hatalarını, bunların olası nedenlerini, 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