Yapay Zeka Hızlı Bakış & Çıkarımlar
AI InsightBu çalışmada, altı ağ katmanı boyunca on iki farklı siber saldırı türünün gerçek zamanlı sınıflandırılmasını gerçekleştirmek amacıyla hibrit Evrişimsel Sinir Ağı ve Çift Yönlü Uzun Kısa Süreli Bellek (CNN+BiLSTM) mimarisine dayalı bütünleşik bir fiziksel katman saldırı tespit sistemi olan SAGSU-6G önerilmektedir.
📌 3 Maddede Bu Makale
Özet
Altıncı nesil (6G) kablosuz ağlar, Uzay–Hava–Kara–Kullanıcı–Deniz Yüzeyi–Sualtı (SAGSU-U) iletişim alanlarını tek bir bütünleşik mimari altında birleştirerek yeni bir iletişim paradigması sunmaktadır. Bu bütünleşik yapı, ağ bağlantısı ve kapsama alanını önemli ölçüde artırırken, aynı zamanda siber saldırı yüzeyini genişleterek fiziksel katman saldırı tespiti açısından yeni güvenlik zorluklarını da beraberinde getirmektedir. Bu çalışmada, altı ağ katmanı boyunca on iki farklı siber saldırı türünün gerçek zamanlı sınıflandırılmasını gerçekleştirmek amacıyla hibrit Evrişimsel Sinir Ağı ve Çift Yönlü Uzun Kısa Süreli Bellek (CNN+BiLSTM) mimarisine dayalı bütünleşik bir fiziksel katman saldırı tespit sistemi olan SAGSU-6G önerilmektedir. Önerilen yaklaşımın değerlendirilmesi amacıyla dinamik 'Kalış Süresi' algoritmalarına sahip özel bir Python tabanlı matematiksel benzetim ortamı geliştirilmiş ve gerçek zamanlı akış senaryosunda 1.453 ardışık kayan-pencere (sliding-window) gözlemi üretilmiştir. Veri kümesi; RSSI, SINR, Doppler, Kanal Durum Bilgisi (CSI), Bit Hata Oranı (BER), gecikme dalgalanması (Jitter), Paket Teslim Oranı (PDR) ve verim (Throughput) olmak üzere sekiz fiziksel katman metriğini içermektedir. Deneysel sonuçlar, farklı saldırı türlerinin heterojen iletişim alanlarında birbirinden ayırt edilebilir bozulmalara neden olduğunu göstermektedir. Önerilen CNN+BiLSTM modeli, gerçek zamanlı analiz ekranında %87,1'lik canlı akış doğruluğu ve 50 ms'nin altında çıkarım gecikmesi elde ederek geleceğin heterojen 6G ortamlarında gerçek zamanlı saldırı tespiti açısından etkin bir çözüm sunduğunu kanıtlamıştır.
Abstract
Sixth-generation (6G) wireless networks introduce a fundamentally new communication paradigm by integrating heterogeneous Space–Air–Ground–User–Sea Surface–Underwater (SAGSU-U) domains into a unified architecture. Although this integration significantly enhances network connectivity and coverage, it also expands the cyberattack surface, creating new security challenges for physical-layer intrusion detection. This paper presents SAGSU-6G, a unified physical-layer intrusion detection (PIDS) framework based on a hybrid convolutional neural network and bidirectional long short-term memory (CNN+BiLSTM) architecture for real-time classification of twelve cyberattack categories across six network layers. A custom Python-based dynamic physical-layer simulation environment incorporating realistic propagation models and 'Dwell Time' mechanics was developed to generate continuous sequential data. The live monitoring interface processed 1,453 sliding-window observations using eight physical-layer metrics: RSSI, SINR, Doppler, CSI, BER, jitter, PDR, and throughput. Experimental results demonstrate distinct attack-dependent degradation patterns across heterogeneous communication domains and a balanced class distribution suitable for multi-class learning. The proposed CNN+BiLSTM model achieved an 87.1% real-time streaming classification accuracy with an inference latency below 50 ms, demonstrating its effectiveness for real-time intrusion detection in future heterogeneous 6G environments.