suç

Suç, artık yalnızca fiziksel bir eylem değil; yazılım mimarilerinin, API'lerin ve veri mühendisliğinin tam ortasında şekillenen dijital bir olgu.

Dijital dönüşümün hızlandığı bugünlerde, suç kavramı soyut katmanlara sıçrayarak yazılım hatalarını, veri sızıntılarını ve otonom sistem açıklarını birer suç mahalline çeviriyor. Senior mühendisler olarak bu dönüşümü yalnızca hukuki bir mesele olarak değil, altyapısal bir risk yönetimi problemi olarak okumak zorundayız. Çünkü bir dağıtık sistemdeki izleme eksikliği, usulsüz veri işleme veya hatalı bir CI/CD pipeline konfigürasyonu, anında büyük çaplı bir suç zincirini tetikleyebilir.

Bu yazıda, suç olgusuna tamamen teknik bir mercekten bakacağız. SaaS ürünlerinde yaşanan yetkilendirme açıklarından kenar yapay zeka ile anlık tehdit tespitine, blokzincir üzerinde ihbar kanıt yönetiminden makine öğrenmesi temelli suç tahmin sistemlerine kadar pek çok konuyu, üretim sahasından somut örneklerle ele alacağız. OWASP, NIST SP 800-53 ve RFC 2828 gibi referans çerçeveleri eşliğinde, suçun algoritmik anatomisini çıkarmaya hazır olun.

Suç Tahmin Sistemlerinde Makine Öğrenmesi Mimarileri

Suç tahmin sistemleri, geçmiş olay verilerini mekânsal ve zamansal özniteliklerle birleştirerek gelecekteki risk bölgelerini belirlemeye çalışır. Los Angeles Polis Departmanı'nın PredPol gibi araçları, kernel yoğunluk tahmini ve üstel düzeltme gibi görece basit istatistiksel yöntemlerle başlamış olsa da günümüzde transformer tabanlı derin öğrenme modellerine geçiş hızlanıyor. Üretim ortamlarında, Apache Kafka ile akan canlı veri hatları üzerinde suç tahminini gerçek zamanlı olarak güncelleyen mikroservis mimarileri kuruyoruz.

Bu mimarilerde en kritik başlık, veri borusunun deterministik olarak yeniden üretilebilir olmasıdır. Loglama, sürümleme ve özellik deposu (Feast gibi) kullanılmadığında, tahminlerin denetlenebilirliği kaybolur. Aynı zamanda model kartları ve SHAP değerleri ile açıklanabilirlik katmanı eklemek, olası bir önyargı suçlamasında savunma hattı oluşturur. RFC 3117'de belirtilen tasarım ilkeleri, bu tür kritik sistemlerde gözlemlenebilirlik gerekliliklerini net şekilde ortaya koyar.

Öte yandan, sürekli eğitim (continuous training) döngüleri ile suç desenlerindeki kaymalara uyum sağlamak gerekiyor. Model kayması (drift) tespiti için Evidently AI veya Alibi Detect gibi kütüphanelerle veri dağılımındaki değişiklikler anlık izlenmeli; eşik aşıldığında otomatik yeniden eğitim (retraining) tetiklenmelidir. Bu yaklaşım, statik modellerin yol açtığı "donmuş gözlem penceresi" sorununu ortadan kaldırarak suç tahmin hassasiyetini sürekli diri tutar.

Siber Suçların Teknik Anatomisi: Saldırı Vektörleri ve Savunma Katmanları

Siber suç, yazılım geliştirme yaşam döngüsünün her aşamasında yuvalanabilir. OWASP Top 10 (2021)'da listelenen kırık erişim kontrolü (A01) ya da enjeksiyon açıklıkları (A03), klasik ama hâlâ en sık karşılaşılan vektörlerdir. Bir kurumsal uygulamada, JWT token doğrulama mantığının yanlış yapılandırılması, kullanıcıların yetkisiz verilere erişmesine neden olarak doğrudan KVKK kapsamında bir suç teşkil edebilir. Biz, günlük CI/CD boru hatlarımızda ZAP ve Snyk taramalarını zorunlu tutarak bu riskleri minimize ediyoruz.

Savunma katmanları elbette yalnızca kod seviyesiyle sınırlı değil. Sıfır güven (zero trust) mimarisi çerçevesinde, her servis çağrısını mTLS ile güvenceye almak; Kubernetes ağı içinde Calico ya da Cilium gibi CNI eklentileriyle mikro segmentasyon uygulamak gerekir. Bir container kaçış zafiyetinin, tüm kümeyi rehin alabileceğini akılda tutarak, pod güvenlik bağlamlarını (security context) asla varsayılan bırakmıyoruz.

Üstelik günümüzde siber suçlar, fidye yazılımların çok ötesine geçerek veri zehirleme (data poisoning) ile makine öğrenmesi modellerini hedef alıyor. Bir MLOps pipeline'ında eğitim verilerine sızıldığında, modelin çıktısı kasıtlı olarak saptırılabilir. Bu nedenle, veri imzalama ve TensorFlow Extended (TFX) içinde veri doğrulama adımlarını zorunlu kılacak politikalar oluşturmak, suç girişimini daha tetiklenmeden bloke eder.

Dijital Adli Bilişim ve Kanıt Zincirinin Korunması

Dijital adli bilişim, bir siber olay sonrasında delil bütünlüğünü matematiksel olarak garanti altına almakla başlar. İlk müdahalede, disk imajı alırken dd komutuyla blok seviyesinde hashing yapmak ve SHA‑256 özetini ayrı bir soğuk cüzdanda saklamak, yargı önünde kanıt zincirini ayakta tutar. Uygulama günlükleri için ELK Stack (Elasticsearch, Logstash, Kibana) üzerinde her satırın zaman damgası ve kümülatif hash ile mühürlenmesi, mahkeme sürecinde sorunsuz bir delil sunumu sağlar.

Dağıtık sistemlerde ise olay yeri her zaman tek bir sunucuda değildir; konteynerlar arası metrikler, mesaj kuyrukları ve orkestratör logları bir araya getirilerek bir olay korelasyonu (event correlation) grafiği çizilmelidir. Suç izlerini geriye doğru takip ederken, OpenTelemetry ile enjekte edilmiş trace ID'ler sayesinde bir HTTP çağrısının geçtiği tüm mikroservisleri milisaniye hassasiyetiyle izleyebiliyoruz. Bu teknik yetenek, suçun tam menşeini belirlemede vazgeçilmezdir.

Adli bilişim sürecinde sıklıkla atlanan konu, uçucu bellek (RAM) forensikleridir. AWS EC2 nitro enklavları ya da Intel SGX gibi güvenli yerleşim bölgelerinde çalışan hassas veriler, bellek dökümü alınamayacak şekilde izole edilmiştir. Bu tür ortamlara özgü delil toplama stratejileri geliştirmezseniz, saldırganın izini sürmek imkânsız hale gelebilir; dolayısıyla üretim mimarisini tasarlarken adli ihtiyaçları göz önüne almak, sonradan karşılaşılacak suç soruşturmalarını doğrudan etkiler.

Blokzincir Tabanlı Suç Kayıt ve İhbar Sistemleri

Blokzincir, değiştirilemez kayıt tutma özelliğiyle suç ihbar mekanizmalarında dağınık güven (decentralized trust) modeli sunar. Örneğin, bir kamu ihbar portalında yapılan