Elektronik Harpta Yapay Zekâ: Tehdit Sınıflandırma Nasıl Çalışır?

Modern savaş alanında bir platform yüzlerce radar ve haberleşme sinyaliyle çevrilidir. Radar ikaz alıcısı (RWR) bu sinyalleri tespit eder; ancak hangisinin gerçek bir tehdit olduğuna karar vermek, operatörün zamanla yarıştığı bir problemdir. Yapay zekâ destekli sınıflandırma bu noktada devreye giriyor.

Geleneksel yaklaşım

Klasik sistemler, bir tehdit kitaplığındaki parametrelerle (taşıyıcı frekans, darbe genişliği, darbe tekrarlama aralığı) gelen sinyali eşleştirir. Bu yaklaşım hızlıdır ancak kitaplıkta olmayan, parametreleri değişen veya birbirine benzeyen sinyallerde yanlış alarm üretebilir.

Makine öğrenmesi katkısı

Yapay zekâ modelleri, sinyalin birçok özelliğini (modülasyon tipi, jitter, istatistiksel dağılım, anten tarama deseni) birlikte değerlendirir. Böylece benzer sinyaller arasında ayrım yapılır ve kitaplıkta bulunmayan emitter'lar 'bilinmeyen tehdit' olarak işaretlenir. Bizim yaklaşımımızda model, yalnızca yardımcı karar verici olarak çalışır; nihai karar kural tabanlı bir güvenlik katmanından geçer.

Doğruluk ve güvenilirlik

Sınıflandırma başarımı doğru sınıflandırma oranı, yanlış alarm oranı ve karar süresiyle ölçülür. Laboratuvar testlerimizde ortalama sınıflandırma süresi 0,4 saniyenin altında; yanlış alarm oranı geleneksel yönteme göre yaklaşık yarıya inmiştir. Ancak model performansı eğitim verisinin kalitesine bağlıdır; bu yüzden sentetik ve gerçek ölçüm verisi birlikte kullanılır.

İnsan operatör

Yapay zekâ operatörün yerine geçmez; ona destek olur. Arayüzde her sınıflandırmanın güven skoru ve gerekçesi gösterilir, operatör kararı geçersiz kılabilir. Bu 'açıklanabilirlik' ilkesi, sistemin sahada güvenilir kullanımı için kritiktir.

Güncelleme ve güvenlik

Modeller platform üzerinde değil, güvenli bir ortamda eğitilir ve imzalı yazılım paketleri olarak dağıtılır. Böylece kötü niyetli model değişiklikleri engellenir.

Gelecek

Önümüzdeki yıllarda federatif öğrenme ve platformlar arası tehdit paylaşımı, elektronik harp ağlarının en önemli gelişme alanları olacak.

Veri ve doğrulama

Modelin güvenilirliği, eğitim ve test verisinin çeşitliliğiyle doğru orantılıdır. Laboratuvarda sentetik sinyal üreteçleriyle on binlerce senaryo, sahada ise gerçek ölçüm kampanyalarıyla toplanan veri kullanılır. Doğrulama sırasında model, daha önce hiç görmediği sinyal tipleriyle de test edilir; bu testler 'açık küme' başarımını ölçer.

Sınırlamalar

Yapay zekâ, kötü niyetli sinyal taklidine (spoofing) karşı da dayanıklı olmak zorundadır. Bu nedenle model çıktıları, bağımsız bir tutarlılık denetiminden geçirilir ve şüpheli girdilerde güven skoru otomatik düşürülür.