Endüstriyel Ağlarda Siber Güvenlik Araştırmalarının Karşılaştırılması
Keywords:
Endüstriyel Siber Güvenlik, ICS/SCADA, Derin Öğrenme, Anomali Tespiti, Federe Öğrenme, Açıklanabilir Yapay Zeka (XAI)Abstract
Endüstriyel ağların (Endüstriyel Kontrol Sistemleri/ICS, Denetleyici Kontrol ve Veri
Toplama/SCADA, Endüstriyel Nesnelerin İnterneti/IIoT) dijitalleşme ile birlikte artan Endüstri 4.0/5.0
dönüşümü, sistemlerin entegrasyon hızını artırmakla kalmamakta, aynı zamanda bu kritik sistemlerin
operasyonel verimliliğini de artırırken, siber saldırılara karşı hassasiyetlerini önemli ölçüde etkilemektedir.
Bu durum, akademik alanda gelişmiş tespit mekanizmalarına dair çalışmaların hızla artmasına imkan
tanımıştır. Bu çalışma, 2021-2026 yılları arasında endüstriyel ağ siber güvenliği konusuyla ilgili olarak
yayımlanan bilimsel çalışmaların; uygulanan metodolojiler, kullanılan karşılaştırma veri kümeleri, tespit
performansları ve karşılaşılan teknik sınırlamalar açısından detaylı, karşılaştırmalı ve bibliyometrik bir
analiz yoluyla incelenmesini amaçlamaktadır. Literatür taraması sonucunda yapılan inceleme, akademik
çalışmaların yedi temel yöntem grubuna göre sınıflandırılmasıyla tamamlanmıştır. Araştırmada elde edilen
bulgular, 2021-2023 döneminde çalışmaların çoğunun tekil ve hibrit derin öğrenme modellerini kullanarak
anomali tespitinin doğruluğunu artırmaya yönelik olduğunu göstermektedir.2023-2024 dönemine
gelindiğinde ise veri gizliliğini ön plana çıkaran federe öğrenme (FL) yaklaşımı ve kararların şeffaflığını
sağlayarak açıklama yapabilen açıklanabilir yapay zeka (XAI) yöntemlerinin öne çıktığını
gözlemlemektedir.2024-2026 dönemi ise özellikle grafik sinir ağları (GNN) ve çoklu yöntemi içeren
entegre güvenlik mimarilerinin kullanımının önemli ölçüde arttığını ortaya koymaktadır. İncelemede,
kıyaslama veri kümelerinde belirtilen %97-%99,9 arası yüksek doğruluk oranlarının, gerçek zamanlı ve
dinamik endüstriyel ortamlara doğrudan uygulanabilirliğinin eleştirel bir bakış açısıyla tartışıldığı
görülmüştür. Bu çalışma, mevcut akademik literatürdeki yöntem eksikliklerini ve uygulamada karşılaşılan
engelleri belirlerken, dayanıklı ve ölçeklenebilir yeni nesil endüstriyel siber güvenlik sistemlerinin tasarımı
için kapsamlı bir yol haritası sunmaktadır.
Downloads
References
[1] Q. Gulzar, K. Mustafa, "Interdisciplinary framework for cyber-attacks and anomaly detection in industrial control systems using deep learning," Scientific Reports, vol. 15, art. 26575, 2025.
[2] G. P. Oise, J. A. Odimayomi, B. N. Unuigbokhai, B. E. Akilo, S. A. Oyedotun, "Deep Learning for Cybersecurity Threat Detection in Industrial Process Control and Monitoring Systems," Eng. Proc., vol. 117, no. 1, art. 43, 2025.
[3] H. Kheddar, Y. Himeur, A. I. Awad, "Deep transfer learning for intrusion detection in industrial control networks: A comprehensive review," arXiv preprint arXiv:2304.10550, 2023.
[4] Z. Xu, Y. Wu, S. Wang, J. Gao, T. Qiu, Z. Wang, H. Wan, X. Zhao, "Deep Learning-based Intrusion Detection Systems: A Survey," arXiv preprint arXiv:2504.07839, 2025.
[5] D. A. Kelly, C. Chamon, "Adapting Noise-Driven PUF and AI for Secure WBG ICS: A Proof-of-Concept Study," arXiv preprint arXiv:2510.22283, 2025.
[6] M. M. Aslam, A. Tufail, M. N. Irshad, "Survey of deep learning approaches for securing industrial control systems: A comparative analysis," Cyber Security and Applications, vol. 3, art. 100096, 2025.
[7] M. Hozouri et al., "A comprehensive survey on intrusion detection systems with advances in machine learning, deep learning and emerging cybersecurity challenges," Discover Artificial Intelligence, vol. 5, art. 314, 2025.
[8] A. Termanini, D. Al-Abri, H. Bourdoucen, A. Al Maashri, "Using machine learning to detect network intrusions in industrial control systems: a survey," International Journal of Information Security, vol. 24, no. 1, art. 20, 2025.
[9] D. Abraham, G. Erceylan, V. Gkioulos, S. H. Houmb, "Towards enhanced cybersecurity in industrial control systems: a systematic review of context-based modeling, digital twins, and machine learning approaches," International Journal of Information Security, Springer, 2025.
[10] A. Houkan, A. K. Sahoo, S. P. Gochhayat, P. K. Sahoo, "Artificial intelligence approach to intrusion detection in industrial control systems with real world dataset generation and model evaluation," Discover Artificial Intelligence, 2025.
[11] L. Barcellos-Paula, A. M. Gil-Lafuente, J. M. Merigó, "Research on cybersecurity and business: A bibliometric review (2004–2023)," Cuadernos de Gestión, vol. 25, no. 1, pp. 19–36, 2025. DOI: 10.5295/cdg.242288lb.
[12] A. M. Al-Momani et al., "Trends in Cybersecurity: A Comprehensive Bibliometric Review," in Proc., Springer, 2025.
[13] G. D. Pecherle, R. Ș. Győrödi, C. A. Győrödi, "Federated Learning-Based Intrusion Detection in Industrial IoT Networks," Future Internet, vol. 18, no. 1, art. 2, 2026.
[14] I. A. Soomro, H. U. Rehman, S. J. Hussain, A. Iqbal, W. Khalid, H. Yu, "SecureDyn-FL: A Robust Privacy-Preserving Federated Learning Framework for Intrusion Detection in IoT Networks," arXiv preprint arXiv:2601.06466, 2026.
[15] M. H. Gholamrezazadeh, A. Montazerolghaem, "XAI FL-IDS: A Federated Learning and SHAP-Based Explainable Framework for Distributed Intrusion Detection Systems," arXiv preprint arXiv:2605.19448, 2026.
[16] M. U. Rehman, H. Bahsi, R. Kalakoti, "Incremental Federated Learning for Intrusion Detection in IoT Networks under Evolving Threat Landscape," arXiv preprint arXiv:2603.10776, 2026.
[17] S. Izadi, M. Ahmadi, "Adaptive Meta-Aggregation Federated Learning for Intrusion Detection in Heterogeneous Internet of Things," arXiv preprint arXiv:2602.12541, 2026.
[18] A. Karunamurthy, K. Vijayan, P. R. Kshirsagar, K. T. Tan, "An optimal federated learning-based intrusion detection for IoT environment," Scientific Reports, vol. 15, 2025.
[19] M. A. Hossain, S. Saif, M. S. Islam, "A novel federated learning approach for IoT botnet intrusion detection using SHAP-based knowledge distillation," Complex & Intelligent Systems, 2025.
[20] S. S. Kirkman, S. Fulton, J. Hemmes, C. Garcia, J. C. Wilson, "A Blockchain Architecture to Increase the Resilience of Industrial Control Systems from the Effects of a Ransomware Attack: A Proposal and Initial Results," ACM Transactions on Cyber-Physical Systems, vol. 8, no. 1, 2024.
[21] K. Jadeja, M. Gohil, T. Nahar, A. Vijay, V. Das, "Securing Industrial Control Systems and SCADA Networks: Protocol Weaknesses, Standards, Emerging Defenses, and Future Research Directions," LNNS, Springer, 2026.
[22] O. Sen, T. Hassan, A. Ulbig, M. Henze, "Enhancing SCADA Security: Developing a Host-Based Intrusion Detection System to Safeguard Against Cyberattacks," arXiv preprint arXiv:2402.14599, 2024.
[23] S. Kapoor, S. Kumar, H. Vardhan, "Cyber security of OT networks: A tutorial and overview," arXiv preprint arXiv:2502.14017, 2025.
[24] N. Khan, K. Ahmad, A. Al Tamimi, M. M. Alani, A. Bermak, I. Khalil, "Explainable AI-Based Intrusion Detection Systems for Industry 5.0 and Adversarial XAI: A Systematic Review," Information, vol. 16, no. 12, art. 1036, 2025.
[25] R. Eltomy, W. Lalouani, "Explainable Intrusion Detection in Industrial Control Systems," Proc. IEEE 7th Int. Conf. Industrial Cyber-Physical Systems (ICPS), 2024.
[26] S. Al, Ş. Sağıroğlu, "Explainable Artificial Intelligence Models in Intrusion Detection Systems," Engineering Applications of Artificial Intelligence, vol. 144, art. 110145, 2025.
[27] V. Z. Mohale, I. C. Obagbuwa, "A systematic review on the integration of explainable artificial intelligence in intrusion detection systems," Frontiers in Artificial Intelligence, vol. 8, 2025.
[28] O. Arreche, T. Guntur, M. Abdallah, "XAI-IDS: Toward Proposing an Explainable Artificial Intelligence Framework for Enhancing Network Intrusion Detection Systems," Applied Sciences, vol. 14, no. 10, art. 4170, 2024.
[29] V. Govindarajan, J. H. Muzamal, "Advanced cloud intrusion detection framework using graph based features transformers and contrastive learning," Scientific Reports, vol. 15, art. 20511, 2025.
[30] T. Bilot, N. El Madhoun, K. Al Agha, A. Zouaoui, "Graph Neural Networks for Intrusion Detection: A Survey," IEEE Access, vol. 11, pp. 49114–49139, 2023.
[31] S. G. AboulEla, R. F. Kashef, "Leveraging large language models, graph neural networks, and explainable AI for revolutionizing the next-generation network intrusion detection systems," Journal of Intelligent Information Systems, 2025.
[32] F. Federici, D. Martintoni, V. Senni, "A Zero-Trust Architecture for Remote Access in Industrial IoT Infrastructures," Electronics, vol. 12, no. 3, art. 566, 2023.
[33] A. Ribeiro, "Addressing complexities of zero trust implementation in OT/ICS environments to bolster cybersecurity," Industrial Cyber, 2024.
[34] M. Nasiruzzaman, M. Ali, I. Salam, M. H. Miraz, "The Evolution of Zero Trust Architecture (ZTA) from Concept to Implementation," arXiv preprint arXiv:2504.11984, 2025.
[35] M. L. Gambo, A. Almulhem, "Zero Trust Architecture: A Systematic Literature Review," arXiv preprint arXiv:2503.11659, 2025.
[36] M. Lucchese, G. Salerno, A. Pugliese, "A Digital Twin-Based Approach for Detecting Cyber–Physical Attacks in ICS Using Knowledge Discovery," Applied Sciences, vol. 14, no. 19, art. 8665, 2024.
[37] J. Pisani, G. Cavone, F. Pascucci, L. Giarré, "Using Digital Twin to Detect Cyber-Attacks in Industrial Control Systems," IEEE, 2023.
[38] P. J. Sinijoy, M. Bhasi, V. R. Renjith, "Digital twin-based multilevel attack detection and automotive preventing scheme using machine learning and deep learning approaches," Expert Systems with Applications, vol. 302, art. 130647, 2026.
[39] I. Kreso, M. Tarif, F. Moradi, I. Khazrak, M. M. Rezaee, M. Homaei, "Information-Theoretic Digital Twins for Stealthy Attack Detection in Industrial Control Systems: A Closed-Form KL Divergence Approach," arXiv preprint arXiv:2603.01621, 2026.
