# Olay Akışları Kullanarak AI Tabanlı Gerçek Zamanlı Sürekli Uyumluluk Denetimi

Şirketler periyodik uyumluluk kontrollerinden **sürekli, veri‑odaklı güvenceye** geçiyor. Bu dönüşüm, iki birbirini tamamlayan trend tarafından destekleniyor:

1. **Apache Kafka, Pulsar veya Redpanda** gibi **olay akışı platformları**, saniyenin altındaki gecikme ile günde milyarlarca telemetri noktasını alabiliyor.  
2. **Üretken AI** ve **Grafik Sinir Ağları (GNN)**, ham olayları politika‑bilinçli içgörülere dönüştürerek kayma tahmini yapıyor ve iyileştirme öneriyor.

Sonuç, **Gerçek‑Zamanlı Sürekli Uyumluluk Denetimi (RT‑CCA) motoru**; her işlem, konfigürasyon ve erişim olayını izliyor, kuruluşun uyumluluk bilgi grafiğiyle karşılaştırıyor ve anında uyarı veriyor ya da ihlalleri otomatik olarak düzeltiyor. Bu makale, SaaS ürünleri için böyle bir sistem inşa etmenin nedenini, ne olduğunu ve nasıl yapılacağını anlatıyor.

---

## İçindekiler

1. [Neden Sürekli Denetim Bugün Önemli](#neden-sürekli-denetim-bugün-önemli)  
2. [RT‑CCA’nın Temel Kavramları](#rt‑cca‑nın-temel-kavramları)  
   - Uyumluluğun Omurgası Olarak Olay Akışı  
   - AI‑Destekli Politika Değerlendirme Katmanı  
   - Otomatik‑İyileştirme Orkestratörü  
3. [Mimari Taslak](#mimari-taslak)  
4. [Veri Akışı Walk‑through (Mermaid Diyagramı)](#veri-akışı-walkthrough)  
5. [Bilgi Grafiğinin Oluşturulması](#bilgi-grafiğinin-oluşturulması)  
6. [Gerçek‑Zamanlı Kararlar İçin AI Modelleri](#gerçek‑zamanlı-kararlar-için-ai-modelleri)  
7. [Motorun Devreye Alınması](#motorun-devreye-alınması)  
8. [Güvenlik, Yönetişim ve Gizlilik Hususları](#güvenlik-yönetişim-ve-gizlilik-hususları)  
9. [Başarıyı Ölçmek – KPI’lar & ROI](#başarıyı-ölçmek‑kpi‑lar‑roi)  
10. [Yaygın Tuzaklar ve Kaçınma Yolları](#yaygın-tuzaklar-ve-kaçınma-yolları)  
11. [Gelecek Yönelimleri – Denetimden Öngörücü Yönetişime](#gelecek-yonelimleri‑denetimden-öngörücü-yönetişime)  
12. [Sonuç](#sonuç)  

---

## Neden Sürekli Denetim Bugün Önemli

- **Düzenleyici hız** – [GDPR](https://gdpr.eu/), [CCPA](https://oag.ca.gov/privacy/ccpa), [ISO 27001](https://www.iso.org/standard/27001) ve sektöre özgü standartlar artık **yakın‑gerçek‑zaman kanıtı** talep ediyor.  
- **Anlaşma hızı** – Alıcılar, uyumluluk beyanlarını haftalar içinde değil, günler içinde ister.  
- **Risk yüzeyinin genişlemesi** – Bulut‑yerel mikroservisler, IaC boru hatları ve sunucusuz fonksiyonlar, toplu taramaların kaçırdığı *sürekli* uyumluluk riskleri üretir.  
- **İhlal maliyeti** – Araştırmalar, tespit edilmeyen uyumsuzluğun her saatinin yaklaşık 150 bin $ eklediğini gösteriyor.  

Geleneksel üç‑aylık denetim bir **uyumluluk kör noktası** yaratır. Buna karşın, RT‑CCA tespit süresini haftalardan saniyelere indirerek uyumluluğu *reaktif* bir kontrol listesi yerine *öngörücü* bir kontrol alanına dönüştürür.

---

## RT‑CCA’nın Temel Kavramları

### 1. Uyumluluğun Omurgası Olarak Olay Akışı  

API çağrıları, konfigürasyon kaymaları, IAM değişiklikleri, denetim kayıtları, CI/CD boru hattı olayları gibi tüm ilgili telemetriler **merkezileşmiş, değiştirilemez bir günlük**ye gönderilir. Bu günlük, uyumluluk değerlendirmesinin *tek gerçek kaynağı* haline gelir.

### 2. AI‑Destekli Politika Değerlendirme Katmanı  

**Üretken AI motoru**, politika metnini (ör. “Veri, AES‑256 ile dinlenirken şifrelenmelidir”) **çalıştırılabilir uyumluluk kurallarına** dönüştürür. Motor, olayları bağlamsal yerleştirmelerle zenginleştirir ve kaynaklar arasındaki ilişkileri anlayan bir **Grafik Sinir Ağı** üzerinden işler.

### 3. Otomatik‑İyileştirme Orkestratörü  

Değerlendirme katmanı bir ihlal tespit ettiğinde, **politika‑odaklı orkestrasyon motoru** (Argo Events, Tekton veya Cloud‑Run tabanlı) düzeltici eylemler başlatır: anahtar döndürme, IAM politikası güncelleme veya manuel inceleme için bir bilet oluşturma. Döngü, **kriptografik olarak imzalanmış ve değiştirilemez bir deftere** kaydedilen **denetim izini**yle tamamlanır.

---

## Mimari Taslak

Aşağıda, temel bileşenleri ve veri akışını gösteren yüksek‑seviye bir diyagram yer alıyor. Diyagram, Hugo içinde kolayca gömülmesi için **Mermaid** sözdizimini kullanıyor.

```mermaid
graph LR
    subgraph Event Sources
        A[Uygulama Kayıtları] -->|publish| K[Kafka Konuları]
        B[CloudTrail / Denetim Kayıtları] -->|publish| K
        C[IaC Boru Hatları] -->|publish| K
        D[Kimlik Sağlayıcı Olayları] -->|publish| K
    end

    K -->|raw events| S[Stream Processor (Kafka Streams / Flink)]

    S -->|enriched events| AI[Policy Evaluation AI]
    AI -->|violation alerts| ORCH[Remediation Orchestrator]
    AI -->|audit records| LED[Immutable Ledger]

    ORCH -->|remediation actions| C1[Cloud Functions / Run]
    ORCH -->|human tickets| T[Ticketing System]

    C1 -->|status update| LED
    T -->|manual close| LED

    style LED fill:#f9f,stroke:#333,stroke-width:2px
```

*Önemli notlar*  

- **Kafka Konuları**, uyumluluk alanına göre bölümlenmiştir (ör. “erişim‑kontrol”, “şifreleme”, “veri‑transferi”).  
- **Stream Processor**, olayları filtreler, normalleştirir ve kaynak meta verileriyle süsler.  
- **Policy Evaluation AI**, **retrieval‑augmented generation (RAG)** modülüyle politika araması ve **GNN‑tabanlı risk skorlayıcı** içerir.  
- **Immutable Ledger**, bir **Hyperledger Fabric** kanalı ya da bulut‑tabanlı ek‑ekleme mağazası (ör. AWS QLDB) olabilir.  

---

## Veri Akışı Walk‑through

1. **Alım** – Her mikroservis, JSON kaydını bir Kafka konusuna gönderir.  
2. **Normalleştirme** – Flink, kaydı evrensel bir **ComplianceEvent** şemasına dönüştürür.  
3. **Zenginleştirme** – Olay, **kaynak etiketleri**, **sahip kimliği** ve **ortam** (prod, stage, dev) ile zenginleştirilir.  
4. **Politika Çekimi** – RAG motoru, **Uyumluluk Bilgi Grafiği**’nden ilgili politika maddelerini sorgular.  
5. **Skorlama** – GNN, bir yetkili kullanıcının yüksek‑değerli bir veri setine erişimini grafik topolojisine göre değerlendirir.  
6. **Karar** – Risk eşik değerini aşarsa, motor bir **ViolationAlert** üretir.  
7. **Orkestrasyon** – Orkestratör, politika içinde tanımlı **iyileştirme tarifesini** (ör. “servis‑hesabı anahtarını döndür”) bulur.  
8. **Uygulama** – Cloud Functions, iyileştirmeyi gerçekleştirir, kaynağı günceller ve bir **StatusEvent** geri akışa gönderir.  
9. **Denetim Kaydı** – Her adım, bir **X.509 sertifikası**yla imzalanır ve değiştirilemez deftere eklenir.  

Bu döngü, çoğu olay için **saniyeler içinde** gerçekleşir ve ihlallerin istismar edilmeden önce yakalanmasını sağlar.

---

## Bilgi Grafiğinin Oluşturulması

**Uyumluluk Bilgi Grafiği (CKG)**, RT‑CCA’nın beyni olur. Sakladığı öğeler:

| Varlık Türü   | Örnek                     | İlişkiler |
|---------------|---------------------------|-----------|
| PolicyClause  | “Veri, dinlenirken şifrelenmelidir” | `appliesTo -> ResourceType` |
| Resource      | prod‑logs S3 bucket       | `hasOwner -> TeamA`, `stores -> DataClassification` |
| Control       | `KMSKeyRotation`          | `enforces -> PolicyClause` |
| Incident      | Violation ID              | `causedBy -> Event`, `remediatedBy -> Action` |

**Oluşturma adımları**

1. **Politika belgelerini** (PDF, Markdown, SaaS politika portalları) bir doküman deposuna alın.  
2. **Document AI** (ör. Azure Form Recognizer) kullanarak madde başlıklarını, yükümlülükleri ve referansları çıkarın.  
3. **Semantik parçalama** yapıp her maddeyi bir **cümle‑dönüştürücü** modeli (örn. `all-MiniLM-L6-v2`) ile yerleştirin.  
4. **Neo4j** ya da **JanusGraph** örneğine düğüm ve kenarları yerleştirin.  
5. **GNN**’yi grafikte ön‑eğitimle çalıştırarak, uyumlulukla ilgili düğüm temsilleri öğrenin.

Grafik sürekli **hidrate** edilir: yeni kaynaklar, yeni politikalar ve yeni olaylar, olay akışı içinde göründükçe eklenir.

---

## Gerçek‑Zamanlı Kararlar İçin AI Modelleri

| Aşama | Model Türü | Amaç | Örnek |
|-------|------------|------|-------|
| Politika Çekimi | Retrieval‑Augmented Generation (RAG) + yoğun vektör deposu (FAISS) | Olay için en ilgili maddeyi bul | “Kullanıcı X, DB Y’ye erişti” → “En Az Yetki” maddesini getir |
| Bağlamsal Skorlama | Graph Neural Network (GraphSAGE, GAT) | Grafik topolojisine göre risk skoru hesapla | Yetkili bir kullanıcının PHI içeren veriye erişimi yüksek risk skoru verir |
| Anomali Tespiti | Temporal Convolutional Network (TCN) veya LSTM | Normal dışı olay dizilerini tespit et | IAM rol oluşturmadaki ani artış |
| İyileştirme Önerisi | Talimat‑takip LLM (örn. GPT‑4o) + düşünce‑zinciri istemi | Uygulanabilir adım‑adım plan üret | “KMS anahtarını döndür, IAM politikasını güncelle, sahibi bilgilendir” |
| Açıklanabilirlik | SHAP / LIME üzerine GNN çıktıları | Uyarıların insan‑okunur gerekçesini sağla | “İhlal, kaynak [PCI‑DSS](https://www.pcisecuritystandards.org/pci_security/) verisi içermesi ve admin olmayan bir kullanıcı tarafından erişilmesi nedeniyle oluştu” |

**Model sunumu**, bir **gRPC** uç noktasının arkasında kapsüllenmiş ve **< 5 ms** gecikmeyle akış işlemcisi tarafından çağrılabiliyor.

---

## Motorun Devreye Alınması

| Aktivite | Araç | En İyi Uygulama |
|----------|------|-----------------|
| Dağıtım | Helm chartları + Argo CD | Tüm boru hattını versiyon kontrol altında tutmak için GitOps kullan |
| Ölçekleme | Kubernetes HPA + KEDA | Kafka gecikme metriklerine göre otomatik ölçekle |
| İzleme | Prometheus + Grafana panoları (Mermaid görselleştirmeleriyle) | Gecikme > 5 s, yüksek ihlal dalgası uyarılarını ayarla |
| Kayıt | Loki + Fluent Bit | Denetim kayıtlarını defter girişleriyle ilişkilendir |
| Güvenlik | Hizmetler arası Mutual TLS, Vault ile gizli anahtar döndürme | AI model tokenlarını her 30 günde bir yenile |
| Felaket Kurtarma | Kafka MirrorMaker, CKG periyodik anlık görüntüsü | Üç ayda bir başarısızlık geçişi testi yap |

**CI/CD boru hattı**, yeni bir model dağıtmadan önce **model doğrulama adımları** (veri kayması tespiti, doğruluk gerilemesi) içermelidir.

---

## Güvenlik, Yönetişim ve Gizlilik Hususları

1. **Veri Azaltma** – Yalnızca uyumluluk açısından ilgili alanları akışa gönder.  
2. **Farklılaştırılmış Gizlilik** – Risk skorlaması için telemetrileri toplarken, kullanıcı‑seviye detayları korumak amacıyla kalibre edilmiş gürültü ekle.  
3. **Sıfır‑Bilgi Kanıtları (ZKP)** – Özellikle yüksek düzenlemeli verilerde, ham veriyi ortaya çıkarmadan uyumluluğu kanıtlamak için ZKP kullan (örn. “AES‑256 anahtarına sahibim, anahtarı göstermiyorum”).  
4. **Denetim İzinin Değiştirilemezliği** – Her denetim kaydının hash’ini bir **Merkle ağacı** içinde sakla ve kökünü halka açık bir blockchain’e (örn. Ethereum) sabitle.  
5. **Model Yönetişimi** – **Model Kayıt Defteri** (MLflow) içinde sürüm, veri kökeni ve onaylı kullanım kapsamı tutulmalı.  

Bu önlemler, RT‑CCA sisteminin kendisinin bir uyumluluk riski haline gelmesini önler.

---

## Başarıyı Ölçmek – KPI’lar & ROI

| KPI | Hedef | İş Etkisi |
|-----|-------|-----------|
| Tespit Gecikmesi | < 2 saniye | Daha hızlı olay müdahalesi, düşük ihlal maliyeti |
| İhlal Azaltma Oranı | 3 ay içinde %80 azalma | Politika etkinliğini gösterir |
| Otomasyon Oranı | %70’ten fazla ihlal otomatik giderilsin | Mühendislik saat tasarrufu |
| Denetim Hazırlık Süresi | SOC 2 denetimi için < 1 saat | İş anlaşma süreçlerini hızlandırır |
| Model Açıklanabilirlik Skoru (SHAP) | > 0.8 insan incelemeyle korelasyon | AI uyarılarına güven artışı |

**ROI**, tasarruf edilen iş gücünü (örn. 10 FTE × \$120k) altyapı ve model lisans maliyetleriyle karşılaştırarak hesaplanır. Çoğu erken benimseyen, **ilk yılda 3‑kat ROI** elde eder.

---

## Yaygın Tuzaklar ve Kaçınma Yolları

| Tuzak | Belirti | Önlem |
|------|----------|-------|
| Olay veri yolunun aşırı yüklenmesi | Kafka gecikmesi > 30 saniye | Alan bazlı bölümlendirme, tiered storage etkinleştir |
| Politika kaymasının yakalanmaması | Yeni düzenleme CKG’da hiç görülmez | Haftalık politika alma görevleri zamanla çalıştır |
| Kara‑kutu uyarıları | Güvenlik analistleri bir uyarıyı açıklayamıyor | SHAP açıklamaları ekle, maddeye doğrudan bağla |
| Model bozulması | 2 ay sonrası artan yanlış pozitif | Otomatik veri‑kayması izleyicileri dağıt, üç ayda bir yeniden eğit |
| Sadece uyumluluğa odaklanmak | AI modellerinde yeni teknolojiler (ör. AI modelleri) göz ardı edilir | CKG’ya “AI‑Model‑Risk” varlık tipleri ekle |

---

## Gelecek Yönelimleri – Denetimden Öngörücü Yönetişime

Bir sonraki evrim, **Öngörücü Yönetişim**: aynı olay‑akışı + AI yığını kullanarak **aylar öncesinden uyumluluk ısı haritaları** tahmin etmek. Geçmiş kayma desenlerini bir **Transformer‑tabanlı zaman‑serisi modeli**yle besleyerek sistem, “PCI‑DSS son tarihinden önce token‑binding ekle” gibi **politika ön‑tahminleri** önerir.

Diğer ortaya çıkan yetenekler:

- **Federated Learning** ile birden fazla SaaS kiracısı arasında risk modelleri geliştirilir, ham telemetri paylaşılmaz.  
- **Uyumluluk Dijital İkizi**, her mikroservisin bir sanal kopyasını oluşturur; politika etkileri canlıya geçmeden simüle edilir.  
- **Kendini‑İyileştiren Sözleşmeler**, doğrulanmış uyumluluk değişikliklerine yanıt olarak otomatik sözleşme maddelerini günceller.

Bu yenilikler, uyumluluğu bir maliyet kalemi olmaktan **stratejik bir rekabet avantajına** dönüştürür.

---

## Sonuç

Olay akışı ve üretken AI ile güçlendirilmiş Gerçek‑Zamanlı Sürekli Uyumluluk Denetimi, şu faydaları sunar:

- **Her uyumluluk eylemini anlık olarak görünür kılar**.  
- **Açıklanabilir, otomatik iyileştirmeler** sayesinde manuel çaba azalır.  
- **Değiştirilemez, denetlenebilir kanıt**; düzenleyicilerin ve alıcıların taleplerini karşılar.  

Modüler bir boru hattı – olay alımı, AI‑destekli politika değerlendirme ve orkestrasyon – inşa ederek, şirketler çeyrek‑periyodik kontrol listelerinden **yaşayan bir uyumluluk dokusuna** geçebilir. Yolculuk, Helm, Argo CD ve açık‑kaynak AI bileşenleriyle bir gün içinde sağlanabilir; gerçek getiri – sürekli güvence ve hızlandırılmış anlaşma döngüsü – anında ortaya çıkar.