Fiziksel yapay zeka güvenliği için beş katmanlı sınıflandırma önerisiProposing a five-layer taxonomy for physical AI security

ÖzetSummary

Yazarlar, 2015–2025 yılları arasını kapsayan 312 makale, 28 standart ve 12 olay raporunun PRISMA kılavuzuna uygun incelenmesiyle desteklenen beş katmanlı bir sınıflandırma öneriyor. Bu sınıflandırma (donanım güveni, devreye alma öncesi doğrulama, çalışma zamanı güvencesi, alan anlambilimi, bilgi geri bildirimi) parçalanmış Fiziksel Yapay Zeka Güvenliği literatürünü birleştirmeyi hedefliyor.The authors propose a five-layer taxonomy supported by a PRISMA-guided review of 312 articles, 28 standards, and 12 incident reports covering the period 2015–2025. This taxonomy (hardware trust, pre-deployment validation, runtime assurance, domain semantics, and information feedback) aims to unify the fragmented Physical AI Security literature.

Neden ÖnemliWhy it matters

Yapay zeka modelleri fabrikalarda, depolarda ve kritik altyapılarda fiziksel aktüatörleri giderek daha fazla yönlendirdikçe, güvenlik araştırmaları donanım, yapay zeka, robotik ve OT toplulukları arasında dağınık bir halde. Ortak bir terminoloji neredeyse yok. Ortak bir yapısal çerçeve, araştırmacıların ve düzenleyicilerin katmanlar arası bağımlılıkları görmesine yardımcı olabilir. Örneğin, ele geçirilmiş bir sensörün zehirli bir denetleyiciyi beslemesi ve bu denetleyicinin bir insanın yakınındaki robotu harekete geçirmesi gibi durumlar. Bu çerçeve ayrıca, Fiziksel Yapay Zeka'nın klasik ICS'den en çok ayrıldığı ve kapsamın en zayıf olduğu alanlara (model menşei, öğrenen denetleyici doğrulaması, HRI güvenliği) odaklanmayı sağlar.As AI models increasingly direct physical actuators in factories, warehouses, and critical infrastructure, security research remains scattered across hardware, AI, robotics, and OT communities. A common terminology is nearly nonexistent. A shared structural framework can help researchers and regulators see cross-layer dependencies. For example, scenarios where a compromised sensor feeds a malicious controller, which in turn activates a robot near a human. This framework also allows focusing on areas where Physical AI differs most from classic ICS and where coverage is weakest (model provenance, learning controller validation, HRI safety).

Öne ÇıkanlarHighlights

• Beş katmanlı sınıflandırma: donanıma dayalı güven → devreye alma öncesi doğrulama → çalışma zamanı güvencesi → alan anlambilimi → bilgi geri bildirimiFive-layer taxonomy: hardware-based trust → pre-deployment validation → runtime assurance → domain semantics → information feedback
• PRISMA kılavuzlu inceleme: 312 makale + 28 standart + 14 düzenleyici çerçeve + 12 olay raporu (2015–2025)PRISMA-guided review: 312 articles + 28 standards + 14 regulatory frameworks + 12 incident reports (2015–2025)
• Model menşei, öğrenen denetleyici doğrulaması ve insan-robot etkileşimi güvenliğinde yoğunlaşan boşluklar tespit edildi; önceliklendirilmiş 10 araştırma zorluğu önerildiIdentified gaps focused on model provenance, learning controller validation, and human-robot interaction safety; proposed 10 prioritized research challenges

EleştiriCritical take

Bu makale hakemli olmayan bir ön baskıdır. Temel çıktısı kavramsal bir sınıflandırma ve literatür taramasıdır. 'Referans mimari' açıkça değerlendirilmemiş durumdadır. On araştırma zorluğu bir okuma listesi olarak faydalı olsa da, belirtilen kriterlerin ötesinde hiçbir ampirik doğrulama veya çürütme içermiyor. Sınıflandırma, bilinen güvenlik alanlarının yeniden düzenlenmesinden ibaret; yeni bir teknik katkı sunmuyor. Bu nedenle çalışmanın gerçek değeri, topluluğun bu çerçeveyi gerçekten benimseyip benimsemeyeceğine bağlı.This article is a non-peer-reviewed preprint. Its main output is a conceptual taxonomy and literature review. The 'reference architecture' is not explicitly evaluated. While the ten research challenges are useful as a reading list, they contain no empirical validation or refutation beyond the stated criteria. The taxonomy is merely a reorganization of known security domains and offers no new technical contribution. Therefore, the work's real value depends on whether the community actually adopts this framework.