Google’ın güvenlik ajanlarında yanlış alarm yüzde 3’e kadar düştü

Google, 18 Eylül 2026’da kurum içi yazılım geliştirme sürecine yerleştirdiği ajan tabanlı güvenlik mimarisini açıkladı. Google’ın teknik açıklaması, yerelleştirilmiş tehdit modellerinin bazı durumlarda yanlış pozitif oranını yüzde 3’e indirdiğini; ayrı bir yapısal triyaj ajanının ise yüzde 92’nin üzerinde kesinlikle bir dakikadan kısa sürede çalıştığını belirtiyor.

Şirketin aynı tarihli duyurusuna göre sistem, yüz milyonlarca satırlık altyapı kodunda yapılan her değişikliği tarıyor ve ayda yüzlerce güvenlik açığının kod tabanına veya üretime ulaşmasını önlüyor. Akış tek bir yapay zekâ modelinin kararına dayanmıyor: gönderim öncesi tarama, kod tabanına özgü tehdit bağlamı, yapısal doğrulama, gece entegrasyon testleri ve insan incelemesine sunulan düzeltmeler birlikte çalışıyor.

Akış kod gönderilmeden önce başlıyor

Google’ın mimarisi dört işlevsel katmanda okunabilir. İlk katman değişikliği erken tarıyor; ikinci katman bulguyu program yapısı üzerinden doğruluyor; üçüncü katman birden fazla değişikliğin birlikte doğurabileceği riskleri gece testlerinde arıyor; son katman ise önerilen düzeltmeyi insan incelemesine taşıyor.

1. Bağlamlı gönderim öncesi tarama: Hafif tarama ajanı bütün kod tabanını baştan incelemek yerine gönderilmek üzere olan değişikliği değerlendiriyor. Canlı kod tabanı meta verileri ile paketler ve kütüphaneler arasındaki bağımlılık çağrı grafiği, yerelleştirilmiş tehdit modeline ekleniyor.
2. Yapısal triyaj: Uzmanlaşmış ajan, ilk taramanın bulgularını soyut sözdizimi ağacı ayrıştırması, çağrı grafiği geçişi ve önceden dizinlenmiş alan güvenliği kurallarıyla denetliyor. Amaç, şüpheli yolun saldırgan tarafından gerçekten erişilebilir olup olmadığını programatik olarak sınamak.
3. Gönderim sonrası ikinci katman: Gece entegrasyon testleri sırasında çalışan tarama, tek tek değişikliklerde görünmeyip birden fazla değişikliğin birleşmesiyle ortaya çıkabilecek açıkları arıyor.
4. Düzeltme ve insan onayı: Düzeltme ajanı, tarama sonucunu ve açığın nasıl tetiklendiğini gösteren kod parçasını kullanarak şirket standartlarına uygun bir yama öneriyor. Bu yama doğrudan üretime gönderilmiyor; özgün değişiklik isteğinin incelemesi içinde bir insana sunuluyor.

Mimarinin belirleyici ayrımı, olasılıksal ajan çıktısını kanıt saymaması. Google, hafif yapay zekâ taramalarının deterministik yapısal doğrulamayla eşleştirilmesini; geliştirme, tarama ve triyaj ajanlarının araç, kural ve bağlamlarının birbirinden ayrı tutulmasını öneriyor. Böylece bir ajanın varsayımının sonraki aşamada doğrulanmadan kabul edilmesi sınırlandırılıyor.

Yüzde 3 ile yüzde 92 farklı paydaları ölçüyor

Yüzde 3, yerelleştirilmiş ve hassas tehdit modeli verilerinin kullanıldığı bazı durumlardaki yanlış pozitif oranı. Şirket bunu bütün depolar, açık türleri veya Mantis kurulumları için geçerli evrensel bir sonuç olarak sunmuyor. Duyuruyu izleyen bağımsız Mantis değerlendirmesi de bu değeri Google’ın kendi sistemlerinden bildirdiği, sektör karşılaştırması olmayan bir sonuç olarak sınırlıyor.

Yüzde 92’nin üzerindeki değer ise ilk taramadan gelen bulguları yapısal olarak kontrol eden uzman triyaj ajanının kesinliği. Buradaki “precision”, ajanın olumlu işaretlediği bulgular içinde doğru olanların payını ifade ediyor; kaç gerçek açığın yakalandığını ölçen duyarlılık veya geri çağırma oranıyla aynı metrik değil. Bir dakikadan kısa çalışma süresi de bu triyaj aşaması için bildiriliyor.

Açıklamada değerlendirme kümesinin büyüklüğü, açık sınıflarına göre dağılımı, önceki sistemin yanlış pozitif oranı ve kaç gerçek açığın gözden kaçtığı yer almıyor. Bu nedenle iki oran toplanamaz, birbirinden çıkarılamaz veya bütün zincirin genel doğruluk puanı gibi okunamaz. Başlıktaki düşüş, yalnızca yerelleştirilmiş tehdit modellerinin kullanıldığı bazı kurum içi kontroller için doğrulanabiliyor.

Açık kaynak Mantis, kurum içi sistemin hazır kopyası değil

Mantis; kod geçmişini inceleme, tehdit modeli oluşturma, bulguları araştırma, triyaj etme, yeniden üretme ve yamalama gibi görevleri ayrı becerilere bölen açık kaynaklı bir araç takımı ve referans koşum sunuyor. Google’ın iç mimarisi bu yaklaşımı canlı kod tabanı bağlamı, bağımlılık bilgileri, kuruma özgü güvenlik kuralları ve geliştirme sürecine yerleştirilmiş denetimlerle genişletiyor.

Mantis deposundaki güvenlik uyarıları, araç takımının yalnızca izole ve kısıtlı ortamlarda çalıştırılmasını; üretim sistemlerine, hassas verilere veya iç ağlara erişen makinelerde kullanılmamasını istiyor. Depo ayrıca bütün bulguların bildirilmeden önce bir güvenlik uzmanı tarafından elle doğrulanması gerektiğini, projenin gösterim amaçlı olduğunu ve resmen desteklenen bir Google ürünü ya da üretime hazır çözüm olmadığını açıkça belirtiyor.

• Üretilen veya bir açığı yeniden oluşturmak için hazırlanan kod, üretimden ve iç ağdan ayrılmış bir ortamda yürütülmeli.
• Her bulgu ve yama, bildirilmeden ya da kodla birleştirilmeden önce güvenlik uzmanı tarafından doğrulanmalı.
• Bir açığın otomatik olarak yeniden üretilememesi onun yanlış alarm olduğunu kanıtlamaz; başarılı yeniden üretim de açığın her bağlamda sömürülebileceğini göstermez.
• İleri modellerle gözetimsiz çalışmalarda ek izolasyon ve olası kaçış girişimlerini izleyen güçlü denetim gerekiyor.

Bu sınırlar, açık kaynak depoyu çalıştırmanın Google’ın kurum içi yüzde 3 sonucunu yeniden üreteceği anlamına gelmediğini gösteriyor. Kuruluşun tehdit modelleri, geçmiş açık bilgisi, bağımlılık haritası, kodlama standartları ve risk eşikleri sonucun bir parçası. Aynı nedenle AI kod güvenliği kontrollerinde bulgu, kanıt, düzeltme ve onay rollerinin ayrılması önemini koruyor.

Bağımsız ölçüm için gerekli veriler açıklanmadı

Google’ın açıkladığı somut gelişme, ajan tabanlı taramanın kod gönderim sürecine yerleştirilmesi ve iki ayrı kontrol noktasına ait kurum içi sonuçların yayımlanması. Mimari, hızlı taramayı yapısal doğrulama, gece testleri ve insan onayıyla çevreleyerek model çıktısının tek başına üretim kararına dönüşmesini engelliyor.

Buna karşılık bağımsız kıyaslama sonuçları, yanlış negatif oranı, test örneklerinin kapsamı, açıkların önem derecelerine göre dağılımı ve farklı kod tabanlarındaki performans henüz açıklanmış değil. Bu veriler yayımlanana kadar yüzde 3’ü her Mantis kullanımının yanlış alarm oranı, yüzde 92’yi de bütün güvenlik zincirinin doğruluğu olarak yorumlamak mümkün değil.

Ayrıca okuyun:

• Yapay zekâ kod yazdıysa bu 9 güvenlik kapısını atlamayın
• Yapay zekâ çağında herkesin kod yazması gerekmiyor: yüzde 1 ayrıntısı
• Türkiye’de AI ajanı denetimi zayıf: İnsan onayı yalnızca yüzde 13