
# Bilgi Grafiği Tabanlı Kendiliğinden İyileşen Sentetik Veri Boru Hatları Edge AI için

Kenar AI cihazları—endüstriyel sensörlerden giyilebilir cihazlara kadar—model eğitimi, doğrulama ve uyumluluk raporlaması için yüksek kaliteli sentetik veri üretmek zorunda. Geleneksel boru hatları kırılgandır: tek bir sensör arızası, bir politika değişikliği ya da ağ kesintisi tüm veri akışını bozabilir ve maliyetli manuel müdahalelere yol açar.  

**Kendiliğinden iyileşen sentetik veri boru hatları**, bu kırılganlığı otomatik olarak tespit edip, teşhis edip ve hataları onararak giderir. Kendiliğinden iyileşme mantığı bir **bilgi grafiği** tarafından desteklendiğinde, boru hattı veri kökeni, yasal kısıtlamalar ve cihaz yetenekleri hakkında anlamsal bir anlayış kazanır ve gerçekten otonom bir çalışma elde edilir.

Bu makalede şunları inceleyeceğiz:

1. Bilgi grafiğinin kenarda sentetik veri yönetişimi için doğal bir uyum sağladığını açıklamak.  
2. Veri alımından federated model güncellemelerine kadar bir kendiliğinden iyileşen boru hattının temel bileşenlerini detaylandırmak.  
3. Uyumluluk kurallarını ve gizlilik garantilerini doğrudan grafiğe nasıl gömmek gerektiğini göstermek.  
4. Kod parçacıkları ve bir Mermaid mimari diyagramı içeren somut bir uygulama planı sunmak.  
5. Üretim ortamları için performans, güvenlik ve ölçeklenebilirlik hususlarını tartışmak.

---

## 1 Bilgi Grafikleri Kenar Sentetik Veri için Neden Önemlidir

Bir bilgi grafiği, ontolojiler ve çıkarım kurallarıyla zenginleştirilmiş varlıklar (düğümler) ve ilişkiler (kenarlar) ağıdır. Kenar sentetik veri boru hatları için bir grafik şunları yakalayabilir:

| Boyut | Grafik Temsili | Fayda |
|-----------|----------------------|---------|
| **Cihaz envanteri** | “Device‑123” düğümü, *type*, *location*, *capabilities* özellikleriyle | Uyumlular sentetik üreteçlerin anlık keşfi |
| **Veri kökeni** | *Device* → *RawStream* “produces” kenarı ve *RawStream* → *SyntheticDataset* “transforms” kenarı | Denetimler ve model‑drift analizi için izlenebilirlik |
| **Yasal kısıtlamalar** | “[GDPR](https://gdpr.eu/)‑Article‑5” düğümü, *PersonalData* ile “requires” ilişkisi | Çalışma zamanında otomatik politika uygulaması |
| **Kalite metrikleri** | “Metric‑Signal‑Noise” düğümü, *SyntheticDataset* ile ilişkilendirilmiş | Gerçek zamanlı sağlık kontrolleri ve tetikleme eşikleri |
| **Federated learning topolojisi** | *Device* ↔ *FederatedRound* “participatesIn” kenarı | Bant genişliği ve güvene göre katılımcıların dinamik seçimi |

Grafik **anlamsal** olduğu için çıkarım motorları şu gibi karmaşık sorgulara yanıt verebilir:

> *Hangi cihazlar, yeni bir tıbbi görüntüleme modalitesi için sentetik veri üretebilir ve aynı zamanda [HIPAA](https://www.hhs.gov/hipaa/index.html) gizlilik kurallarını karşılar?*

Cevap otomatik olarak türetilir, manuel kural kodlamasını ortadan kaldırır ve uyumluluk boşlukları riskini azaltır.

---

## 2 Mimari Genel Bakış

Aşağıda kendiliğinden iyileşen boru hattının yüksek seviyeli görünümü yer alıyor. Diyagram Mermaid sözdizimiyle ifade edilmiştir; düğüm etiketleri çift tırnak içinde sarılmıştır.

```mermaid
graph LR
    subgraph EdgeNode["Kenar Cihaz"]
        Device["Cihaz"]
        Raw["Ham Sensör Akışı"]
        Synth["Sentetik Üreteç"]
        Metrics["Kalite Metrikleri"]
    end

    subgraph CloudCore["Bulut Bilgi Grafiği Servisi"]
        KG["Bilgi Grafiği"]
        Policy["Uyumluluk Kuralları"]
        Scheduler["İyileştirme Zamanlayıcı"]
        Model["Federasyonlu Model"]
    end

    Device --> Raw
    Raw --> Synth
    Synth --> Metrics
    Metrics --> Scheduler
    Scheduler --> KG
    KG --> Policy
    Policy --> Scheduler
    Scheduler --> Model
    Model --> Device
```

### 2.1 Çekirdek Modüller

| Modül | Sorumluluk | Ana Teknolojiler |
|--------|----------------|-------------------|
| **Kenar Alımı** | Ham sensör verilerini, zaman damgalarını ve cihaz meta verilerini yakalar | Rust/Go ajanları, MQTT, protobuf |
| **Sentetik Üreteç** | Gizlilik‑korumalı sentetik örnekler üretir (GAN, difüzyon veya LLM‑tabanlı) | TensorFlow Lite, ONNX Runtime, TinyML |
| **Metrik Toplayıcı** | Sinyal‑gürültü oranı, dağılım kayması ve kaynak kullanımını hesaplar | Prometheus client, OpenTelemetry |
| **İyileştirme Zamanlayıcı** | Metrik uyarılarını dinler, KG’ye iyileştirme eylemleri için sorgu gönderir | Python asyncio, Neo4j driver |
| **Bilgi Grafiği Servisi** | Varlıkları, ilişkileri ve çıkarım kurallarını depolar | Neo4j Aura, GraphQL API |
| **Uyumluluk Motoru** | GDPR, HIPAA, ISO‑27001 kısıtlamalarını grafik kuralları olarak kodlar | SHACL, OWL |
| **Federated Model Koordinatörü** | Kenar güncellemelerinin güvenli toplamasını yönetir | PySyft, OpenMined, homomorfik şifreleme |

---

## 3 Kendiliğinden İyileşme Döngüsü Ayrıntılı

1. **Metrik Uyarısı** – Kalite Metriği, sentetik veri seti önceden tanımlanmış eşik değerinin altına düştüğünde bir `QualityDegradation` olayı yayar.  
2. **Grafik Sorgusu** – İyileştirme Zamanlayıcı şu Cypher sorgusunu çalıştırır:  

   ```cypher
   MATCH (d:Device {id: $deviceId})-[:produces]->(s:SyntheticDataset)
   WHERE s.quality < $threshold
   RETURN d, s
   ```  

   Bu sorgu sorunlu cihaz ve veri seti düğümlerini döndürür.  
3. **Politika Değerlendirmesi** – Uyumluluk Motoru, “Kalite < 0.7 ve veri kişisel ise farklılık gizliliği ile yeniden üret” gibi kuralları değerlendirir.  
4. **İyileştirme Eylemi** – Çıkarıma göre Zamanlayıcı aşağıdakilerden birini tetikler:  

   * **Yeniden Üret** – Hiper‑parametreleri ayarlayarak sentetik üreteci yeniden çalıştır.  
   * **Model Değiştir** – Grafikte `ModelVersion` düğümü olarak saklanan yedek üreteci devreye al.  
   * **Cihazı İzole Et** – Cihazı geçici olarak federated turdan çıkar.  

5. **Geri Besleme Döngüsü** – İyileştirmeden sonra yeni metrikler toplanır ve kalite hedefi karşılanana kadar döngü tekrarlanır.  

Tüm adımlar grafik içinde kaydedilir ve denetleyiciler için değişmez bir denetim izi oluşturur.

---

## 4 Uyumluluğu Doğrudan Grafik İçine Gömmek

Uyumluluk kuralları, ilgili düğümlere **SHACL şekilleri** olarak eklenir. Örnek: kişisel sağlık kayıtlarından türetilen sentetik verilerin gizlilik bütçesi ε ≤ 1.0 olmalıdır.

```turtle
ex:PrivacyBudgetShape a sh:NodeShape ;
    sh:targetClass ex:SyntheticDataset ;
    sh:property [
        sh:path ex:privacyEpsilon ;
        sh:lessThanOrEquals 1.0 ;
        sh:message "Gizlilik bütçesi izin verilen sınırı aşıyor" ;
    ] .
```

İyileştirme Zamanlayıcı bir yeniden üretim başlattığında, grafik motoru yeni veri setini bu şekle göre doğrular. Doğrulama başarısız olursa, zamanlayıcı otomatik olarak daha agresif bir gizlilik mekanizması (ör. Laplace gürültüsü ekleme) seçer ve veri seti onaylanana kadar kaydetmez.

---

## 5 Uygulama Planı

Aşağıda iyileştirme döngüsünü gösteren minimal bir Python prototipi yer alıyor. `neo4j` sürücüsü, `prometheus_client` ve bir yer tutucu sentetik üreteç kullanılmıştır.

```python
import os
from neo4j import GraphDatabase
from prometheus_client import Gauge, start_http_server
import time

# ---------- Yapılandırma ----------
NEO4J_URI = os.getenv("NEO4J_URI", "bolt://localhost:7687")
NEO4J_USER = os.getenv("NEO4J_USER", "neo4j")
NEO4Q_PASS = os.getenv("NEO4Q_PASS", "password")
QUALITY_THRESHOLD = 0.75

# ---------- Grafik Etkileşimi ----------
class KnowledgeGraph:
    def __init__(self):
        self.driver = GraphDatabase.driver(NEO4J_URI, auth=(NEO4J_USER, NEO4Q_PASS))

    def get_degraded_devices(self):
        query = """
        MATCH (d:Device)-[:produces]->(s:SyntheticDataset)
        WHERE s.quality < $threshold
        RETURN d.id AS device_id, s.id AS dataset_id
        """
        with self.driver.session() as session:
            return session.run(query, threshold=QUALITY_THRESHOLD).data()

    def log_healing_action(self, device_id, action):
        query = """
        MATCH (d:Device {id: $device_id})
        CREATE (h:HealingAction {action: $action, ts: timestamp()})
        CREATE (d)-[:underwent]->(h)
        """
        with self.driver.session() as session:
            session.run(query, device_id=device_id, action=action)

# ---------- Sentetik Üreteç Taslağı ----------
def regenerate_synthetic(device_id):
    # Gerçek bir sistemde kenar cihazda bir TinyML modeli çağrılır.
    # Burada iyileştirme simüle edilmiştir.
    new_quality = min(1.0, QUALITY_THRESHOLD + 0.1)
    return {"quality": new_quality, "privacyEpsilon": 0.9}

# ---------- İyileştirme Zamanlayıcı ----------
def healing_loop():
    kg = KnowledgeGraph()
    while True:
        degraded = kg.get_degraded_devices()
        for record in degraded:
            device_id = record["device_id"]
            # Yeniden üretim denemesi
            new_dataset = regenerate_synthetic(device_id)
            # SHACL doğrulaması (sözde‑kod)
            if new_dataset["privacyEpsilon"] <= 1.0:
                # Yeni veri seti kenara itilir
                kg.log_healing_action(device_id, "regenerated")
                print(f"[{device_id}] Kalite {new_dataset['quality']} ile yeniden üretildi")
            else:
                kg.log_healing_action(device_id, "fallback")
                print(f"[{device_id}] Yedek model uygulandı")
        time.sleep(30)

# ---------- Metrikler ----------
quality_gauge = Gauge("synthetic_quality", "Sentetik veri setlerinin mevcut kalitesi", ["device_id"])

def expose_metrics():
    start_http_server(8000)
    while True:
        # En son kaliteyi grafik üzerinden çek (basitleştirilmiş)
        time.sleep(10)

if __name__ == "__main__":
    import threading
    threading.Thread(target=expose_metrics, daemon=True).start()
    healing_loop()
```

**Prototipten alınacak temel dersler**

* Grafik sorgusu yalnızca müdahale gerektiren cihazları izole eder, ağ trafiğini minimumda tutar.  
* İyileştirme eylemleri grafik kenarları olarak kalıcı bir denetim izi oluşturur.  
* Uyumluluk doğrulaması, yeni veri seti kaydedilmeden önce ayrı bir adım olarak eklenebilir.

---

## 6 Performans ve Güvenlik Hususları

| Açıklama | Öneri |
|----------|-------|
| **Gecikme** | Bilgi grafiğini bölgesel bir kenar‑bulut bölgesinde (ör. AWS Local Zones) konuşlandırarak 20 ms’nin altında dönüş süresi sağlayın. |
| **Bant Genişliği** | Metrik uyarıları için delta‑kodlaması kullanın; tam veri seti yerine sadece değişiklikler gönderilsin. |
| **Gizlilik** | Federated toplama için diferansiyel gizlilik ve homomorfik şifreleme birleştirin; sadece şifreli toplamları grafikte saklayın. |
| **Ölçeklenebilirlik** | Grafiği cihaz bölgesine göre bölümlendirin; her bölüm kendi İyileştirme Zamanlayıcısını çalıştırarak tek bir hata noktasını ortadan kaldırın. |
| **Dayanıklılık** | Zamanlayıcı ve grafik hizmeti için Kubernetes `PodDisruptionBudget` tanımlayın; grafik yedeklerini zaman içinde nokta‑zaman geri dönüşüyle alın. |

---

## 7 Gerçek Dünya Kullanım Senaryoları

1. **Akıllı Üretim** – 5.000 sensörlü bir fabrika katmanı, önleyici bakım için sürekli sentetik titreşim verisi üretir; ISO‑45001 güvenlik raporlamasını otomatik olarak karşılamak için grafik‑tabanlı iyileştirme kullanır.  
2. **Giyilebilir Sağlık İzleyicileri** – Cihazlar, cihaz içinde model güncellemeleri için sentetik kalp atış izleri üretir; grafik, **[HIPAA](https://www.hhs.gov/hipaa/index.html)** gizlilik bütçelerini zorunlu kılar ve sensör aşınmasından kaynaklanan kaymaları anında iyileştirir.  
3. **Otonom Dronlar** – Kenar dronları, sentetik navigasyon haritaları paylaşır; grafik, GPS sahteciliği nedeniyle bozulmuş haritaları algılar ve grafikte saklanan yedek üreteçle yeniden üretir.

---

## 8 Gelecek Yönelimler

* **Grafik‑Yerel Üretken Modeller** – Diffüzyon modellerini doğrudan grafik düğümü olarak saklayarak büyük ikili dosyaları kenara taşımadan anlık sentez sağlamak.  
* **Sıfır‑Güven Kenar Dokusu** – Her cihazın uyumluluk durumunu kanıtlamasını sağlayan sıfır‑güven kimlikleriyle grafiği genişletmek, federated turlara katılımı güvenli kılar.  
* **Auto‑ML Politika Evrimi** – Regülatör geri bildirimlerini grafikte yakalayan pekiştirmeli öğrenme ile uyumluluk eşiklerini otomatik olarak ayarlamak.

---

## İlgili Bağlantılar
- [Neo4j Documentation – Graph Data Science Library](https://neo4j.com/docs/graph-data-science/current/)
- [TensorFlow Lite for Microcontrollers](https://www.tensorflow.org/lite/microcontrollers)
- [OpenMined PySyft – Federated Learning Framework](https://github.com/OpenMined/PySyft)
- [SHACL – Shapes Constraint Language Specification](https://www.w3.org/TR/shacl/)