LLM Uygulamaları için OWASP Top 10 2026: 10 Riskin Tamamı Açıklandı
November 19, 2026 'de güncellendi6 dakika oku
LLM Uygulamaları için OWASP Top 10, OWASP GenAI Security Project'in büyük dil modelleri (LLM) üzerine kurulan uygulamalar için en kritik güvenlik risklerini içeren listesidir. 2026 sürümü Ağustos 2026'da yayımlandı (kaynak sayfasının tarihi 3 Ağustos) ve 1 Eylül 2026'da duyuruldu. Bu rehber, on maddenin tamamını resmi kimlikleriyle listeliyor, her birini kısaca açıklıyor, her madde için pratik bir kontrol veriyor ve 2025'ten bu yana nelerin değiştiğini özetliyor.
Proje liderlerinin açılış mektubu genel tonu belirliyor: “Kandırılamayan bir model geliştirmeye çalışmayı bırakın. Sistemi modelin etrafına kurun; böylece model kandırıldığında, ki kandırılacak, önemli hiçbir şey bozulmasın.”
2026 Listesi Nasıl Oluşturuldu
Önceki sürümler uygulayıcıların değerlendirmelerine dayanıyordu. 2026 için OWASP, topluluk oylamasını ayrıca kamuya açık zafiyet veritabanlarından ve bir AI zararları veritabanından derlenen 7714 gerçek olaylık bir veri kümesiyle karşılaştırdı; bunların 6639'u sınıflandırılacak kadar ayrıntı içeriyordu. Oylama ağırlığın dörtte üçünü, olay verileri ise dörtte birini oluşturuyor. İkisi her zaman uyuşmadı: Ham olay sayılarına göre sıralandığında prompt injection ilk 10'un dışına düşüyor. OWASP bunu bir “savunma etkisine” (defense effect) bağlıyor: Ekipler bununla yoğun şekilde mücadele ettiği için kamuya açık veritabanlarına daha az temiz istismar (exploit) ulaşıyor. Misinformation ise ters yönde ilerledi: Oy verenler onu sona yakın, olay kayıtları ise zirveye yakın konumlandırdı ve kanıtlar onu yedinci sıraya çıkardı.
2026 Listesine Genel Bakış
| 2026 maddesi | 2025'teki sırası |
|---|---|
| LLM01:2026 Prompt Injection | 1 |
| LLM02:2026 Sensitive Information Disclosure | 2 |
| LLM03:2026 Excessive Agency | 6 |
| LLM04:2026 Supply Chain | 3 |
| LLM05:2026 Data and Model Poisoning | 4 |
| LLM06:2026 Unbounded Consumption | 10 |
| LLM07:2026 Misinformation | 9 |
| LLM08:2026 Hidden Context Exposure | 7 (System Prompt Leakage adıyla) |
| LLM09:2026 Vector and Embedding Weaknesses | 8 |
| LLM10:2026 Improper Output Handling | 5 |
2025 sıralamaları OWASP'nin 2025 listesinden alınmıştır.
LLM01:2026 Prompt Injection
Kullanıcıdan, bir belgeden, bir araç sonucundan, bir görselden ya da bellekten gelsin, modelin davranışını geliştiricinin amaçlamadığı şekillerde değiştiren girdi. Madde artık talimatları görsellere veya seslere gizleyen çapraz modlu (cross-modal) saldırıları da kapsıyor. Kontrol: Kimlik bilgilerini ve durum değiştiren eylemleri uygulama kodunda tutun ve modele her işlem için en az yetkiyi verin. Prompt injection rehberimiz bu maddeyi derinlemesine ele alıyor.
LLM02:2026 Sensitive Information Disclosure (Hassas Bilgilerin İfşası)
Gizli veya düzenlemeye tabi verilerin herhangi bir kanaldan sızması: yanıt, araç çağrısı argümanları, akıl yürütme izleri (reasoning traces), getirilen metin parçaları (chunks), loglar veya embedding'ler. OWASP, çoğu olayın arkasındaki iki hatadan biri olarak akışın başındaki aşırı paylaşımı gösteriyor; örneğin erişim kapsamı sınırlanmamış paylaşımlı sürücülerin bir getirmeyle artırılmış üretim (RAG) dizinini beslemesi. Kontrol: Getirmeden önce yetkilendirin; belge ve parça düzeyinde erişimi doğrudan dizin sorgusunun içinde uygulayın.
LLM03:2026 Excessive Agency (Aşırı Yetki)
Beklenmedik, belirsiz veya manipüle edilmiş model çıktısına yanıt olarak gerçekleştirilen zarar verici eylemler. Temel nedenler aşırı işlevsellik, aşırı izinler veya aşırı özerkliktir. OWASP'ye göre ajan tabanlı sistemlerde bu durum araçların kötüye kullanımı, kimlik ve yetki istismarı ya da zincirleme arızalar olarak ortaya çıkabilir. Kontrol: Araçları ve izinlerini en aza indirin (e-posta özetleyen bir aracın yalnızca postaları okuması gerekir) ve yüksek etkili eylemler için insan onayı isteyin.
LLM04:2026 Supply Chain (Tedarik Zinciri)
Üçüncü taraf modellerde, veri setlerinde, LoRA gibi adaptörlerde, dönüştürme pipeline'larında ve paketlerde bulunan riskler; saldırganların, kodlama asistanlarının halüsinasyonla uydurduğu paket adlarını kaydettiği “slopsquatting” de buna dahildir. Kontrol: Model artefaktlarını değiştirilebilir bir etiket (tag) yerine değişmez bir özet değeriyle (digest) sabitleyin, imzaları doğrulayın ve AI'nın önerdiği bağımlılıkların gerçekten var olduğunu kurmadan önce kontrol edin.
LLM05:2026 Data and Model Poisoning (Veri ve Model Zehirlenmesi)
Ön eğitim, ince ayar (fine-tuning), embedding üretimi veya dağıtım sırasında arka kapı ya da yanlılık yerleştiren manipüle edilmiş veriler veya model artefaktları. Zehirleme ucuz olabilir: Souly ve arkadaşları (2025), veri setinin boyutundan bağımsız olarak 250 zehirli belgenin 600 milyon ile 13 milyar parametre arasındaki modelleri ele geçirdiğini buldu. Kontrol: Veri ve model soy ağacını (lineage) izleyin, veri setlerinizi sürümleyin ve chat şablonlarını, tokenizer yapılandırmalarını ve adaptörleri imzalanması ve doğrulanması gereken kod olarak ele alın.
LLM06:2026 Unbounded Consumption (Sınırsız Tüketim)
Kesintilere, kontrolden çıkan maliyetlere (“denial of wallet”) veya çıkarma (extraction) yoluyla model hırsızlığına yol açan kontrolsüz çıkarım (inference). Akıl yürütme modelleri, çok modlu girdiler ve ajanların araç döngüleri sorunu büyütür. Kontrol: Çıkarımı durduran katı harcama limitleri ve bunların yanında adım, özyineleme, süre ve çalıştırma başına maliyet sınırları olan ajan devre kesicileri (circuit breakers).
LLM07:2026 Misinformation (Yanlış Bilgi)
Buna dayanarak harekete geçilebilecek kadar inandırıcı görünen hatalı veya dayanaksız çıktı. Ajan tabanlı sistemlerde yanlış bir yanıt yanlış bir eyleme dönüşür; örneğin bir ajan, hiç çalışmamış bir yedeklemenin çalıştığını bildirebilir. Kontrol: Üretimi yürütmeden ayıran ve harekete geçmeden önce iddiaları ve ön koşulları doğrulayan bir claim-check-act (iddia, kontrol, eylem) kalıbı.
LLM08:2026 Hidden Context Exposure (Gizli Bağlamın Açığa Çıkması)
Gizli bağlamın ele geçirilmesi veya yeniden oluşturulması: sistem prompt'ları, geliştirici talimatları, getirilen politika metinleri ve araç şemaları. OWASP, gizli bağlamın keşfedilebilir olduğunu varsaymayı önerir. Kontrol: Kimlik bilgilerini ve gizli anahtarları (secrets) bu bağlamın dışında tutun ve yetkilendirmeyi modelin dışındaki deterministik kodda uygulayın.
LLM09:2026 Vector and Embedding Weaknesses (Vektör ve Embedding Zayıflıkları)
RAG'in, ajan belleğinin ve anlamsal önbelleklerin (semantic caches) arkasındaki embedding katmanına yönelik saldırılar. OWASP'nin ifadesiyle “zehirleme sistemi yanıltır, tersine çevirme (inversion) veri sızdırtır, karıştırma (jamming) susturur, erişim kontrolü hatası ise ayrım gözetmez hale getirir.” Kontrol: Kiracı (tenant) kapsamını getirme sonrası bir filtre olarak değil, dizin sorgusunun içinde uygulayın ve farklı güven düzeylerindeki içerikleri ayrı dizinlerde tutun.
LLM10:2026 Improper Output Handling (Uygunsuz Çıktı İşleme)
Model çıktısını doğrulamadan sonraki sistemlere aktarmak; bu da XSS, SQL injection, SSRF veya uzaktan kod çalıştırmaya yol açabilir. Madde artık asistanların büyük ölçekte ürettiği güvensiz kodu da kapsıyor. Kontrol: Model çıktısını kullanıcı girdisi gibi ele alın: Bağlamına göre kodlayın (encode), parametreli sorgular kullanın ve Markdown görsellerinin ve bağlantı önizlemelerinin otomatik olarak görüntülenmesini kapatın.
2025 Sürümünden Bu Yana Neler Değişti
OWASP'ye göre sıralama “geçmiş yıllardakinden daha fazla değişti”. Başlıca değişiklikler:
- Excessive Agency altıncılıktan üçüncülüğe tırmandı; OWASP bunu “listedeki en büyük sonuçları doğuran değişiklik” olarak nitelendiriyor.
- Unbounded Consumption dört basamak yükseldi; en çok düşen ise beşincilikten onunculuğa inen Improper Output Handling oldu.
- Prompt Injection ve Sensitive Information Disclosure ilk iki sıradaki yerlerini korudu.
- System Prompt Leakage, daha kapsamlı bir madde olan Hidden Context Exposure'a dönüştü.
- Yeni kategoriler eklenmek yerine mevcut maddeler daha yeni riskleri bünyesine kattı: çapraz modlu injection, iddia edildiği gibi olmayan model artefaktları, ince ayarın (fine-tuning) istismar edilmesi ve güvensiz üretilmiş kod.
- Çerçeve eşleştirmeleri (NIST, MITRE ATLAS, CWE ve diğerleri) tek bir eke taşındı.
OWASP ayrıca daha net bir sınır çiziyor. Bu liste modeli uygulamanızın bir bileşeni olarak ele alır. Model araçları, belleği ve sonraki sistemlerde doğurduğu sonuçlarla bir aktöre dönüştüğünde OWASP, bu listeyi Ajan Tabanlı Uygulamalar için OWASP Top 10 ile birlikte kullanmanızı söylüyor; AI ajanlarının nasıl korunacağını anlatan rehberimiz Ajan Tabanlı Uygulamalar listesini adım adım ele alıyor.
Listeyi Ekibinizde Nasıl Kullanmalısınız
OWASP'nin tavsiyesi “on maddenin hepsi üzerinde çalışın, en üstten başlayın” şeklinde. Uygulamada:
- Bir LLM özelliğini tasarlarken veya incelerken on maddenin üzerinden geçin ve özelliğin nerelerde açık verdiğini not edin.
- Her kontrolü sahibi belli bir iş kaydına (ticket) dönüştürün ve düzeltmelerden sonra yeniden test edin.
- Geliştiriciler, güvenlik mühendisleri ve ürün sahipleri aynı terminolojiyi paylaşsın diye bulguları madde kimlikleriyle etiketleyin.
- Yalnızca size ait olan veya test etmek için yazılı izniniz bulunan sistemleri test edin ve model sağlayıcınızın koşullarının güvenlik testlerine izin verdiğini kontrol edin.
Kendi hızınızda ilerlediğiniz AI Güvenliği: LLM Uygulamalarını ve AI Ajanlarını Korumak kursunun “Bir AI Ajanına Saldırın, Düzeltin ve Yeniden Test Edin” adlı bitirme projesi, her bulguyu OWASP listeleriyle eşleştiren bir güvenlik raporuyla sona erer.
Sonraki Adımlar
En üstteki maddeyle başlayın: Prompt injection nedir rehberimiz doğrudan ve dolaylı saldırıları ve katmanlı savunmaları açıklıyor. Uygulamanız belge getiriyorsa, getirme izinlerini ve embedding katmanını ele alan LLM02 ve LLM09'a yakından bakın; AI Mühendisi: RAG ve Aramaya Giriş, kendi hızınızda ilerleyebileceğiniz ilgili bir kurstur.
Bu becerileri yapılandırılmış bir şekilde kazanmanın bir yolu AI Güvenliği: LLM Uygulamalarını ve AI Ajanlarını Korumak kursudur: AI özellikleri geliştiren veya test eden geliştiriciler, AI mühendisleri ve güvenlik uzmanları için kendi hızınızda, orta seviye ve 40 saat.

Code Labs Academy ile Teknik Becerileri Çevrimiçi Öğrenin
Destekleyici topluluğumuza katılın, potansiyelinizin kilidini açın ve ödüllendirici bir kariyer yoluna çıkın.
Şimdi uygulayın