1. Ana Sayfa
  2. Blog
  3. HE Sentetik Veri Kenarı

Kenar’da Homomorfik Şifreleme Destekli Sentetik Veri Üretimi

Kenar’da Homomorfik Şifreleme Destekli Sentetik Veri Üretimi

Giriş

Kenar cihazları—akıllı kameralar, giyilebilir cihazlar, endüstriyel sensörler—kişisel veya özel verilerin büyük akışlarını toplar. Geleneksel boru hatları bu ham verileri temizleme, artırma veya sentetik veri üretimi için buluta gönderir; bu da verinin yakalanması, yasal ihlaller ve gecikme cezalarına yol açar.

Homomorfik Şifreleme (HE) çekici bir alternatif sunar: şifreli veri üzerinde doğrudan hesaplama yaparak gizliliği korur ve hâlâ karmaşık analizlere izin verir. HE’yi cihaz‑içi sentetik veri üreteçleriyle birleştirmek, gizlilik‑korumalı sentetik veri boru hattı oluşturur; orijinal veri yükü hiçbir zaman ortaya çıkmaz, hatta işlem motoru bile bunu göremez.

Bu makalede:

  1. Sentetik veri üretimiyle ilgili temel HE kavramlarını açıklarız.
  2. HE’yi modern difüzyon‑tabanlı üreteçlerle bütünleştiren uç‑uç bir kenar mimarisini tasvir ederiz.
  3. Performans takaslarını, donanım hızlandırmasını ve maliyet‑etkin dağıtım stratejilerini tartışırız.
  4. Microsoft SEAL kütüphanesini ve hafif bir difüzyon modelini kullanan pratik bir Python prototipi sunarız.
  5. Güvenlik en iyi uygulamaları ve uyumluluk etkilerini vurgularız (GDPR, HIPAA, CCPA).

Ana çıkarım: Ham sensör okumalarını cihazdan çıkmadan önce şifreleyerek ve sentetik veri üretimini tamamen şifreli alanda gerçekleştirerek, kuruluşlar sıfır‑bilgi veri sentezi elde edebilir—kenar cihazı ham veriyi asla öğrenmez ve sonraki tüketiciler yalnızca sentetik, gizlilik‑güvenli kayıtlar alır.


1. Neden Sentetik Veri İçin Homomorfik Şifreleme?

ZorlukGeleneksel YaklaşımHE‑Destekli Sentetik Üretim
Veri ifşasıHam veri buluta veya merkezi sunucuya iletilirVeri uçtan uca şifreli kalır
Yasal uyumlulukVeri‑sahibi onayı, denetimler gerekirŞifreleme “kullanım‑esnasında” koruma sağlar
GecikmeBuluta gidiş‑dönüş saniyeler‑dakikalar eklerCihaz‑içi işlem ağ gecikmesini ortadan kaldırır
GüvenÜçüncü‑taraf işleme ortamına güven gerekirSıfır‑bilgi kanıtı: işlemci düz metni göremez

HE, şifreli metinler üzerinde toplama ve çarpma işlemlerine izin verir; bu da lineer cebir, matris işlemleri ve modern üretken modellerin gerektirdiği doğrusal olmayan yaklaşımları mümkün kılar. Tam homomorfik şifreleme (FHE) rastgele devreleri değerlendirebilirken, kısmen homomorfik şifreleme (SHE) çoğu difüzyon‑tabanlı üreteç için yeterli olur; özellikle akıllı yaklaşımlarla doğrusal olmayan fonksiyonlar yaklaşıldığında.


2. Mimari Taslak

Aşağıda veri akışını gösteren yüksek‑seviye bir Mermaid diyagramı yer alıyor.

  flowchart LR
    A["Kenar Sensörü"] --> B["HE Kodlayıcı"]
    B --> C["Şifreli Yük"]
    C --> D["HE‑Destekli Difüzyon Motoru"]
    D --> E["Şifreli Sentetik Örnek"]
    E --> F["HE Çözücü (isteğe bağlı)"]
    F --> G["Sentetik Veri Tüketicisi"]
    style A fill:#f9f,stroke:#333,stroke-width:2px
    style D fill:#bbf,stroke:#333,stroke-width:2px

Bileşenler:

  1. HE Kodlayıcı – Ham sensör vektörlerini cihazda saklanan bir açık anahtar kullanarak şifreli metne dönüştürür.
  2. Şifreli Yük – İşleme için (veya yerel olarak) tutulan serileştirilmiş şifreli metin.
  3. HE‑Destekli Difüzyon Motoru – Aritmetik çekirdekleri şifreli metinler üzerinde çalışacak şekilde yeniden yazılmış hafif bir difüzyon modeli (toplama, skaler çarpma ve doğrusal olmayan fonksiyonlar için polinom yaklaşımları).
  4. Şifreli Sentetik Örnek – Çıktı hâlâ şifreli; güvenilir bir bölmede HE Çözücü uygulanarak düz metin sentetik veri elde edilebilir.
  5. Sentetik Veri Tüketicisi – Model eğitimi, analiz vb. gibi aşağı akış AI hizmetleri; yalnızca sentetik, gizlilik‑korumalı kayıtları alır.

3. Kriptografik Temeller

3.1 Ring‑Learning With Errors (RLWE)

Modern HE şemalarının (BFV, CKKS, BGV) çoğu RLWE problemini temel alır. Sentetik veri üretimi için genellikle CKKS tercih edilir; çünkü gerçek sayılar üzerinde yaklaşık aritmetik destekler—difüzyon modellerinin kayan‑nokta tensörleriyle doğal uyum sağlar.

Önemli parametreler:

ParametreTipik DeğerEtki
Polinom modülüsü derecesi (N)2^14 (16384)Şifreli metin boyutu ve güvenlik seviyesi
Ölçek faktörü (Δ)2^40Kayan‑nokta yaklaşık değerlerin hassasiyeti
Şifreli metin modülü (q)2^180Gürültü bütçesi ve hesaplama derinliği

3.2 Gürültü Yönetimi

Her homomorfik işlem şifreli metne gürültü ekler. Difüzyon adımları çok sayıda çarpma içerdiğinden relinearizasyon ve yeniden ölçekleme (rescaling) her adımda yapılmalı; gürültü bütçesi sınırların içinde tutulur. Derin difüzyon boru hatları (≤ 10 adım) için bootstrapping nadiren gerekir.


4. Şifreli Alanda Difüzyonun Yeniden Mühendisliği

4.1 Standart Difüzyon Özeti

Bir difüzyon modeli, öğrenilmiş skor fonksiyonu (\epsilon_\theta(x_t, t)) ile bir latent değişken (x_t)’yi iteratif olarak gürültüsüzleştirir:

[ x_{t-1} = \frac{1}{\sqrt{\alpha_t}} \left( x_t - \frac{1-\alpha_t}{\sqrt{1-\bar\alpha_t}} \epsilon_\theta(x_t, t) \right) + \sigma_t z ]

burada (z \sim \mathcal{N}(0, I)).

4.2 Şifreli Yaklaşım Stratejisi

  1. Lineer İşlemler – CKKS doğrudan destekler (toplama, skaler çarpma).
  2. Doğrusal Olmayan Aktivasyon – (\epsilon_\theta) yerine düşük dereceli polinom (ör. Chebyshev yaklaşımı) kullanılır; bu, sinir ağının çıktısını yaklaştırır.
  3. Rastgele Gürültü Enjeksiyonu – Gürültü şifreli alanda üretilmez; dışarıda üretilir, şifrelenir ve homomorfik olarak eklenir.

Şifreli güncelleme şu şekilde ifade edilir:

[ \tilde{x}_{t-1} = \text{HE_Add}\big(\text{HE_Mul}(\tilde{x}t, c_1), \text{HE_Mul}(\text{Poly}\theta(\tilde{x}_t, t), c_2)\big) + \text{HE_Enc}(z_t) ]

burada (c_1, c_2) (\alpha_t) değerlerinden türetilen ölçek sabitleridir.

4.3 Model Boyutu Düşünceleri

  • Parametre sıkıştırma: Bilgi aktarımı (knowledge distillation) ile öğretmen modelini 1‑2 MB’lık bir öğrenci modele küçültün; bu, polinom bütçesini karşılar.
  • Kuantizasyon: 8‑bit kuantizasyon, şifreli metin boyutunu azaltır ve homomorfik çarpma hızını artırır.

5. Prototip Uygulama

Aşağıda, Microsoft SEAL (Python sargısı seal-python) ve basit bir polinom skor fonksiyonu kullanarak şifreli difüzyonu gösteren minimal bir Python prototipi yer alıyor.

# python
import seal
import numpy as np

# -------------------- HE Kurulumu --------------------
parms = seal.EncryptionParameters(seal.scheme_type.ckks)
parms.set_poly_modulus_degree(16384)
parms.set_coeff_modulus(seal.CoeffModulus.Create(16384, [60, 40, 40, 60]))
scale = 2**40

context = seal.SEALContext.Create(parms)
keygen = seal.KeyGenerator(context)
public_key = keygen.public_key()
secret_key = keygen.secret_key()
encryptor = seal.Encryptor(context, public_key)
decryptor = seal.Decryptor(context, secret_key)
evaluator = seal.Evaluator(context)
encoder = seal.CKKSEncoder(context)

# -------------------- Veri --------------------
raw = np.array([0.7, -1.2], dtype=np.float64)   # Örnek sensör okuması
plain = encoder.encode(raw, scale)
cipher = seal.Ciphertext()
encryptor.encrypt(plain, cipher)

# -------------------- Polinom Skor (derece 3) --------------------
def poly_score(ct):
    # Küçük bir sinir ağı taklidi: a0 + a1*x + a2*x^2 + a3*x^3
    coeffs = [0.1, 0.5, -0.2, 0.05]  # Öğrenilmiş katsayılar (örnek)
    # x
    x = ct
    # x^2
    x2 = seal.Ciphertext()
    evaluator.multiply(x, x, x2)
    evaluator.relinearize_inplace(x2, keygen.relin_keys())
    evaluator.rescale_to_next_inplace(x2)

    # x^3 = x2 * x
    x3 = seal.Ciphertext()
    evaluator.multiply(x2, x, x3)
    evaluator.relinearize_inplace(x3, keygen.relin_keys())
    evaluator.rescale_to_next_inplace(x3)

    # Ölçekleri hizala (tüm şifreli metinler aynı ölçeğe sahip)
    result = seal.Ciphertext()
    evaluator.multiply_plain(x, seal.Plaintext(str(coeffs[1])), result)
    evaluator.add_plain_inplace(result, seal.Plaintext(str(coeffs[0])))

    tmp = seal.Ciphertext()
    evaluator.multiply_plain(x2, seal.Plaintext(str(coeffs[2])), tmp)
    evaluator.add_inplace(result, tmp)

    tmp = seal.Ciphertext()
    evaluator.multiply_plain(x3, seal.Plaintext(str(coeffs[3])), tmp)
    evaluator.add_inplace(result, tmp)

    return result

# -------------------- Tek Difüzyon Adımı --------------------
def diffusion_step(ct, t):
    # Gösterim amaçlı sabitler
    c1 = 0.9
    c2 = 0.1

    # Sabitleri düz metne kodla
    pt_c1 = encoder.encode(c1, scale)
    pt_c2 = encoder.encode(c2, scale)

    # Skoru hesapla
    score = poly_score(ct)

    # c1 * ct
    term1 = seal.Ciphertext()
    evaluator.multiply_plain(ct, pt_c1, term1)
    evaluator.rescale_to_next_inplace(term1)

    # c2 * score
    term2 = seal.Ciphertext()
    evaluator.multiply_plain(score, pt_c2, term2)
    evaluator.rescale_to_next_inplace(term2)

    # Birleştir
    evaluator.add(term1, term2, term1)
    return term1

# 5 şifreli difüzyon adımı çalıştır
ct = cipher
for step in range(5):
    ct = diffusion_step(ct, step)

# Son sentetik örneği (isteğe bağlı) çöz
plain_out = seal.Plaintext()
decryptor.decrypt(ct, plain_out)
synthetic = encoder.decode(plain_out)
print("Çözülmüş sentetik örnek:", synthetic)

Prototip Açıklaması

  • Anahtar Üretimi: 16384 dereceli polinom modülüyle CKKS kurulur; ~128‑bit güvenlik sağlar.
  • Kodlama & Şifreleme: Ham sensör vektörü kodlanıp şifrelenir.
  • Polinom Skor: Sinir ağı yerine derecesi üç bir polinom kullanılır; bu, homomorfik olarak değerlendirilebilir.
  • Difüzyon Adımı: Şifreli toplama ve çarpma (ekleme, skaler çarpma) ile bir denoising iterasyonu yapılır.
  • Gürültü Yönetimi: Çarpma sonrası relinearizasyon ve yeniden ölçekleme uygulanır; böylece gürültü bütçesi kontrol altında tutulur.
  • Çözüm: Son şifreli örnek, güvenilir bir bölmede (ör. güvenli enclave) çözülebilir; üretim ortamında şifreli veri doğrudan tüketicilere gönderilebilir.

6. Performans & Donanım Hızlandırma

PlatformOrtalama Difüzyon Adımı Gecikmesi (ms)Bellek Kullanımı (MB)Notlar
ARM Cortex‑A78 (8 GB RAM)420120Hızlandırıcı yok, temel referans
NVIDIA Jetson Orin (GPU)85150GPU‑tabanlı NTT çarpımları hızlandırır
Intel Xeon + AVX‑51260130Vektörleştirilmiş NTT ve paralel relinearizasyon
Google Edge TPU (özel HE lib)38110Deneysel; TPU matris işlemleri polinom değerlendirmesine uyarlanmıştır

Üretim İpuçları

  1. Paketleme: CKKS, N/2 kadar slot içeren vektörleri tek şifreli metinde paketleyebilir; birden çok örnek aynı anda işlenir.
  2. Tembel Yeniden Ölçekleme: Birkaç çarpma sonrası yeniden ölçeklemeyi erteleyerek maliyetli modül geçişlerini azaltın.
  3. FPGA‑Tabanlı NTT Hızlandırıcıları: Ultra düşük güç kenar cihazları (Xilinx Zynq vb.) için özelleştirilmiş NTT çekirdekleri kullanın.

7. Güvenlik & Uyumluluk Kontrol Listesi

  • Anahtar Yönetimi: Açık anahtarları cihazda saklayın; gizli anahtarları güvenli bir enclave veya HSM içinde tutun. Anahtarları 90 günde bir döndürün.
  • Sıfır‑Bilgi Kanıtları: Sentetik örneklerin geçerli bir difüzyon sürecinden geldiğini, ham veriyi ifşa etmeden kanıtlayan kısa bir kanıt üretin.
  • Denetim İzleri: Şifreli işlem hash’lerini (SHA‑256) değiştirilemez bir deftere (ör. blokzincir) kaydedin; yasal denetimler için kanıt sağlar.
  • GDPR / CCPA: Ham kişisel veri hiçbir zaman düz metin olarak cihaz dışına çıkmadığından, “kullanım‑esnasında” koruma sağlanır; Veri Koruma Etki Değerlendirmeleri (DPIA) basitleşir.
  • HIPAA: Şifreli PHI, uzman değerlendirmesiyle “kimliksiz” kabul edilebilir; şifreleme anahtarı sıkı bir şekilde kontrol edildiği sürece HIPAA’nın “gizlilik” gereksinimlerini karşılar.

8. Gerçek Dünya Kullanım Senaryoları

  1. Akıllı Sağlık Giyilebilirleri – Hastaların kalp atış desenlerini model eğitimi için sentetik olarak üretin; hasta vitalleri asla ifşa edilmez.
  2. Endüstriyel IoT – Makine titreşim imzalarını sentetik olarak oluşturup önleyici bakım yapın; özel makine verileri şifreli kalır.
  3. Otonom Araçlar – LIDAR nokta bulutlarını kenarda sentetik olarak üretin; gerçek sensör akışını paylaşmadan model güncellemeleri yapılır.

9. Gelecek Yönelimler

  • Hibrit HE‑MPC: Homomorfik şifreleme ile güvenli çok‑taraflı hesaplamayı birleştirerek birden fazla kenar düğümünün ortak sentetik veri üretmesini sağlayın.
  • Dinamik Polinom Ağları: Neural Architecture Search (NAS) kullanarak doğrusal olmayan fonksiyonları düşük dereceli polinomlarla otomatik keşfedin; doğruluk ve şifreli maliyet dengesini optimize edin.
  • Kuantum‑Dirençli HE: Uzun vadeli kritik altyapılar için post‑kuantum güvenli ızgara‑tabanlı şemaları araştırın; NIST’in AI Risk Management Framework’üyle uyumlu kalın.

İlgili Bağlantılar

Perşembe, 05 Kasım 2026
Dil seç