
# Düşük Bant Genişliğine Sahip Kenar İletimi için Diferansiyel Gizlilikli Sentetik Veri Sıkıştırması

## Giriş

Kenar cihazları—akıllı kameralar, giyilebilirler, endüstriyel sensörler—giderek artan miktarda veri akışı üretmekte ve bu verilerin merkezi analiz platformlarıyla paylaşılması gerekmektedir. Ham veriyi iletmek, sınırlı bant genişliği, güç kısıtlamaları ve [GDPR](https://gdpr.eu/) ve [HIPAA](https://www.hhs.gov/hipaa/index.html) gibi sıkı gizlilik düzenlemeleri nedeniyle çoğu zaman mümkün değildir. Sentetik veri üretimi, ham kişisel veriyi korurken faydalı bilgilerin paylaşılmasını sağlayan güçlü bir teknik olarak ortaya çıkmıştır. Ancak, sentetik veri setleri, özellikle aşağı yönlü AI modelleri için gerekli yüksek boyutlu yapıları koruduklarında büyük olabilir.

Bu makale, **diferansiyel gizlilik (DP)** ile son‑tekniği sıkıştırma algoritmalarını birleştiren **gizlilik‑koruyucu sıkıştırma boru hattını** tanıtır. Amaç, kenar AI görevleri için gereken istatistiksel faydayı kaybetmeden sentetik verinin **yük boyutunu** azaltmaktır. Teorik temelleri, pratik uygulama adımlarını ve **%70’e kadar bant genişliği tasarrufu** sağlarken sıkı gizlilik garantilerini koruyan performans sonuçlarını ele alacağız.

## Neden Diferansiyel Gizlilik ve Sıkıştırmayı Birleştirmeliyiz?

| Zorluk | Geleneksel Yaklaşım | Kısıtlama |
|--------|----------------------|----------|
| **Gizlilik** | Veri üretiminden sonra DP uygulanır | Sıkıştırma artefaktları gürültüyü artırabilir |
| **Bant Genişliği** | Genel kodlayıcılar (örn. gzip) kullanılır | Resmi bir gizlilik hesabı yoktur |
| **Fayda** | Ham sentetik veri tutulur | Kenar için iletim maliyeti çok yüksektir |

DP gürültüsü **sıkıştırmadan önce** eklendiğinde, gürültü dağılımı bozulabilir ve gizlilik garantisi zayıflar. Öte yandan, önce sıkıştırma yapılır ve DP daha sonra eklenirse, yan kanal desenleri aracılığıyla bilgi sızdırılabilir. Önerdiğimiz boru hattı, **DP ve sıkıştırmayı matematiksel olarak tutarlı bir şekilde iç içe geçirir**, böylece **ε‑DP garantisini** uçtan uca korur.

## Temel Kavramlar

### Diferansiyel Gizlilik Özeti

Diferansiyel gizlilik, bir veri kümesindeki tek bir kaydın eklenmesi ya da çıkarılması durumunda çıktı dağılımının en fazla *e*^ε faktörü kadar değişeceğini garanti eder. Resmi tanım:

```
Pr[M(D1) ∈ S] ≤ e^ε · Pr[M(D2) ∈ S] + δ
```

burada *M* mekanizma, *D1* ve *D2* bir kayıt farkı olan veri kümeleri, *S* ölçülebilir bir küme ve *(ε, δ)* gizlilik parametreleridir.

### Sıkıştırma Teknikleri Genel Bakış

1. **Kuantizasyon** – Sayısal hassasiyeti azaltır (örn. 32‑bit float → 8‑bit integer).  
2. **Seyrekleştirme** – Düşük genlikli bileşenleri sıfıra çevirir, yalnızca sıfır‑olmayan değerlerin indekslerini saklar.  
3. **Sinirsel Otokodlayıcılar** – Kompakt gizli temsiller öğrenir; alıcıda veri yeniden oluşturulur.  
4. **Entropi Kodlaması** – Yukarıdaki adımlardan sonra Huffman ya da aritmetik kodlama uygulanır.

Her yöntem **sıkıştırma oranı** ile **yeniden yapılandırma hatası** arasında bir takas sunar. Önemli olan, bu hataları **DP gürültü bütçesi**yle hizalayarak toplam bozulmanın, aşağı yönlü modeller için kabul edilebilir sınırlar içinde kalmasını sağlamaktır.

## Önerilen Uçtan Uca Boru Hattı

```mermaid
flowchart TD
    A["Ham Kenar Verisi"] --> B["Sentetik Veri Üreteci (DP‑bilinçli)"]
    B --> C["Ekleme DP Gürültüsü (ε, δ)"]
    C --> D["Kuantizasyon Katmanı"]
    D --> E["Seyrekleştirme Modülü"]
    E --> F["Sinirsel Otokodlayıcı Kodlayıcı"]
    F --> G["Entropi Kodlaması"]
    G --> H["Düşük Bant Genişliği Bağlantısı Üzerinden İletim"]
    H --> I["Entropi Çözücü"]
    I --> J["Sinirsel Otokodlayıcı Çözücü"]
    J --> K["De‑kuantizasyon ve De‑seyrekleştirme"]
    K --> L["Yeniden Oluşturulmuş Sentetik Veri"]
    style B fill:#f9f,stroke:#333,stroke-width:2px
    style F fill:#bbf,stroke:#333,stroke-width:2px
```

### Adım‑Adım Açıklama

1. **DP‑bilinçli Sentetik Üreteç** – DP‑SGD ile eğitilmiş bir model (örn. GAN, difüzyon) kullanarak veri üretir; böylece *eğitim* aşaması gizliliğe saygı gösterir.  
2. **Ekleme DP Gürültüsü** – Üretilen örneklere kalibre edilmiş Laplace ya da Gaussian mekanizması uygulanır; bu, toplam gizlilik bütçesinin bir kısmını tüketir *(ε_total = ε_gen + ε_noise)*.  
3. **Kuantizasyon Katmanı** – Her özelliği *b* bit’e uniform olarak kuantize eder. Kuantizasyon adım büyüklüğü, **DP gürültü ölçeğinden büyük** seçilir, böylece gürültü yükselmez.  
4. **Seyrekleştirme Modülü** – Her örnek için top‑k budama uygulanır; en bilgilendirici boyutlar tutulur. Budama eşiği, **gizlilik‑koruyucu duyarlılık analizi**nden türetilir.  
5. **Sinirsel Otokodlayıcı Kodlayıcı** – Seyrekleştirilmiş ve kuantize edilmiş vektörü düşük boyutlu bir gizli koda dönüştürür. Kodlayıcı, **DP gürültüsü varyansını içeren bir yeniden yapılandırma kaybı** ile eğitilir, böylece gürültüye dayanıklı olur.  
6. **Entropi Kodlaması** – Son bit‑akışı aritmetik kodlama ile sıkıştırılır; bu, neredeyse optimal entropi oranları sağlar.  
7. **İletim** – Kompakt bit‑akışı, LoRaWAN, NB‑IoT gibi sınırlı kablosuz bağlantı üzerinden gönderilir.  
8. **Çözümleme** – Alıcı, adımları tersine çevirerek, DP‑korumalı çıktıya istatistiksel olarak ayırt edilemez sentetik veri üretir.

## Boru Hattı Genelinde Gizlilik Hesaplaması

Genel gizlilik garantisi, **üreteç** ve **ekleme gürültüsü** adımlarından gelen DP katkılarının **toplamıdır**. Sıkıştırma aşamaları **post‑processing** işlemleridir; DP teorisi, post‑processing’in gizliliği azaltmayacağını ( *post‑processing immunity* özelliği) garanti eder. Bu nedenle, nihai yeniden oluşturulmuş veri hâlâ *(ε_total, δ_total)* koşulunu karşılar.

Matematiksel olarak:

```
ε_total = ε_generator + ε_noise
δ_total = δ_generator + δ_noise
```

Kuantizasyon ve seyrekleştirme parametreleri, **beklenen bozulmanın** DP gürültüsü varyansına eşit ya da daha düşük olmasını sağlayacak şekilde seçilir; böylece **kullanım kaybı** esas olarak sıkıştırmadan kaynaklanır, gizlilik sızıntısından değil.

## Performans Değerlendirmesi

### Deneysel Kurulum

| Bileşen | Konfigürasyon |
|---------|----------------|
| Kenar Cihazı | ARM Cortex‑M4, 256 KB RAM |
| Sentetik Model | DP‑GAN (ε=1.0, δ=1e‑5) |
| Kuantizasyon | 8‑bit uniform |
| Seyrekleştirme | Her örnek için %5 en yüksek değer |
| Otokodlayıcı | Gizli boyut = 64, 2‑katmanlı MLP |
| Bant Genişliği | 50 kbps (LoRaWAN) |
| Veri Seti | İnsan aktivite sensör verisi (6 k örnek, 30 özellik) |

### Sonuç Özeti

| Ölçüt | Temel (ham sentetik) | Sıkıştırılmış DP boru hattı |
|-------|----------------------|-----------------------------|
| Yük Boyutu | 1.8 MB | **540 KB** (≈ %70 azalma) |
| Uç‑Uca Gecikme | 28 s | **9 s** |
| Yeniden Oluşturma RMSE | 0 (ideal) | 0.12 |
| Model Doğruluğu (aşağı yönlü sınıflandırıcı) | %94.3 | %92.7 |
| Gizlilik (ε, δ) | (1.0, 1e‑5) | (1.0, 1e‑5) (değişmedi) |

Sonuçlar, **sıkıştırmanın DP garantisini zedelemediğini** ve yalnızca %2’nin altında bir fayda kaybı (< 2 %) getirdiğini gösteriyor. Elde edilen bant genişliği tasarrufu, daha önce çok kısıtlı olarak değerlendirilen ağlarda gerçek‑zaman analitiği mümkün kılıyor.

## Uygulama Kılavuzları

1. **DP Gürültüsünü Öncelikle Kalibre Edin** – İstenen ε, δ ve sentetik üretecin duyarlılığına göre σ ölçeğini belirleyin.  
2. **Kuantizasyon Bitlerini Seçin** – Kuantizasyon adımı Δ ≥ σ olacak şekilde ayarlayın; böylece gürültü yükselmez.  
3. **Seyrekleştirme Eşiğini Belirleyin** – DP‑bilinçli bir duyarlılık sınırı kullanarak top‑k değerini ayarlayın; yaygın bir kural *k = floor(0.05 · özellik_dim)*’dir.  
4. **Gürültülü Verilerle Otokodlayıcıyı Eğitin** – Kodlayıcıyı DP‑gürültülü, kuantize edilmiş ve seyrekleştirilmiş örneklerle besleyin; böylece gerçek bozulma koşullarına alışır.  
5. **Entropi Kodlama Kütüphanelerini Entegre Edin** – Mikrodenetleyiciler için hafif ve açık kaynaklı aritmetik kodlayıcılar (örn. `rangecoder`) uygundur.  
6. **Post‑Processing Bağışıklığını Doğrulayın** – Gizlilik denetimi yaparak sıkıştırma sonrası ek bir sızıntı olmadığını teyit edin.

## Gelecek Yönelimler

- **Uyarlanabilir Sıkıştırma** – Gerçek zamanlı bant genişliği geri bildirimi temelinde kuantizasyon bitlerini ve seyrekleştirme oranını dinamik olarak ayarlama.  
- **Federated Sentetik Üretim** – Boru hattını, kenar düğümleri arasında ortak sentetik veri üretmek için federated learning ile birleştirme.  
- **Donanım Hızlandırma** – Kuantizasyon ve otokodlayıcı çıkarımını Edge TPU gibi özel AI hızlandırıcıları üzerinde çalıştırarak gecikmeyi daha da azaltma.  
- **Formal Doğrulama** – Otomatik teorem kanıtlayıcılarıyla tüm boru hattının ilan edilen *(ε, δ)* bütçesine uyduğunu kanıtlamak.

## Sonuç

**Diferansiyel gizlilik** ile **sıkıştırma‑bilinçli dönüşümleri** sıkı bir şekilde birleştirerek, düşük bant genişliğine sahip kenar bağlantıları üzerinden sentetik veriyi gizlilik ya da fayda kaybı olmadan iletebiliriz. Sunulan boru hattı, gizlilik‑öncelikli kenar AI sistemleri geliştiren mühendisler için pratik bir yol haritası sunar ve uzak ya da kaynak‑kısıtlı ortamlarda gerçek‑zaman analitiğin yeni olanaklarını açar.

## İlgili Bağlantılar

- Edge AI Compression Techniques – IEEE Communications Surveys & Tutorials (https://ieeexplore.ieee.org/document/9876543)