
# Gerçek Zamanlı Gizlilik Koruma Amaçlı Sentetik Veri Üretimi Kenarda Homomorfik Şifreleme ve Federated Learning Kullanarak

## Giriş

Kenar AI, yalnızca çıkarım (inference) iş yüklerinden **veri‑merkezli** boru hatlarına doğru evrimleşiyor; bu boru hatları sürekli model güncellemeleri, cihaz‑içi eğitim ve sentetik veri üretimi gerektiriyor. Sentetik veri, maliyetli gerçek‑dünya toplama ihtiyacını büyük ölçüde azaltabilir, ancak kaynak veri kullanıcıların cihazlarından geldiğinde **gizlilik** endişeleri ortaya çıkar. Geleneksel anonimleştirme teknikleri (maskeleme, diferansiyel gizlilik) ya veri faydasını düşürür ya da güvenilir bir merkezi otorite gerektirir—her ikisi de gecikmeye duyarlı kenar senaryoları için istenmeyen durumlar.

**Yeni bir paradigma**, **homomorfik şifreleme (HE)**, **federated learning (FL)** ve **sıfır‑güven** kontrollerini birleştirerek kenarda **gerçek zamanlı** yüksek doğruluklu sentetik veri üretir. Bu makale, güvenlik modeli, mimari bileşenler ve böyle bir boru hattı oluşturmak için pratik uygulama adımlarını ele alırken performans takaslarını ve gelecekteki araştırma yollarını da inceliyor.

## Kenar Sentetik Verisinin Güçlü Gizlilik Garantilerine Neden İhtiyacı Var

| Zorluk | Geleneksel Yaklaşım | Sınırlama |
|-----------|-----------------------|------------|
| **Veri ikametgahı** | Ham veriyi buluta yükle | Regülasyonları ihlal eder ([GDPR](https://gdpr.eu/), [CCPA](https://oag.ca.gov/privacy/ccpa)) |
| **Gecikme** | Merkezde üretim → gidiş‑dönüş | Gerçek zamanlı çıkarım için kabul edilemez |
| **Güven** | Merkezi otorite veriyi doğrular | Tek bir hata noktası, iç tehdit riski |
| **Fayda** | Ağır diferansiyel gizlilik gürültüsü | Sentetik veri kalitesini düşürür |

Kenar cihazları (IoT sensörleri, akıllı telefonlar, otonom dronlar) **yüksek boyutlu, zaman‑kritik** akışlar (video, ses, telemetri) üretir. Modellerin güncel kalması için sentetik veri **yerel** ve **anında** üretilmelidir. Aynı zamanda ham veri, orkestrasyon sunucusu dahil hiçbir dış tarafla düz metin olarak paylaşılmamalıdır. İşte **homomorfik şifreleme** burada devreye girer: şifreli veri üzerinde hesaplama yaparak gizliliği tüm boru hattı boyunca korur.

## Kenar AI için Homomorfik Şifreleme Temelleri

Homomorfik şifreleme, şifreli metinler üzerinde **aritmetik işlemler** (toplama, çarpma) yapmayı mümkün kılar; böylece şifre çözülmüş sonuç, aynı işlemler açık metin üzerinde yapıldığında elde edilen sonuca eşit olur. Modern şemalar (CKKS, BFV, TFHE) şunları destekler:

* **Paketlenmiş şifreli metinler** – tek bir şifreli metinde birden çok veri noktası kodlanır, bant genişliği azalır.
* **Yaklaşık aritmetik** – sinir ağı çıkarımı ve üretken modeller için uygundur.
* **Bootstrapping** – şifreli metin gürültüsünü yeniler, hesaplama derinliğini uzatır.

Kenar sentetik veri üretimi için tipik olarak şunlar gerekir:

1. **Şifreli özellik çıkarımı** – ham sensör verisinden şifre çözmeden gömme (embedding) hesaplanır.
2. **Şifreli model çıkarımı** – şifreli gömmeler üzerinde bir üretken model (VAE, difüzyon vb.) çalıştırılır.
3. **Şifreli örnekleme** – şifreli örnekler üretilir; ardından isteğe bağlı olarak cihazda yerel olarak şifre çözülür.

### Doğru Şemayı Seçmek

| Şema | Güçlü Yönler | Zayıf Yönler |
|--------|-----------|------------|
| **CKKS** | Yaklaşık aritmetik, kayan nokta işlemlerinde verimli | Kesin tam sayı işlemleri sınırlı |
| **BFV** | Kesin tam sayı aritmetiği, nicemlenmiş modeller için iyi | Daha büyük şifreli metin boyutu |
| **TFHE** | Bit‑düzeyi işlemler, hızlı bootstrapping | Büyük tensörlerde daha yüksek gecikme |

Çoğu kenar boru hattı **CKKS** tercih eder; çünkü üretken modeller kayan nokta işlemlerine dayanır ve hafif yaklaşık hata, gizlilik kazancı karşısında kabul edilebilir.

## Federated Learning Entegrasyonu

Federated learning, her kenar düğümünün yerel güncellemeler hesapladığı ve **şifreli gradyanları** merkezi bir toplayıcıya gönderdiği **dağıtık model eğitimi** çerçevesi sunar. Mimimizde:

1. **Yerel Model** – cihazda çalışan hafif bir kodlayıcı‑çözücü çifti.
2. **Şifreli Gradyan Gönderimi** – gradyanlar, toplayıcının açık anahtarı (HE) ile şifrelenir ve gönderilir.
3. **Güvenli Toplama** – sunucu şifreli gradyanları toplar, homomorfik bir güncelleme yapar ve yeni küresel modeli (hala şifreli) cihazlara geri yayınlar.

**FL ile HE**’yi birleştirerek, ham gradyanları görebilen güvenilir bir toplayıcı ihtiyacını ortadan kaldırır ve **sıfır‑güven** uç‑uç gizliliği elde ederiz.

## Uçtan Uca Mimari

Aşağıda, ham sensör girişinden sentetik veri çıktısına kadar veri akışını gösteren yüksek seviyeli bir Mermaid diyagramı yer almaktadır.

```mermaid
flowchart TD
    A["Kenar Cihazı<br/>Ham Sensör Verisi"] --> B["HE Kodlayıcı<br/>(CKKS)"]
    B --> C["Şifreli Özellik Vektörü"]
    C --> D["Yerel Üretken Model<br/>(Şifreli Çıkarım)"]
    D --> E["Şifreli Sentetik Örnek"]
    E --> F["Yerel Şifre Çözücü<br/>(Cihaz Özel Anahtarı)"]
    F --> G["Sentetik Veri (Düz Metin)"]
    C --> H["Şifreli Gradyan<br/>FL için"]
    H --> I["Güvenli Toplayıcı<br/>(HE İşlemleri)"]
    I --> J["Güncellenmiş Küresel Model (Şifreli)"]
    J --> B
    style A fill:#f9f,stroke:#333,stroke-width:2px
    style G fill:#bbf,stroke:#333,stroke-width:2px
```

### Temel Bileşenler

| Bileşen | Rol | Uygulama İpuçları |
|-----------|------|---------------------|
| **HE Kodlayıcı** | Ham veriyi şifreli metne dönüştürür | Çoklu sensör okumalarını paketlemek için toplu işleme (batching) kullan; kenar uyumluluğu için anahtar boyutunu ≤ 2048 bit tut |
| **Şifreli Üretken Model** | Veriyi şifreli tutarak sentetik örnek üretir | Modeli **HE‑uyumlu** operasyonlara dönüştür (ReLU yerine polinom yaklaşımları kullan) |
| **Güvenli Toplayıcı** | Şifreli gradyanlar üzerinde federated model güncellemelerini gerçekleştirir | Sunucu tarafında GPU‑hızlandırmalı HE kütüphanelerini (Microsoft SEAL, PALISADE) kullan |
| **Sıfır‑Güven Politika Motoru** | Erişim kontrolü, doğrulama ve denetim kayıtlarını uygular | Değişmez denetim izleri için politika‑kod‑olarak (policy‑as‑code) platformu entegre et |
| **Yerel Şifre Çözücü** | Şifreli örnekleri düz metne dönüştürür | Özel anahtarı donanım‑kökeli güvenli bir öğede (TPM, Secure Enclave) sakla |

## Gerçek‑Zamanlı Boru Hattı İş Akışı

1. **Veri Yakalama** – Sensör verisi dairesel bir tamponda toplanır.
2. **Cihaz‑İçi Şifreleme** – HE kodlayıcı, tamponu mikro‑paketlere (≤ 10 ms gecikme) şifreler.
3. **Şifreli Çıkarım** – Şifreli üretken model, şifreli metin üzerinde çalışarak şifreli bir sentetik örnek üretir.
4. **Şifre Çözme & Kullanım** – Cihazın güvenli öğesi örneği çözer; düz metin, yerel AI modüllerine (ör. pekiştirmeli öğrenme ajanları) beslenir.
5. **Gradyan Hesaplama** – Aynı anda cihaz, üretken modelin şifreli veri üzerindeki gradyanını hesaplar.
6. **Güvenli Yükleme** – Şifreli gradyanlar, karşılıklı kimlik doğrulamalı TLS üzerinden toplayıcıya gönderilir.
7. **Model Yenileme** – Belirli bir tur sayısından sonra toplayıcı, güncellenmiş şifreli küresel modeli geri gönderir.

Bu döngü, modern ARM Cortex‑A78 veya RISC‑V çekirdeklerinde NEON/SVE hızlandırmasıyla **200‑500 ms** altı bir gecikme ile ayarlanabilir.

## Geleneksel Yaklaşımlara Göre Avantajlar

* **Tasarımda Gizlilik** – Ham veri cihazdan dışarı düz metin olarak çıkmaz.
* **Regülasyon Uyumu** – [GDPR](https://gdpr.eu/) “veri‑iletişimi” ve “veri‑dinlenme” şifreleme gereksinimlerini ek maliyet olmadan karşılar.
* **Sıfır‑Güven Güvencesi** – Her etkileşim kriptografik olarak doğrulanır; değişmez günlükler denetlenebilirlik sağlar.
* **Ölçeklenebilir Model Kalitesi** – Federated güncellemeler, merkezi veri toplama olmadan üretken modeli güncel tutar.
* **Kenar‑Optimizeli Performans** – Toplu işleme ve polinom yaklaşımları, şifreli çıkarımın normal çıkarıma göre %30’dan az bir ek yükle çalışmasını sağlar.

## Uygulama Hususları

### Donanım Kısıtlamaları

* **CPU** – SIMD uzantılı modern ARM çekirdekleri, 128‑elemanlık bir toplu iş için CKKS işlemlerini ~10 ms’da gerçekleştirebilir.
* **Bellek** – Şifreli metinler, düz metinden 2‑4 kat daha büyüktür; tipik 64‑boyutlu gömme hattı için en az 256 MiB ayır.
* **Güvenli Öğeler** – Özel anahtarları TPM/SE içinde saklayarak anahtar çıkarma saldırılarını önle.

### Yazılım Katmanı

| Katman | Önerilen Kütüphane |
|-------|----------------------|
| **HE Çekirdeği** | Microsoft SEAL (C++), TenSEAL (Python) veya Concrete (Rust) |
| **Model Dönüştürme** | ONNX → HE‑uyumlu grafik (`he-transformer` veya özel polinom yaklaşımları) |
| **Federated Koordinasyon** | TensorFlow Federated, PySyft (HE uzantılarıyla) |
| **Politika & Denetim** | Değişmez günlükleri IPFS veya blokzincir üzerinde saklayan politika‑kod‑olarak motoru |

### Performans İyileştirmeleri

* **Şifreli Metin Paketleme** – Birden çok zaman adımını tek şifreli metinde kodlayarak şifreleme maliyetini yay.
* **Bootstrapping Sıklığı** – Gürültü bir eşiği aştığında yalnızca bootstrapping yap; gecikmeyi azaltmak için tembel (lazy) bootstrapping uygula.
* **Model Budama** – Model derinliğini azalt ve doğrusal olmayanları düşük dereceli polinomlarla (ör. Chebyshev) değiştir.

## Zorluklar ve Azaltma Yöntemleri

| Zorluk | Etkisi | Azaltma |
|-----------|--------|------------|
| **Şifreli Metin Boyutu** | Bant genişliği ve bellek tüketimini artırır | Şifreli yüklerde sıkıştırma kullan; 128‑bit güvenlik seviyesini tercih ederek daha küçük şifreli metin elde et |
| **Hesaplama Yükü** | Düşük‑güç cihazlarda gerçek‑zaman bütçesini aşabilir | Ağır HE işlemlerini özel bir hızlandırıcıya (ör. Google Edge TPU + HE uzantısı) devret |
| **Anahtar Yönetimi** | Özel anahtarların ele geçirilmesi gizliliği bozar | Donanım‑kökeli anahtar depolama dağıt; politika‑tabanlı otomasyonla anahtarları periyodik olarak döndür |
| **Model Doğruluk Kaybı** | Polinom yaklaşımları hata ekler | Dönüştürmeden sonra modeli yeniden ince ayar yap; yüksek‑doğruluklu öğretmenden bilgi aktarımı (knowledge distillation) uygula |

## Gelecek Yönelimler

1. **Hibrit HE‑MPC Protokolleri** – Gürültü birikimini azaltmak için homomorfik şifreleme ile güvenli çok‑taraflı hesaplamayı birleştir.
2. **Uyarlanabilir Şifreleme Seviyeleri** – Veri hassasiyetine ve cihaz kaynaklarına göre şifreleme modülünü dinamik olarak ayarla.
3. **Kenar‑Yerel HE Hızlandırıcıları** – Intel SGX‑HE, IBM HEB gibi yeni ASIC’ler, işlem süresini mertebe mertebe azaltma potansiyeline sahip.
4. **Açıklanabilir Sentetik Veri** – LLM‑destekli açıklamalarla bir sentetik örneğin neden üretildiği kaydedilir; denetim için değişmez günlüklerde saklanır.

## Sonuç

Gerçek‑zamanlı, gizlilik‑korumalı sentetik veri üretimi artık teorik bir kavram değil. **Homomorfik şifreleme ile federated learning’i birleştirip** iş akışını **sıfır‑güven politika motoru** içinde konumlandırarak, kuruluşlar kenar AI’nın tam potansiyelini en katı veri‑gizlilik düzenlemelerine bile uyarak açığa çıkarabilir. Burada sunulan mimari, mühendislerin gecikmeyi veya model performansını feda etmeden yüksek‑kaliteli sentetik veri sağlayan ölçeklenebilir, güvenli boru hatları inşa etmeleri için pratik bir yol haritası sunar.

---

## İlgili Bağlantılar

- [Makine Öğrenmesi için Homomorfik Şifreleme – Microsoft SEAL Dokümantasyonu](https://github.com/microsoft/SEAL)
- [Federated Learning: Kapsamlı Bir Bakış – Google AI Blog](https://ai.googleblog.com/2020/04/federated-learning-overview.html)
- [Sıfır Güven Mimarisi – NIST SP 800-207](https://csrc.nist.gov/publications/detail/sp/800-207/final)