tag Kriptografi
Secure Multi-Party Computation (Güvenli Çok Taraflı Hesaplama)
Bu sayfada Kriptografi (Secure Multi-Party Computation (Güvenli Çok Taraflı Hesaplama)) etiketi ile işaretlenmiş 2 yapay zeka kavramını bulabilirsiniz.
Secure Multi-Party Computation (MPC veya SMPC), iki ya da daha fazla tarafın kendi özel girdilerini birbirine açıklamadan ortak bir fonksiyonu birlikte hesaplamasına olanak tanıyan kriptografik protokoller ailesidir. 1982'de Andrew Yao'nun milyoner problemi adıyla tanımladığı düşünce deneyinden doğan bu kavram, bugün yapay zeka ve gizliliği koruyan veri analizinin temel taşlarından biri haline gelmiştir. Temel çalışma mantığı şöyledir: her katılımcı kendi girdisini matematiksel parçalara böler ve bu parçaları diğer taraflara dağıtır. Hesaplama bu şifreli parçalar üzerinde gerçekleşir. Son aşamada taraflar yalnızca nihai sonucu öğrenir; birbirlerinin ham girdilerini hiçbir zaman göremez. Bu özellik, birden fazla rakip kurumun veya kişinin gizlilikten ödün vermeden iş birliği yapmasına zemin hazırlar. En yaygın iki protokol yaklaşımı bulunmaktadır. Garbled Circuits (Karışık Devreler) yönteminde hesaplanacak fonksiyon bir mantık devresi olarak ifade edilir; kapılar şifrelenerek diğer tarafa iletilir. Alıcı, oblivious transfer protokolü aracılığıyla yalnızca kendi girdisine karşılık gelen şifreli çıktıları alır ve devreyi sonuca ulaşacak şekilde değerlendirir. Secret Sharing (Gizli Paylaşım) yönteminde ise Shamir'in eşik şeması gibi matematiksel yapılar kullanılarak girdiler parçalara ayrılır; toplama ve çarpma işlemleri bu şifreli paylar üzerinde gerçekleştirilir. Makine öğrenmesinde SMPC iki kritik sorunu çözer. Ortak model eğitiminde farklı hastaneler, bankalar veya araştırma kurumları verilerini paylaşmadan ortak bir model eğitebilir; hasta mahremiyeti ve yasal kısıtlamalar çiğnenmez. Gizli çıkarım (private inference) senaryosunda kullanıcı sorgusu şifreli olarak modele gönderilirken şirket model ağırlıklarını hiç açıklamaz; her iki taraf da birbirinin sırrını öğrenmeden sonuca ulaşır. Facebook AI Research'ün CRYPTEN kütüphanesi PyTorch üzerine inşa edilmiş olup bu protokolleri araştırmacılara erişilebilir kılmaktadır. Güvenlik modelleri açısından yarı-dürüst (honest-but-curious) model protokolün kurallara uygun izlendiğini varsayar; kötü niyetli model ise sıfır bilgi ispatlarıyla doğrulama ekleyerek protokolden sapma olasılığını bertaraf eder. Protokollerin hesaplama yükü düz metin işlemeye kıyasla 10-1000 kat daha fazla olabilir; ancak donanım hızlandırma ve optimizasyonlarla bu fark giderek kapanmaktadır.
Secure Multi-Party Computation (Güvenli Çok Taraflı Hesaplama)
Secure Multi-Party Computation (MPC veya SMPC), iki ya da daha fazla tarafın kendi özel girdilerini birbirine açıklamadan ortak bir fonksiyonu birlikte hesaplamasına olanak tanıyan kriptografik protokoller ailesidir. 1982'de Andrew Yao'nun milyoner problemi adıyla tanımladığı düşünce deneyinden doğan bu kavram, bugün yapay zeka ve gizliliği koruyan veri analizinin temel taşlarından biri haline gelmiştir. Temel çalışma mantığı şöyledir: her katılımcı kendi girdisini matematiksel parçalara böler ve bu parçaları diğer taraflara dağıtır. Hesaplama bu şifreli parçalar üzerinde gerçekleşir. Son aşamada taraflar yalnızca nihai sonucu öğrenir; birbirlerinin ham girdilerini hiçbir zaman göremez. Bu özellik, birden fazla rakip kurumun veya kişinin gizlilikten ödün vermeden iş birliği yapmasına zemin hazırlar. En yaygın iki protokol yaklaşımı bulunmaktadır. Garbled Circuits (Karışık Devreler) yönteminde hesaplanacak fonksiyon bir mantık devresi olarak ifade edilir; kapılar şifrelenerek diğer tarafa iletilir. Alıcı, oblivious transfer protokolü aracılığıyla yalnızca kendi girdisine karşılık gelen şifreli çıktıları alır ve devreyi sonuca ulaşacak şekilde değerlendirir. Secret Sharing (Gizli Paylaşım) yönteminde ise Shamir'in eşik şeması gibi matematiksel yapılar kullanılarak girdiler parçalara ayrılır; toplama ve çarpma işlemleri bu şifreli paylar üzerinde gerçekleştirilir. Makine öğrenmesinde SMPC iki kritik sorunu çözer. Ortak model eğitiminde farklı hastaneler, bankalar veya araştırma kurumları verilerini paylaşmadan ortak bir model eğitebilir; hasta mahremiyeti ve yasal kısıtlamalar çiğnenmez. Gizli çıkarım (private inference) senaryosunda kullanıcı sorgusu şifreli olarak modele gönderilirken şirket model ağırlıklarını hiç açıklamaz; her iki taraf da birbirinin sırrını öğrenmeden sonuca ulaşır. Facebook AI Research'ün CRYPTEN kütüphanesi PyTorch üzerine inşa edilmiş olup bu protokolleri araştırmacılara erişilebilir kılmaktadır. Güvenlik modelleri açısından yarı-dürüst (honest-but-curious) model protokolün kurallara uygun izlendiğini varsayar; kötü niyetli model ise sıfır bilgi ispatlarıyla doğrulama ekleyerek protokolden sapma olasılığını bertaraf eder. Protokollerin hesaplama yükü düz metin işlemeye kıyasla 10-1000 kat daha fazla olabilir; ancak donanım hızlandırma ve optimizasyonlarla bu fark giderek kapanmaktadır.
Sıfır-Bilgi Kanıtı (Sıfır-Bilgi Kanıtı)
Sıfır-bilgi kanıtı (zero-knowledge proof, ZKP), bir tarafın (kanıtlayan/prover) karşı tarafa (doğrulayan/verifier) belirli bir bilginin doğru olduğunu, o bilgiyi hiç açıklamadan matematiksel olarak kanıtlayabildiği kriptografik bir protokoldür. Turing ödüllü Shafi Goldwasser, Silvio Micali ve Charles Rackoff tarafından 1985 yılında tanımlanan bu kavram, dijital güven ve gizlilik mühendisliğinin temel yapı taşlarından birini oluşturmaktadır. Klasik sezgi Ali Baba mağarası analojisiyle aktarılır: Zeynep, dairesel bir mağaranın ortasındaki gizli kapının şifresini bildiğini Ahmet'e, şifrenin kendisini açıklamadan kanıtlamak istiyor. Zeynep içeri girer ve iki yoldan birini rastgele seçer. Ahmet dışarıdan hangi yoldan çıkmasını istediğini bağırır. Eğer Zeynep şifreyi gerçekten biliyorsa her seferinde doğru yoldan çıkabilir; şansla başarma olasılığı n denemede (1/2)^n'e düşer. Sıfır-bilgi kanıtının üç temel özelliği şunlardır: (1) Tamlık — doğru bir iddia her zaman kanıtlanabilir. (2) Sağlamlık — yanlış bir iddia hile yoluyla kanıtlanamaz. (3) Sıfır-bilgi — doğrulayıcı kanıtlama sürecinde yalnızca "doğru/yanlış" bilgisini edinir, başka hiçbir şey öğrenmez. Pratik uygulamalar iki ana protokol sınıfında toplanır. zk-SNARK (Succinct Non-interactive ARgument of Knowledge) küçük kanıt boyutu ve hızlı doğrulama avantajı taşır; Zcash ve zkSync bu teknolojiyi kullanır. zk-STARK (Scalable Transparent ARgument of Knowledge) ise güvenilir kurulum gerektirmez ve kuantum bilgisayarlara karşı daha dayanıklı kabul edilir. Yapay zeka ile makine öğrenimi bağlamında ZKP giderek daha kritik bir rol üstlenmektedir. zkML (zero-knowledge machine learning) çalışmaları, bir modelin belirli bir veri kümesiyle eğitildiğini, eğitim verisini ifşa etmeden kanıtlamayı mümkün kılmaktadır. Federated learning ortamlarında istemciler, model güncellemelerinin gerçek yerel veriyle hesaplandığını ZKP protokolleri aracılığıyla doğrulatabilir. Kimlik doğrulamada ise parola tabanlı ZKP protokolleri, kullanıcının parolasını sunucuya iletmeden oturum açmasını olanaklı kılar. GDPR'ın veri minimizasyon ilkesi ve AB Yapay Zeka Yasası'nın şeffaflık gereklilikleri, ZKP temelli denetim mekanizmalarıyla doğrudan uyum içindedir.