Homomorphic Encryption (Homomorfik Şifreleme)

#Güvenlik #Şifreleme #FHE #GizlilikKorumaAI #KuantumDirençli

Homomorfik Şifreleme, şifreli veriler üzerinde şifre çözmeden hesaplama yapılmasını sağlayan kriptografi tekniğidir.

Homomorfik şifreleme, şifreli veriler üzerinde şifre çözme gerekmeksizin matematiksel hesaplamalar yapılmasına olanak tanıyan ileri düzey bir kriptografi tekniğidir. Geleneksel şifreleme yöntemlerinde veri üzerinde işlem yapabilmek için önce şifrenin çözülmesi gerekirken homomorfik şifreleme bu kısıtlamayı ortadan kaldırarak bulut ortamlarında ve güvenilmeyen platformlarda bile gizli veri işlemeye imkân tanır. Bu özellik, yapay zeka modellerinin hassas veriler üzerinde çalışması gereken senaryolarda büyük bir güvenlik avantajı sunar. Temel matematiksel ilke şudur: Enc(m₁) ve Enc(m₂) şifreli değerleri üzerinde toplama yapıldığında sonuç Enc(m₁ + m₂)'ye, çarpma yapıldığında ise Enc(m₁ × m₂)'ye eşit olur. Yani şifreli alanda gerçekleştirilen işlem, ham veri üzerinde yapılacak hesaplamayla özdeş sonuç verir. Veri sahibi bu şifreli çıktıyı yalnızca kendi özel anahtarıyla çözerek nihai sonuca ulaşır; aradaki işlemi yapan sunucu ham veriyi hiçbir zaman göremez. Dört ana şifreleme türü bulunmaktadır. Kısmi Homomorfik Şifreleme (PHE) yalnızca tek tür işlemi destekler: RSA çarpma için, Paillier toplama için klasik örneklerdir. Düzey Homomorfik Şifreleme (LHE) hem toplama hem çarpmayı destekler ama işlem derinliği sınırlıdır. Tam Homomorfik Şifreleme (FHE) sınırsız işlem derinliğiyle rastgele karmaşıklıktaki algoritmaları şifreli veri üzerinde çalıştırabilir; gürültü birikimini engellemek için pahalı bootstrapping işlemi gerektirir. CKKS şeması ise ondalık sayılar üzerinde yaklaşık hesaplama yaparak sinir ağı çıkarımı için pratik bir seçenek sunar. Yapay zeka uygulamalarında homomorfik şifreleme üç kritik senaryoda öne çıkmaktadır. Sağlık AI'ında hasta kayıtları şifreli haldeyken bulut modellerine teşhis amacıyla gönderilebilir. Federe öğrenmede gradyan güncellemeleri şifreli olarak merkezi sunucuya iletilir. Finansal sistemlerde müşteri verileri şifreliyken kredi risk modelleri üzerinde işlenebilir ve GDPR/KVKK uyumu korunur. Microsoft SEAL, Google'ın HElib ve OpenFHE gibi açık kaynak kütüphaneler geliştiricilere bu teknolojiye pratik bir giriş kapısı açmaktadır. FHE'nin hesaplama maliyeti, donanım hızlanmasıyla birlikte her geçen yıl belirgin ölçüde düşmektedir.

Homomorfik Şifreleme Nasıl Çalışır?

Homomorfik şifrelemenin temel ilkesi, şifreleme işleminin matematiksel yapısını koruyacak biçimde tasarlanmasıdır. Klasik bir şifreleme sisteminde m mesajı şifrelendiğinde Enc(m) elde edilir. Homomorfik şifrelemede ise Enc(m₁) ve Enc(m₂) şifreli değerleri üzerinde toplama veya çarpma işlemi yapıldığında sonuç, Enc(m₁ + m₂) veya Enc(m₁ × m₂)'ye eşit olur. Yani şifre çözülmeden elde edilen sonuç, ham veriler üzerinde yapılacak hesaplamayla aynıdır.

Bu özellik, güvenilmeyen bir sunucuya (bulut AI platformu gibi) şifreli veri göndererek hesaplama yaptırılmasına olanak tanır. Sunucu veriyi hiçbir zaman göremez; yalnızca şifreli çıktıyı döndürür. Veri sahibi bu şifreli sonucu kendi özel anahtarıyla çözerek gerçek sonuca ulaşır.

Tam Homomorfik Şifreleme (FHE) hem toplama hem çarpma işlemlerini sınırsız sayıda yapabilir, bu sayede rastgele karmaşıklıktaki algoritmaları şifreli veri üzerinde çalıştırmak mümkün olur. Ancak FHE hesaplamaları gürültü biriktirir; bu nedenle belirli aralıklarla 'bootstrapping' adı verilen pahalı bir yenileme işlemi gerektirir.

Şifreleme Türleri

PHE — Kısmi Homomorfik Şifreleme

Yalnızca tek tür işlemi (toplama VEYA çarpma) destekler. RSA çarpma için, Paillier toplama için örnektir. Hızlıdır ancak sınırlı kullanım alanı vardır.

LHE — Düzey Homomorfik Şifreleme

Hem toplama hem çarpmayı destekler; ancak işlem derinliği sınırlıdır. BGV ve BFV şemaları bu kategoridedir. Bootstrapping gerekmez.

FHE — Tam Homomorfik Şifreleme

Sınırsız işlem derinliği. TFHE ve CKKS şemaları bu kategoridedir. Makine öğrenimi için en esnek seçenek; ancak en yüksek hesaplama maliyetine sahip.

CKKS — Yaklaşık Aritmetik

Ondalık sayılar (float) üzerinde yaklaşık hesaplama yapar. Tam doğruluk yerine yüksek hassasiyeti tercih eder. Sinir ağı çıkarımı ve gradyan güncellemeleri için idealdir.

Yapay Zekadaki Uygulama Alanları

  • check_circle Sağlık AI'ı: Hasta kayıtlarının şifreli haldeyken bulut AI modeline gönderilerek teşhis veya risk analizi yapılması; hasta mahremiyeti korunur.
  • check_circle Federated Learning Güvenliği: Gradyan güncellemeleri şifreli olarak merkezi sunucuya gönderilir; sunucu ham model güncellemelerini asla görmez.
  • check_circle Finansal Tahmin: Bankalar müşteri hesap verilerini şifreli haldeyken kredi risk modeline işletir; veri gizliliği ve KVKK/GDPR uyumu sağlanır.
  • check_circle Güvenli Model Çıkarımı (Inference): Kullanıcı sorguları şifreli olarak AI sunucusuna gönderilir; model çıktısı şifreli döner. Sunucu ne sorulduğunu göremez.
  • check_circle Kuantum Sonrası Güvenlik: LWE tabanlı şifreleme kuantum saldırılarına karşı dirençlidir; gelecekteki kuantum bilgisayarlara karşı uzun vadeli güvenlik sağlar.

Güncel Homomorfik Şifreleme Kütüphaneleri

  • check_circle Microsoft SEAL: C++ tabanlı; CKKS ve BFV şemalarını destekler; en yaygın kullanılan açık kaynak kütüphane
  • check_circle OpenFHE: DARPA destekli; çok şema desteği (CKKS, BFV, BGV, FHEW, TFHE); Rust ve Python bağlantıları
  • check_circle HElib (IBM): Akademik araştırmalar için güçlü; SIMD benzeri vektör operasyonları; C++ API
  • check_circle Concrete (Zama): TFHE tabanlı; Rust ile yazılmış; özellikle makine öğrenimi çıkarımı için optimize; Python ön yüzü

Pratik Zorluklar ve Güncel Durum

  • check_circle Performans Cezası: FHE hâlâ düz metne kıyasla 1.000-1.000.000x yavaştır; yalnızca küçük modeller pratik ölçekte çalışır
  • check_circle Anahtar Boyutu: Şifreleme anahtarları ve şifreli metinler onlarca MB olabilir; ağ ve depolama maliyeti artar
  • check_circle Doğruluk Kaybı: CKKS gibi yaklaşık şemalar float hesaplamada küçük hata biriktirir; derin ağlarda hassasiyet düşebilir
  • check_circle GPU Hızlandırma: NVIDIA cuFHE ve benzeri kütüphaneler FHE'yi GPU'da hızlandırıyor; 2025 itibarıyla 100x iyileşme sağlandı
  • check_circle Gerçek Dünya Kullanımı: Finansal risk skorlama, genomik araştırma ve sağlık analitiği en olgun FHE kullanım alanları

Sık Sorulan Sorular

  • check_circle Homomorfik şifreleme diferansiyel gizlilikten farkı nedir? Diferansiyel gizlilik, istatistiksel gürültü ekleyerek bireysel verilerin tespit edilmesini önler; homomorfik şifreleme ise verileri matematiksel olarak şifreleyerek işlenmeyi sağlar. İkisi birbirini tamamlayan farklı tekniklerdir.
  • check_circle FHE uygulamada gerçekten kullanılabiliyor mu? Evet, ancak sınırlı ölçekte. Microsoft SEAL ve Zama'nın Concrete gibi kütüphaneler aktif geliştirilmektedir. 2025 itibarıyla basit sinir ağı çıkarımları saniyeler içinde tamamlanabilmektedir; tam ölçekli modeller hâlâ araştırma aşamasındadır.
  • check_circle Hesaplama maliyeti ne kadar yüksek? Geleneksel işleme göre 1.000 ila 100.000 kat daha yavaş olabilir. CKKS ile basit sinir ağı çıkarımları milisaniyeden dakikalara uzanır. GPU hızlandırma ve FPGA tabanlı FHE işlemcileri bu boşluğu kapatmaktadır.
  • check_circle Hangi programlama dilleriyle kullanılır? Python (PySEAL, concrete-python), C++ (HElib, OpenFHE, Microsoft SEAL) ve Rust (tfhe-rs) yaygın seçeneklerdir. Zama'nın Concrete kütüphanesi Python'da kullanıcı dostu FHE API'si sunar.