Secure Multi-Party Computation (Güvenli Çok Taraflı Hesaplama)

#Kriptografi #GizlilikKoruma #FedereÖğrenme #VeriGüvenliği

Secure Multi-Party Computation, birden fazla tarafın gizli verilerini açıklamadan ortaklaşa hesaplama yapmasını sağlayan kriptografik protokol ailesidir.

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.

SMPC Nasıl Çalışır?

Güvenli Çok Taraflı Hesaplama'nın temel mekanizması, her katılımcının girdisini matematiksel parçalara bölerek dağıtmasına ve hesaplamanın bu şifreli parçalar üzerinden yapılmasına dayanır. Sonunda her taraf diğerlerinin paylarını birleştirir ve yalnızca nihai sonuca ulaşır.

En yaygın iki protokol ailesi şunlardır:

Garbled Circuits (Karışık Devreler): Andrew Yao tarafından önerilmiştir. Hesaplanacak fonksiyon bir mantık devresi olarak ifade edilir; devre kapıları şifrelenerek diğer tarafa gönderilir. Alıcı, kendi girdisine karşılık gelen şifreli çıktıları oblivious transfer protokolü aracılığıyla alır ve devreyi değerlendirir — ama yalnızca nihai sonucu öğrenir.

Secret Sharing (Gizli Paylaşım): Shamir'in eşik şeması gibi yöntemlerde her katılımcının girdisi birden fazla parçaya bölünür ve bu parçalar diğer taraflara dağıtılır. Hiç kimse tek başına tam veriyi elde edemez; toplama veya çarpma gibi hesaplamalar şifreli paylar üzerinde gerçekleştirilir.

Yapay Zeka ve Makine Öğrenmesindeki Yeri

SMPC, makine öğrenmesinde iki kritik sorunu çözer: birden fazla kurumun ortak model eğitimi ve çıkarım (inference) aşamasında veri gizliliği.

Ortak Model Eğitimi: Farklı hastaneler kanser teşhis modeli eğitmek için verilerini paylaşmak ister; ancak hasta mahremiyeti ve yasal kısıtlamalar bunu engeller. SMPC tabanlı federe öğrenme, gradyanları şifreli paylar hâlinde toplar; merkezi sunucu bile bireysel hastane verisini göremez.

Gizli Çıkarım (Private Inference): Kullanıcı, sağlık sorularını yapay zeka modeline sormak istemekte ama soruların şirkete açılmasını istememektedir. SMPC ile kullanıcı sorgusu şifreli olarak modele gönderilir; şirket ise model ağırlıklarını açıklamaz. İki taraf da birbirinin sırrını öğrenmeden sonucu alır.

Facebook AI Research'ün CRYPTEN kütüphanesi PyTorch üzerine inşa edilmiş olup SMPC protokollerini makine öğrenmesi araştırmacıları için kullanılabilir hâle getirmektedir.

Güvenlik Modelleri ve Kısıtlar

  • check_circle Yarı-Dürüst Model (Honest-but-Curious): Taraflar protokolü kurallara uygun izlerler ama mümkün olan her bilgiyi çıkarmaya çalışırlar. Çoğu pratik SMPC sistemi bu modeli varsayar.
  • check_circle Kötü Niyetli Model (Malicious): Taraflar protokolden sapabilir, yanlış veri gönderebilir. Sıfır bilgi ispatları (ZK proofs) ile doğrulama eklenerek bu model desteklenir; ancak işlem maliyeti artar.
  • check_circle Hesaplama Yükü: SMPC protokolleri, düz metin hesaplamaya kıyasla 10-1000× daha yavaş olabilir. Derin öğrenme görevlerinde GPU hızlandırma ve protokol optimizasyonu zorunludur.
  • check_circle İletişim Karmaşıklığı: Protokol çoklu tur gerektirdiğinden taraflar arası ağ gecikmesi toplam süreyi belirler; yerel ağda yönetilebilir, küresel dağıtık senaryolarda sorunlu olabilir.

SMPC, Homoformik Şifreleme ve Diferansiyel Gizlilik Karşılaştırması

SMPC

Birden fazla taraf arasında etkileşimli protokol; kriptografik ve kesin gizlilik garantisi; çok taraflı veri analizinde güçlü.

Homoformik Şifreleme

Tek taraf verisi şifreli işlenir; SMPC'yi her zaman gerektirmez; hesaplama yükü genellikle daha yüksek.

Diferansiyel Gizlilik

Çıktıya gürültü ekler; olasılıksal garanti sağlar; SMPC ile birleştirildiğinde hem içerik hem çıktı koruması elde edilir.

🔐 Güvenli Çok Taraflı Hesaplama Uygulama Alanları

  • check_circle Federe öğrenmede gradyan paylaşımı: ham model güncellemelerini şifreleyerek gizlilik koruma
  • check_circle Finans: birden fazla kurumun veri paylaşmadan ortak dolandırıcılık modeli eğitmesi
  • check_circle Sağlık: hastanelerin hasta verisi açmadan ortak ilaç yan etki analizi yapması
  • check_circle Reklam ölçüm: reklam tıklama ve dönüşüm verisi birleşimi gizlilik ihlali olmadan
  • check_circle Seçim sistemleri: oy sayımında bireysel tercihin gizli kalmasını garantileme

Sıkça Sorulan Sorular

  • check_circle SMPC ve federe öğrenme aynı şey midir? Hayır. Federe öğrenme, modelin istemcilerde eğitilip yalnızca ağırlık güncellemelerinin gönderilmesidir; bu güncellemeler hâlâ bilgi sızdırabilir. SMPC, federe öğrenmenin üzerine eklenerek aggregation adımını kriptografik olarak güvenli kılar.
  • check_circle SMPC'yi ne zaman kullanmalıyım? Birden fazla organizasyondan veri birleştirip ortak analiz yapmak istiyorsanız ve ham veriyi paylaşamıyorsanız SMPC doğru seçimdir. Tek organizasyon içindeyseniz diferansiyel gizlilik daha pratik olabilir.
  • check_circle SMPC üretim ortamında kullanılıyor mu? Evet. Oasis Labs (Meta ortaklığı), CRYPTEN (Meta AI), Sharemind (Cybernetica) ve MP-SPDZ gibi çatılar aktif üretim kullanımındadır; özellikle finans ve sağlık sektörlerinde GDPR uyumlu çözümler olarak tercih edilmektedir.
  • check_circle Kuantum bilgisayarlar SMPC'yi tehdit eder mi? Mevcut SMPC protokollerinin büyük çoğunluğu, RSA veya eliptik eğri gibi kuantum tehdidine açık şifreleme ilkelerine dayanır. Post-kuantum SMPC protokolleri aktif araştırma alanıdır; tam geçiş için standartlar henüz olgunlaşmamıştır.