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. Protokolün temel güvencesi şudur: hesaplama tamamlandığında her taraf yalnızca nihai sonucu öğrenir; diğer katılımcıların ham verilerine hiçbir şekilde erişemez. Kavram, 1982 yılında Andrew Yao'nun Milyarder Problemi üzerine önerdiği protokolle temellendirilmiştir. İki milyarderin zenginliklerini açıklamadan hangisinin daha varlıklı olduğunu öğrenmek istemesi, SMPC'nin özüdür: herkes kendi sırrını korur, yalnızca ortak hesaplamanın cevabı ortaya çıkar. Yapay zeka ve makine öğrenmesi dünyasında SMPC, veri gizliliğinin yasal ya da kurumsal kısıtlamalar nedeniyle kritik olduğu senaryolarda kullanılır. Farklı hastanelerin, bankaların veya şirketlerin verilerini birleştirmeden ortak model eğitmesi, çok kurumlu dolandırıcılık tespiti ve gizli çıkarım (private inference) SMPC'nin başlıca pratik uygulamalarıdır. Meta'nın Oasis Labs ile geliştirdiği Instagram eşitlik ölçümü platformu ve Facebook AI Research'ün PyTorch tabanlı CRYPTEN kütüphanesi bu alanın olgunlaşmasının göstergesidir. Federe öğrenme ile birleştirildiğinde SMPC, merkezi sunucunun dahi gradyan güncellemelerinden bilgi çıkarmasını engeller; gizlilik garantisi böylece protokol düzeyine taşınır. GDPR ve HIPAA gibi düzenlemelerin katı veri lokalizasyon şartlarını karşılamak için SMPC, homoformik şifreleme ve diferansiyel gizlilikle birlikte modern gizlilik koruyucu yapay zeka altyapısının üç temel direğinden biri hâline gelmiştir. Protokol ailesi iki ana kola ayrılır: Garbled Circuits (Karışık Devreler), fonksiyonu mantık devresi olarak şifreleyerek taraflar arasında değerlendirir; Secret Sharing (Gizli Paylaşım) ise her katılımcının girdisini matematiksel parçalara bölerek dağıtır ve şifreli paylar üzerinde hesaplamayı gerçekleştirir. Her iki yaklaşım da teorik güvenlik garantileri sunmakla birlikte hesaplama ve iletişim maliyeti bakımından farklı uzlaşmalar sunar.

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.

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.