Abstract

Gelişen teknoloji ile beraber kişisel verilerin korunması, gizlilik ve güvenlik konuları oldukça önemli bir noktaya gelmiştir. Firmalar kendi geliştirmedikleri ve başka firmalardan alacakları çözümlerde veri gizliliği konusunda büyük endişeler yaşamaktadır. Özellikle finansal veriye dokunan firmalar bu konuda ekstra hassasiyet göstermektedir. Kaygıların giderilmesi için şifrelenmiş verilerden analitikler çıkarılması önemli hale gelmiştir. Bu noktadan yola çıkılarak, çalışma kapsamında homomorfik şifrelenmiş veriler üzerinde yapılan analitik çalışmaların şifresiz veriler ile yapılan sonuçlarla karşılaştırılması hedeflenmiştir. Bu çalışmada, makine öğrenmesi algoritmaları kullanılarak bir veri kümesi üzerinde tahminleme çalışmaları gerçekleştirilmiştir. Ayrıca, aynı veri kümesi Zama AI Concrete ML kütüphanesi ile homomorfik şifrelenmiş ve makine öğrenmesi modelleri şifreli veriler üzerinde çalıştırılmıştır. Makine öğrenmesi modellerinin homomorfik şifreli veriler ile eğitilmesi eğitim süresini arttırsa da, elde edilen sonuçlar şifresiz verilerle yapılan analizlerle büyük ölçüde uyumludur. Bu durum, gizliliği koruyan makine öğrenmesi tekniklerinin uygulanabilirliğini göstermektedir.

References

[1] C. Gentry, Fully homomorphic encryption using ideal lattices, in Proceedings of the forty- first annual ACM symposium on Theory of computing, 2009, pp. 169–178.

[2] T. Graepel, K. Lauter, and M. Naehrig, Ml confidential: Machine learning on encrypted data, in International conference on information security and cryptology. Springer, 2012, pp. 1– 21.

[3] A. Stoian, J. Frery, R. Bredehoft, L. Montero, C. Kherfallah, and B. Chevallier-Mames, Deep neural networks for encrypted inference with tfhe, in International Symposium on Cyber Security, Cryptology, and Machine Learning. Springer, 2023, pp. 493–500.

[4] J. Frery, A. Stoian, R. Bredehoft, L. Montero, C. Kherfallah, B. Chevallier-Mames, and A. Meyre, Privacy-preserving tree-based inference with fully homomorphic encryption, Cryptology ePrint Archive, 2023.

[5] H. Attaullah, S. Sanaullah, and T. Jungeblut, Analyzing machine learning models for activity recognition using homomorphically encrypted real-world smart home datasets: A case study, Applied Sciences, vol. 14, no. 19, p. 9047, 2024.

[6] R. Podschwadt, D. Takabi, P. Hu, M. H. Rafiei, and Z. Cai, A survey of deep learning architectures for privacy-preserving machine learning with fully homomorphic encryption, IEEE Access, vol. 10, pp. 117 477–117 500, 2022.

[7] S. Behera and J. R. Prathuri, Application of homomorphic encryption in machine learning, in 2020 2nd PhD Colloquium on Ethically Driven Innovation and Technology for Society (PhD EDITS). IEEE, November 2020, pp. 1–2.

[8] Y. Ameur, S. Bouzefrane, and V. Audigier, Application of homomorphic encryption in machine learning, in Emerging Trends in Cybersecurity Applications. Cham: Springer International Publishing, 2022, pp. 391–410.

[9] I. Chillotti, M. Joye, and P. Paillier, New challenges for fully homomorphic encryption, in Privacy-preserving machine learning (PPMLPriML 2020) NeurIPS 2020 workshop, 2020.

[10] Q. Li, Z. Huang, W. J. Lu, C. Hong, H. Qu, H. He, and W. Zhang, Homopai: A secure collaborative machine learning platform based on homomorphic encryption, in 2020 IEEE 36th International Conference on Data Engineering (ICDE). IEEE, April 2020, pp. 1713– 1717.