Page 88 - bilgem-teknoloji-dergisi-12

Yapay Zekâ
nılan en temel yöntem verilerin tekil kalmasının lanır. Bu yöntem, alanların kendi içerisindeki ilişki-
önüne geçmektir. Veri setinde bir satırın alanlarına yi bozduğu için dikkatli kullanılmalıdır. Zira makine
bakılınca diğer satırlardan ayrılıyorsa bir şekilde öğrenmesi gibi tekniklerde kullanılacaksa, modelin
verinin kime veya hangi kurumla ilişkili olduğunun hatalı kalıplar öğrenmesine yol açabilir.
ortaya çıkma tehlikesi vardır. Bu problemin önüne
geçmek için kullanılan yöntemler aşağıda yer al- Federe Öğrenme
maktadır. İlk olarak 2016 yılında yapılan bir çalışmada[3]
karşımıza çıkan Federe öğrenme; merkezi makine
Karakter Maskeleme: Anonimleştirmede kulla- öğrenmesi modellerinin yerel cihazlarda bulunan
nılan en temel yöntemlerden biri yazının başında kişisel verileri görmediği ve modellerin yerel cihaz-
bahsedilen maskeleme yöntemidir. Veri içeriğinin lar arasında dağıtıldığı, işbirlikçi bir makine öğren-
hepsi veya bir kısmı anlamsız veya rastgele karak- mesi yöntemidir. Federe öğrenme, verilerin tek bir
terlerle değiştirilmektedir. merkezde toplandığı klasik makine öğrenimi yön-
temlerinin aksine verileri modele getirmez, makine
öğrenimi modellerini veri kaynaklarına getirir. Bu
Genelleştirme: Verinin ifade ettiği anlamın daha sayede, kişisel verilerin mahremiyeti ve güvenliği
geniş bir ifadeyle değiştirilme yöntemidir. Yaşı sağlanırken aynı zamanda model performansı için
yaş aralığına çevirmek ya da adreslerde tam adres ihtiyaç duyulan büyük veriler de modellere kazan-
kullanmak yerine ilçe veya il adlarıyla değiştirmek dırılmaktadır. Ayrıca, klasik yöntemlerde verilerin
örnek olarak verilebilir. merkezileştirilmesinden dolayı ortaya çıkan; veri-
Değiştirme/Karıştırma: Veri setinin içindeki alan- lerin yönetimi, işlenmesi, aktarımı gibi teknik zor-
luklardan da kaçınılmış olur.
ları birbirleriyle değiştirerek anonimleştirme sağ-
Federe öğrenme yöntemi 4 temel
süreç ile uygulanmaktadır;
Merkezi sunucu, merkezi modeli
ve başlangıç parametrelerini yerel
cihazlara gönderir. Veriler, yerel
cihazlarda bulunur ve bu verilerin
yerel cihazlardan herhangi bir çıkı-
şı olmaz.
Yerel cihazlar, gelen merkezi
modeli kendi veri kümesini kulla-
narak eğitir. Her yerel model, mer-
kez sunucudan gelen en güncel
parametrelerle ve yerel veri küme-
leri kullanılarak eğitilir.
Eğitilen yerel modellerin güncel
parametreleri merkezi sunucuya
geri aktarılır.
Merkez sunucuda her yerel ci-
hazdan gelen yeni parametreler,
çeşitli yöntemler kullanılarak bir-
leştirilir. Merkezi model, birleşti-
rilen güncel parametreler kulla-
nılarak yeniden eğitilir. Merkezi
modelde optimum parametreler
elde edilene kadar önceki adımlar
tekrar edilir.
Federe öğrenmeye Google’ın And-
roid cihazlardaki klavye uygulaması
olan Gboard örnek verilebilir [4]. Bu
uygulamada, kullanıcıya sunulan
önerilerin geliştirilmesi için kulla-
nıcıların kişisel sorgularına verilen
önerilerin tıklanma durumları yerel
cihazlarda depolanır. Bu verilere
erişim olmadan Federe öğrenme ile
Gboard’un sorgu öneri modelinin
iyileştirilmesi sağlanır.
Federe öğrenmenin ilk örnekleri
mobil cihazlar üzerinde yapılmış
86
BILGEM
TEKNOLOJI
olsa da; Federe öğrenme, özellikle şifreleme metotları Kısmen
veri mahremiyetinin önemli oldu- Homomorfik Şifrelemeye
örnek olarak verilebilir.
ğu Sağlık, Eğitim, Bankacılık gibi
sektörlerde de kullanılmaktadır. Biraz Homomorfik şifrele-
Ayrıca literatürde, Federe öğren-
me ile sağlanan mahremiyetin me(SHE) yönteminde ise
arttırılmasına yönelik çalışma- matematiksel işlem türün-
lar da yapılmaktadır. Bu amaçla, den ziyade, bu işlemlerin
merkezi ve yerel cihazlar arasında gerçekleştirilme sayısı kı-
paylaşılan modelin ve paramet- sıtlıdır. Tamamen Homo-
relerin gizliliğini sağlayan çeşitli morfik şifreleme (FHE) yön-
temleri şifrelenmiş veriler
güvenlik yöntemleri kullanılmak- üzerinde sınırsız sayıda
tadır. hem toplama hem de çarp-
Homomorfik Şifrelemenin ma işlemlerinin gerçekleş-
tirilmesine olanak sağlar.
Makine Öğrenmesinde
Kullanılması
Makine öğrenmesi, birçok sektör- Homomorfik şifreleme şe-
ması, Flaticon.com’dan alı-
de kullanılmaya ve bir ihtiyaç ha- nan ücretsiz simgeler ile yapılmıştır. Eser Sahip-
line gelmeye başladı. Ancak sağlık, finans gibi leri: Freepik, Pixel perfect ve Smartline.
bazı sektörlerde verilerin özel ve hassas olması,
makine öğrenmesi çözümlerinin uygulanmasına Homomorfik şifreleme ile şifrelenmiş veri üze-
rinde makine öğrenmesi teknikleri uygulanabilir
engel oluyordu. Aynı şekilde gelişen teknolojiy-
le birlikte veriler hızla büyümeye başlamış ve bu olmuştur. İhtiyaca göre farklı kullanım senaryo-
büyük verinin işlenmesi için daha güçlü makine- ları oluşturulabilmektedir. Kullanıcının önceden
lere, bulut ortamlarına ihtiyaç duyulmuştur. Kul- eğitilmiş bir makine öğrenmesi modeline veri
gönderip sonuç almak istediği bir senaryoda
lanıcılar verilerini işlenmesi için başka ortamlara kullanıcı, verisini şifreler ve şifrelenmiş verisini
veya bulut ortamlarına aktarma ihtiyacı duy- açık anahtar (public key) ile birlikte hesaplama-
makta ve eğer verileri özelse bu veriyi bir şekilde nın yapılacağı ortama gönderir. Şifrelemede açık
şifrelemesi gerekmektedir. Geleneksel şifreleme
yöntemleri maalesef bu soruna çözüm olamaz- anahtar veriyi şifrelemek, gizli anahtar (private
ken, homomorfik şifreleme metotları bu sorun key) ise şifrelenmiş veriyi çözmek için kullanı-
için uygulanabilir bir çözüm sunmuştur. lır. Kullanılan şifreleme yöntemine göre modelin
parametreleri açık anahtar ile şifrelenerek ma-
Homomorfik şifreleme, şifrelenmiş veri üzerin- tematiksel işlemler gerçekleştirilir ve sonuç yine
de hesaplama yapmaya izin veren bir şifreleme şifrelenmiş olarak elde edilir. Kullanıcı gizli anah-
yöntemidir. Şifrelenmiş veride matematiksel top- tarı ile şifrelenmiş sonucu çözebilir. Aynı şekilde
kullanıcı hazırda olan bir modeli kullanmak yeri-
lama ve çarpma işlemleri gerçekleştirilebilmek- ne elindeki veriyi şifreleyerek başka bir ortamda
tedir. Toplama ve çarpma işlemlerini yapabil- makine öğrenmesi modeli eğitebilir. Ancak veri
mek polinom hesabı yapabileceğimiz anlamına her zaman tek bir kullanıcının elinde olmayabilir.
gelmektedir. Bu sayede şifreli metin(ciphertext) Birden fazla kullanıcının veri sağladığı sistem-
çözülmeden düzyazı(plaintext) halindeki gibi lerde ise anahtar yönetimi Güvenli Çok Şahıslı
işlenebilir ve analiz edilebilir olmuştur. m veriyi, Hesaplama (Secure Multi-party Computation)
E(m) ise verinin şifrelenmiş halini temsil edecek [5] veya Güvenilir Üçüncü Şahıs (Trusted Third
olursa: Party) [6] ile yapılabilir.
Kaynakça
1. “What is Data Masking”, DataSunrise. [Online]. Available:
https://www.datasunrise.com/blog/professional-info/what-
Çeşitli homomorfik şifreleme yöntemleri vardır. is-data-masking/ [Accessed: 14-Apr-2021]
Aralarındaki fark, şifrelenmiş veriler üzerinde 2. “GUIDE TO BASIC DATA ANONYMISATION TECHNIQUES”,
Personal Data Protection Commission Singapore, 2018. Avai-
gerçekleştirilebilecek matematiksel işlem türleri lable:https://www.pdpc.gov.sg/help-and-resources/2018/01/
ve işlem sayısıdır. Bunlar Kısmen Homomorfik guide-to-basic-data-anonymisation-techniques
Şifreleme (Partially Homomorphic Encryption), 3. McMahan, Brendan, et al. “Communication-efficient learning
Biraz Homomorfik Şifreleme (Somewhat Homo- of deep networks from decentralized data.” Artificial Intelligen-
morphic Encryption) ve Tamamen Homomorfik ce and Statistics. PMLR, 2017.
4.https://ai.googleblog.com/2017/04/federated-learning-col-
Şifreleme(Fully Homomorphic Encryption)’dir. laborative.html
5. Karthik A Jagadeesh, David J Wu, Johannes A Birgmeier,
Kısmen homomorfik şifreleme(PHE), sadece Dan Bonehand Gill Bejerano. Deriving genomic diagnoses
bir matematiksel işlemin sınırsız sayıda ger- without revealing patient
çekleştirilebildiği bir şifreleme yöntemidir. Ri- 6. Runhua Xu, James B.D. Joshi, and Chao Li. CryptoNN: Trai-
ning Neural Networks over Encrypted Data
vest-Shamir-Adleman (RSA), ElGamal ve Paillier
87