Skip to main content

Kripto ve AI'da gizlilik (privacy) nedir

Not: Bu belge orijinal İngilizce versiyonun otomatik bir çevirisidir.

Kripto ve AI'da gizlilik (privacy) nedir

Kripto ve AI bağlamında gizlilik (privacy), verilerin yetkisiz taraflara ifşa edilmeden işlenmesi, saklanması ve iletilmesi yeteneğini ifade eder. Merkeziyetsiz sistemlerde gizlilik özellikle zordur, çünkü blok zincirleri tasarım gereği şeffaftır — işlemler, akıllı sözleşme durumları ve zincir üstü veriler herkese açık biçimde görünürdür. Gizliliği koruyan teknolojiler, hassas veriler üzerinde (AI modeli girdileri, çıktıları ve ağırlıkları dahil) hesaplamaların bu verileri gizli tutarak yapılmasına olanak tanır.

Kısaca: kripto AI'da gizlilik, verinin kendisini açığa çıkarmadan veriler üzerinde hesaplama yapmak anlamına gelir. Merkeziyetsiz ortamlarda model girdilerini, çıktılarını ve parametrelerini korumak için kriptografik ve donanım tabanlı teknikleri birleştirir.

Merkeziyetsiz AI'da gizlilik neden önemli

Merkezî AI'da gizlilik; erişim kontrolleri, sözleşmeler ve sağlayıcıya duyulan güven yoluyla sağlanır. Kullanıcılar, modeli çalıştıran şirketin verilerini kötüye kullanmayacağına güvenir. Merkeziyetsiz AI'da ise güvenilen tek bir taraf yoktur. Hesaplama sağlayıcıları, doğrulayıcılar ve diğer ağ katılımcıları anonim ve güvenilmez olabilir. Bu durum birkaç gizlilik sorunu yaratır:

  • Girdi gizliliği. Merkeziyetsiz bir AI modeline tıbbi kayıt, finansal veri veya kişisel sorgu gönderen bir kullanıcı, hesaplama sağlayıcısının ham girdiyi görmesini istemez.
  • Çıktı gizliliği. Bazı senaryolarda bir AI hesaplamasının sonucu da hassastır — talep sahibinin ifşa edilmesini istemediği bir risk puanı, teşhis veya işlem sinyali olabilir.
  • Model gizliliği. AI modeli ağırlıkları önemli bir fikri mülkiyeti temsil eder. Merkeziyetsiz bir hesaplama ağını kullanan model sahibi, hesaplama sağlayıcısının modeli görmesini veya kopyalamasını istemeyebilir.
  • Eğitim verisi gizliliği. Tescilli veya kişisel verilerle eğitilen modeller, bu verileri hem eğitim sırasında hem de dağıtımda korumalıdır (düşmanca sorgular yoluyla çıkarımı engelleyerek).

Gizliliği koruyan mekanizmalar olmadan, merkeziyetsiz AI temel bir gerilimle karşı karşıya kalır: sistem güven gerektirmeyecek şekilde tasarlanmıştır, ancak katılımcıların yine de ağdan geçen verilere bakmayacakları konusunda birbirlerine güvenmeleri gerekir.

Gizlilik nasıl sağlanır

Kripto AI'da gizliliği koruyan hesaplama, genellikle birlikte kullanılan birkaç yaklaşımdan yararlanır:

Sıfır bilgi kanıtları (ZK)

Sıfır bilgi kanıtları, bir tarafın bir ifadenin doğru olduğunu, ifadenin doğruluğu dışında hiçbir bilgi açıklamadan kanıtlamasına olanak tanır. AI uygulamalarında ZK, model ağırlıklarını veya girdi verilerini açığa çıkarmadan bir model çıkarımının doğru hesaplandığını kanıtlayabilir. Bu yaklaşım matematiksel (güven gerektirmeyen) bir kriptografik garanti sağlar, ancak özellikle karmaşık AI modelleri için önemli bir hesaplama yükü getirir. zk-SNARK'lar, zk-STARK'lar ve uygulamaları hakkında ayrıntılar için ZK hakkındaki özel sayfaya bakın.

Güvenilir Yürütme Ortamları (TEE)

TEE, işlemcinin donanımla izole edilmiş bir bölgesidir; burada kod ve veriler sistemin geri kalanından — işletim sistemi, hipervizör ve hatta donanım sahibi dahil — korunur. TEE'ler, AI modellerinin güvenilmeyen donanımda modeli ve verileri gizli tutarak çalıştırılmasına olanak tanır. Bunun bedeli, güvenliğin matematiksel kanıtlar yerine donanım üreticisinin uygulamasına bağlı olmasıdır. Ayrıntılar için TEE hakkındaki özel sayfaya bakın.

Güvenli çok taraflı hesaplama (MPC)

MPC, birden fazla tarafın girdilerini birbirlerine açıklamadan bu girdiler üzerinde ortak bir fonksiyonu hesaplamasına olanak tanır. AI'da MPC, hiçbir düğümün modelin tamamını veya girdinin tamamını görmediği dağıtık çıkarımı mümkün kılabilir. Hesaplama yükü önemlidir ve pratik uygulamalar genellikle büyük ağlar yerine az sayıda taraf içerir.

Homomorfik şifreleme (HE)

Tam homomorfik şifreleme, hesaplamaların doğrudan şifrelenmiş veriler üzerinde yapılmasına olanak tanır; ortaya çıkan şifrelenmiş sonuç, çözüldüğünde aynı hesaplamanın şifrelenmemiş veriler üzerinde yapılmasıyla elde edilecek sonuçla eşleşir. Teoride bu, şifrelenmiş veriler üzerinde herhangi bir AI hesaplamasını mümkün kılar. Pratikte, mevcut HE şemaları düz metin hesaplamadan kat kat daha yavaştır ve kullanımları basit işlemlerle veya küçük modellerle sınırlıdır.

Diferansiyel gizlilik

Diferansiyel gizlilik, veri kümesinin istatistiksel özelliklerini korurken bireysel kayıtların tanımlanmasını önlemek için verilere veya model çıktılarına dikkatle ayarlanmış gürültü ekler. Öncelikle model eğitimi sırasında, modelin bireysel eğitim örneklerini ezberleyip sonradan sızdırmamasını sağlamak için kullanılır. Bir şifreleme tekniği değil, matematiksel bir çerçevedir.

Yaklaşımların karşılaştırması

Yaklaşım Koruduğu Güven modeli Ek yük Olgunluk
ZK kanıtları Hesaplama bütünlüğü + veri gizliliği Matematiksel (güven gerektirmez) Çok yüksek Aktif araştırma; küçük modeller kanıtlandı
TEE Çalışma zamanı verisi + model gizliliği Donanım üreticisi Düşük–orta Birçok iş yükü için üretime hazır
MPC Taraflar arasında girdi gizliliği Taraflar arasında dürüst çoğunluk Yüksek Özel ortamlarda devrede
HE Hesaplama sırasında veri gizliliği Matematiksel (güven gerektirmez) Çok yüksek AI iş yükleri için deneysel
Diferansiyel gizlilik Eğitim verisi gizliliği İstatistiksel garanti Düşük Eğitim süreçlerinde yaygın olarak benimsendi

Gizliliği koruyan AI çıkarımı

Kripto AI'daki en yakın uygulama, gizli çıkarımdır: bir modeli kullanıcının verileri üzerinde, hesaplama sağlayıcısının girdiyi görmediği ve kullanıcının model ağırlıklarını görmediği şekilde çalıştırmak. Bu, merkeziyetsiz AI çıkarım ağları için temel gizlilik sorunudur.

Mevcut pratik çözümler gizli çıkarım için genellikle TEE'leri kullanır, çünkü ek yük yönetilebilir düzeydedir ve teknoloji olgundur. ZK tabanlı yaklaşımlar (zkML) daha güçlü garantiler sağlar ancak daha küçük modellerle sınırlıdır. MPC ve HE yaklaşımları çıkarım iş yükleri için büyük ölçüde deneysel kalmaktadır.

Gerçekçi bir gizli çıkarım süreci şu şekilde işleyebilir:

  1. Kullanıcı girdisini şifreler veya bir TEE enklavına gönderir.
  2. Model, ne operatörün ne de dış gözlemcilerin verileri okuyabildiği TEE içinde çalışır.
  3. TEE bir attestation üretir — hesaplamanın gerçek, değiştirilmemiş bir enklav içinde çalıştığına dair kriptografik bir kanıt.
  4. Sonuç, şifrelenmiş olarak veya güvenli bir kanal üzerinden kullanıcıya döndürülür.

Attestation, kullanıcının hesaplama sağlayıcısına güvenmeden hesaplamanın korunan bir ortamda gerçekleştiğini doğrulamasına olanak tanır.

DecAIHub için neden önemli

Gizlilik, DecAIHub'ın değerlendirme çerçevesinde kesişen bir konudur. Projeler gizliliği koruyan teknikleri birkaç şekilde kullanabilir:

  • Bir AI bileşeni olarak. Gizli çıkarım, özel model sunumu veya gizliliği koruyan eğitim, projenin AI hattının merkezinde olduklarında AI component alanında görünür.
  • Zincir üstü bir özellik olarak. Bazı projeler ZK kanıtlarını veya TEE attestation'larını zincir üstü artefaktlar olarak kullanır ve bu, DecAI Fit'in Onchain necessity boyutuna katkıda bulunur.
  • Bir farklılaştırıcı olarak. Gizliliği koruyan hesaplama teknik açıdan zorludur. Bunu doğrulanabilir kanıtlarla (TEE attestation kayıtları, ZK kanıt doğrulama sözleşmeleri) uygulayan projeler gerçek teknik derinlik sergiler.

Gizlilik iddiaları değerlendirilirken temel soru şudur: somut mekanizma nedir ve devrede olduğuna dair hangi kanıtlar mevcut? Projenin TEE, ZK, MPC veya başka bir yaklaşım kullanıp kullanmadığını belirtmeyen bir "gizliliği koruyan AI" iddiası, değerlendirilemeyecek kadar belirsizdir.

DecAIHub proje kartlarında nerede görünür

Gizlilikle ilgili özellikler proje kartlarında birkaç alanda görünür:

  • AI component — "confidential inference", "private model serving" veya "TEE-based execution" gibi değerler, gizliliği koruyan mekanizmalara işaret eder.
  • Kategori etiketleri — projeler, birincil AI kategorilerinin yanı sıra gizlilik teknolojisi kullanımını belirten etiketler taşıyabilir.
  • Kanıt tablosu — gizlilik için Tier-1 kanıtlar; TEE attestation kayıtlarını, ZK doğrulayıcı sözleşmelerini, gizli hesaplama uygulamaları için yayımlanmış denetim raporlarını ve belgelenmiş veri işleme politikalarını içerir.

Gizlilik tek başına neyi kanıtlamaz

  • Gizlilik AI reality'yi kanıtlamaz. Bir proje, arkasında gerçek bir AI olmadan sofistike gizlilik teknolojisi uygulayabilir.
  • Gizlilik merkeziyetsizliği kanıtlamaz. Tek bir merkezî sağlayıcı, TEE tabanlı bir gizli çıkarım hizmeti çalıştırabilir. Gizlilik garantisi, sistemin merkeziyetsiz olup olmadığından bağımsızdır.
  • Gizlilik güvenliği kanıtlamaz. Gizlilik, verileri yetkisiz erişime karşı korur, ancak AI hattındaki hatalara, mantık kusurlarına veya diğer güvenlik açıklarına karşı korumaz.
  • Gizlilik Token necessity'yi kanıtlamaz. Gizliliği koruyan hesaplama, blok zinciri veya token olmadan da çalışabilir. Tokenın anlamlı bir değer katıp katmadığı ayrı bir değerlendirmedir.
  • Mekanizmayı belirtmeden gizlilik iddia etmek doğrulanabilir değildir. TEE, ZK, MPC veya başka bir somut yaklaşım olmadan "gizliliği koruyan" ifadesi teknik değil, pazarlama iddiasıdır.

Karıştırmayın

  • ZK (sıfır bilgi kanıtları) — gizlilik için kullanılabilen, ancak ölçeklendirme (zk-rollup'lar) ve doğrulama (zkML) için de kullanılan özel bir kriptografik tekniktir. Gizlilik, ZK'yı araçlardan biri olarak içeren daha geniş bir kavramdır.
  • TEE — gizli hesaplamaya donanım tabanlı bir yaklaşımdır. TEE, gizliliği sağlamanın bir mekanizmasıdır, eş anlamlısı değildir.
  • Anonimlik — işlem katılımcılarının kimliğini gizlemektir. AI'da gizlilik, kimin işlem yaptığını gizlemekten ziyade verileri ve hesaplamayı korumaya odaklanır.
  • Beklemedeki verilerin şifrelenmesi — saklanan verileri şifrelemek onları yetkisiz erişime karşı korur, ancak hesaplama sırasındaki gizliliği ele almaz. Gizliliği koruyan hesaplama, verilerin işlenirken de korunmaya devam etmesi anlamına gelir.
  • Veri sahipliği — verilere kimin erişebileceğini kontrol etmek gizlilikle ilişkilidir, ancak hesaplamayla ilgili değil, yönetişim ve erişim kontrolüyle ilgili bir konudur.

Sık sorulan sorular

Kripto AI'da gizlilik ile mahremiyet (confidentiality) arasındaki fark nedir?

Pratikte bu terimler genellikle birbirinin yerine kullanılır. Kesin olarak, gizlilik (privacy) hangi bilgilerin ifşa edileceğini kontrol etme hakkını veya yeteneğini ifade ederken, mahremiyet (confidentiality) yetkisiz ifşayı önleyen yükümlülüğü veya mekanizmayı ifade eder. Kripto AI'da gizli hesaplama (hesaplamaları korunan bir ortamda çalıştırmak), gizlilik hedefini gerçekleştiren bir mekanizmadır. Bir proje "confidential inference" dediğinde, genellikle çıkarımın verileri koruyan bir ortamda (TEE gibi) çalıştığını kasteder — bu, daha geniş gizlilik hedefinin belirli bir uygulamasıdır.

AI modelleri herkese açık bir blok zincirinde gizli olabilir mi?

AI hesaplamasının kendisi blok zincirinde çalışmaz — zincir dışı hesaplama altyapısında çalışır. Blok zinciri kanıtları, attestation'ları veya sonuçları kaydeder. Gizlilik, blok zinciri katmanında değil, hesaplama katmanında (TEE, ZK veya diğer teknikler kullanılarak) sağlanır. Blok zinciri, altta yatan verileri görmeden özel bir hesaplamanın doğru yapıldığını (ZK kanıtı veya TEE attestation'ı aracılığıyla) doğrulayabilir. Zincir üstü kayıt herkese açıktır; arkasındaki hesaplama ve veriler gizli kalabilir.

AI için en iyi gizlilik yaklaşımı hangisi?

Tek bir en iyi yaklaşım yoktur — her birinin ödünleşimleri vardır. TEE'ler gerçek iş yükleri için pratik performans sunar ancak donanıma dair güven varsayımlarına bağlıdır. ZK kanıtları güven gerektirmeyen matematiksel garantiler sağlar ancak hesaplama açısından pahalıdır ve daha küçük modellerle sınırlıdır. MPC, girdileri paylaşmadan ortak hesaplamayı mümkün kılar ancak taraflar arasında koordinasyon gerektirir. Günümüzde çoğu üretim sistemi gizli çıkarım için TEE'leri kullanır; ZK kanıtları ise yüksek değerli doğrulama için seçici olarak kullanılır. Seçim; tehdit modeline, performans gereksinimlerine ve söz konusu verilerin hassasiyetine bağlıdır.

Gizlilik AI çıkarımını yavaşlatır mı?

Mekanizmaya bağlıdır. TEE tabanlı çıkarım neredeyse yerel hızda çalışır — donanım izolasyonu asgari düzeyde ek yük getirir. ZK tabanlı doğrulama, kanıt üretimine önemli bir ek yük ekler (düz çıkarımdan kat kat daha yavaş), ancak doğrulamanın kendisi hızlıdır. MPC ve HE, her ikisi de önemli hesaplama maliyetleri getirir. Pratikte projeler, gereken gizlilik garantisini kendi kullanım senaryoları için kabul edilebilir performansla dengeleyen gizlilik mekanizmasını seçer.

Dış kaynaklar

Ayrıca bakınız

No comments to display

Back to top