Privacy-preserving XGBoost inference with homomorphic encryption
Homomorfik şifreleme ile gizlilik korumalı XGBoost tahmin algoritması
- Tez No: 774262
- Danışmanlar: PROF. DR. ERKAY SAVAŞ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: İngilizce
- Üniversite: Sabancı Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 88
Özet
Farklı alanlarda Makine Öğrenimini (ML) içeren çok sayıda uygulama kullanılmaktadır. Sağlık ve iş dünyası gibi birçok sektör, makine öğrenimi tabanlı tahmin hizmetleri sunmaktadır. Öte yandan, veri gizliliği ndişeleri makine öğrenimi hizmetlerinin tam potansiyeliyle kullanılmasını engelleyebilir. Makine öğrenmesi algoritmalarının yüksek güvenlikli şifreleme şemaları altında çalışmasını sağlamak, veri gizliliği sorununun üstesinden gelinmesine olanak tanıyacaktır. Makine öğrenimi algoritmalarını homomorfik olarak şifrelenmiş veriler üzerinde çalıştırmak, veri gizliliği sorunlarını ortadan kaldırmanın oldukça etkili bir yoludur. Bu nedenle, mevcut makine öğrenimi modellerinin homomorfik şifreleme ile kullanılabilirliği veri gizliliği için çok önemlidir. Sorgu veri sahipleri için kuantum sonrası bir güvenlik seviyesi sağlamak amacıyla yaygın olarak kullanılan XGBoost çıkarım algoritması ile homomorfik şifrelemeyi birleştirme üzerine çalışmayı seçtik. Bu çalışma, şifrelenmiş veriler üzerinde işlem yapabilen, gizliliği koruyan bir XGBoost çıkarım yöntemi önermekte ve gerçeklemektedir. Yöntemin tahmin ve zaman performansı çeşitli XGBoost modelleri kullanılarak değerlendirilmiştir. Ayrıca, hem sorgu sahipleri hem de model sahipleri için güvenlik ve gizlilik analizleri sunulmaktadır. Özet olarak, XGBoost çıkarımı için pratik ve etkili bir homomorfik şifreleme çözümü sunulmuştur.
Özet (Çeviri)
There is a plethora of applications that incorporate Machine Learning (ML) in a wide variety of fields. Many sectors, such as healthcare and business, provide MLbased prediction services. However, data privacy concerns may prevent using machine learning services at their full potential. Enabling ML algorithms to perform under highly secure encryption schemes would grant the chance to overcome the data privacy issue. Running ML algorithms on homomorphically encrypted data is a promising way to eliminate data privacy issues. Thus, the compatibility of existing machine learning models with homomorphic encryption is crucial for data privacy. We chose to work on combining widely used XGBoost inference algorithm and homomorphic encryption to provide a post-quantum security level for query data owners. This work proposes and implements a privacy-preserving XGBoost inference method that performs operations on encrypted data. The prediction and time performance of the method is evaluated using various XGBoost models. Moreover, security and privacy analysis are provided for both query owners and model owners. In conclusion, a practical and effective homomorphic encryption solution for XGBoost inference is presented.
Benzer Tezler
- Pertübasyon yöntemi ile hassas veri güvenliğine yönelik çok değişkenli veriler için tahmin analizi
Prediction analysis for multivariate data with respect to sensitive data security using the perturbation method
İLKER İLTER
Yüksek Lisans
Türkçe
2023
Endüstri ve Endüstri MühendisliğiSakarya ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. SAFİYE SENCER
- Privacy preserving data analysis for information systems
Bilgi sistemleri için gizliliği koruyan veri analizi
BARIŞ YILDIZ
Doktora
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDokuz Eylül ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. RECEP ALP KUT
- Blockchain in healthcare: Smart contracts to improve dental healthcare for children in mixed dentition period
Sağlıkta blockchaın: Karma diş dönemindeki çocuklar için diş sağlığını iyileştirmeye yönelik akıllı sözleşmeler
WILDAN MOHAMMED ARABY AL RUBAYE
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. SEFER KURNAZ
- Privacy-preserving data sharing and utilization between entities
Kurumlararası gizliliği koruyan veri paylaşımı
DİDEM DEMİRAĞ
Yüksek Lisans
İngilizce
2017
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİhsan Doğramacı Bilkent ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. ERMAN AYDAY
- Privacy preserving data publishing with multiple sensitive attributes
Privacy preserving data publishing with multiple sensitive attributes
AHMED ABDALAL
Doktora
İngilizce
2012
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSabancı ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. YÜCEL SAYGIN
YRD. DOÇ. DR. MEHMET ERCAN NERGİZ