İşletmelerde veri güvenliği için makine öğrenimi tabanlı homomorfik şifreleme algoritmalarının analizi
An analysis of machine learning based homomorphic encryption algorithms for data security in companys
- Tez No: 988542
- Danışmanlar: PROF. DR. CAN AYDIN
- Tez Türü: Yüksek Lisans
- Konular: Yönetim Bilişim Sistemleri, Management Information Systems
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Dokuz Eylül Üniversitesi
- Enstitü: Sosyal Bilimler Enstitüsü
- Ana Bilim Dalı: Yönetim Bilişim Sistemleri Ana Bilim Dalı
- Bilim Dalı: Yönetim Bilişim Sistemleri Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu çalışma, homomorfik şifreleme algoritmalarının kurumsal bilgi sistemlerinde performansını değerlendirerek şirketlerin güvenli veri analitiği ve makine öğrenmesi uygulamalarında algoritma seçimine katkı sağlamayı amaçlamaktadır. Araştırma sorusu, farklı homomorfik şifreleme algoritmalarının performans, doğruluk ve kaynak tüketimi açısından nasıl farklılaştığı ve hangi senaryolarda hangi algoritmaların tercih edilmesi gerektiğidir. Sekiz farklı algoritma (RSA, ElGamal, Paillier, Okamoto-Uchiyama, Damgard-Jurik, BFV, BGV, CKKS) Google Colab Pro+ altyapısında test edilmiştir. Deneysel yöntem üç boyuttan oluşmaktadır: kriptografik performans analizi, MongoDB veri tabanı entegrasyonu ve lojistik regresyon tabanlı müşteri kaybı tahmini. Farklı veri boyutlarında (100-10.000 kayıt) şifreleme süreleri, CPU ve bellek kullanımları ölçülmüştür. Sonuçlar, tam homomorfik şifreleme algoritmalarının karmaşık işlem desteği sağladığını ancak yüksek hesaplama maliyeti gerektirdiğini göstermiştir. Yarı homomorfik algoritmalar daha verimli performans sunmaktadır. Makine öğrenmesi testlerinde homomorfik şifreleme model doğruluğunu etkilememiş (MAE=0.0004) ancak işlem süresini 48 kat artırmıştır. BFV algoritması performans-doğruluk dengesi açısından en uygun seçenek olarak belirlenmiştir. Çalışma, işletmelere algoritma seçimi için kanıta dayalı bir çerçeve sunmaktadır. Basit toplama işlemleri için Paillier veya Okamoto-Uchiyama, karmaşık makine öğrenmesi modelleri için BFV algoritması önerilmektedir. Homomorfik şifreleme kurumsal uygulamalarda teknik olarak uygulanabilirdir ancak performans maliyetleri dikkatlice değerlendirilmelidir.
Özet (Çeviri)
This study aims to evaluate the performance of homomorphic encryption algorithms in enterprise information systems and contribute to algorithm selection for secure data analytics and machine learning applications. The research question addresses how different homomorphic encryption algorithms differ in terms of performance, accuracy, and resource consumption, and which algorithms should be preferred in specific scenarios. Eight different algorithms (RSA, ElGamal, Paillier, Okamoto-Uchiyama, Damgard-Jurik, BFV, BGV, CKKS) were tested on Google Colab Pro+ infrastructure. The experimental method consists of three dimensions: cryptographic performance analysis, MongoDB database integration, and logistic regression-based customer churn prediction. Encryption times, CPU and memory usage were measured across different data sizes (100-10,000 records). Results demonstrate that fully homomorphic encryption algorithms provide complex operation support but require high computational cost. Partially homomorphic algorithms offer more efficient performance. In machine learning tests, homomorphic encryption did not affect model accuracy (MAE=0.0004) but increased processing time by 48 times. BFV algorithm was identified as the most suitable option in terms of performance-accuracy balance. The study provides organizations with an evidence-based framework for algorithm selection. Paillier or Okamoto-Uchiyama is recommended for simple addition operations, while BFV algorithm is suggested for complex machine learning models. Homomorphic encryption is technically feasible in enterprise applications, but performance costs must be carefully evaluated.
Benzer Tezler
- Personalized quality of experience (QOE) management using data driven architecture in 5g wireless networks
5g kablosuz ağlarda veri dayalı mimari kullanarak kişiselleştirilmiş deneyim kalitesi (QOE) yönetimi
ZAHRAA QASIM ABED AL-EZZI
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ABDULLAHI ABDU IBRAHIM
- Privacy-preserving mechanisms for face verification systems
Yüz doğrulama sistemleri için gizliliği koruyucu mekanizmalar
MARAM H. W. ALAGHBAR
Yüksek Lisans
İngilizce
2024
Elektrik ve Elektronik MühendisliğiYıldız Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. TÜLAY YILDIRIM
- Comparatıve evaluatıon of aı-as-a-servıce vendor selectıon usıng fuzzy ahp and fuzzy topsıs
Yapay zekâ hizmet sağlayicilarinin karşilaştirmali değerlendi̇rmesi̇: bulanik ahp ve bulanik topsis uygulamasi
AMIRHOSSEIN DASTARI
Yüksek Lisans
İngilizce
2025
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÜLŞAH HANÇERLİOĞULLARI KÖKSALMIŞ
- Prıorıtızatıon of socıal medıa advertısıng channels ınonlıne retaılıng by an aı-drıven mcdm framework
Çevrimiçi perakendecilikte sosyal medya reklamkanallarinin yapay zeka destekli bir çkkv çerçevesiyleönceliklendirilmesi
SABA MOSTAFAEI
Yüksek Lisans
İngilizce
2025
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. YUSUF İLKER TOPCU
- Detection of malicious SQL injections using svm and KNN algorithms
Başlık çevirisi yok
SAMEER ABDULJABBAR KADHIM HACHAM
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
Prof. OSMAN NURİ UÇAN