Tamamen homomorfik şifrelenmiş veriler üzerinde yapay sinir ağları performans değerlendirmesi
| dc.contributor.advisor | Çiçek, Özlem Erdaş | |
| dc.contributor.author | Ağlar, Seyhan | |
| dc.date.accessioned | 2026-07-10T13:54:20Z | |
| dc.date.available | 2026-07-10T13:54:20Z | |
| dc.date.issued | 2026 | |
| dc.date.submitted | 2026 | |
| dc.department | NEÜ, Fen Bilimleri Enstitüsü, Bilgisayar Mühendisliği Anabilim Dalı | |
| dc.description.abstract | Bu çalışmada, tamamen homomorfik şifreleme (FHE) kullanılarak şifreli veriler üzerinde makine öğrenmesi yöntemlerinden yapay sinir ağı modellerinin performansı incelenmiş ve şifresiz (açık veri) modellerle karşılaştırılmıştır. FHE, verilerin açığa çıkmadan şifreli biçimde işlenmesini sağlayarak özellikle sağlık, finans ve kişisel veri içeren uygulamalarda gizlilik ve güvenlik açısından kritik bir çözüm sunmaktadır. Veri gizliliğini koruyarak işlem yapmaya imkân veren homomorfik şifreleme yaklaşımı kapsımında özellikle TFHE (Torus Fully Homomorphic Encryption) yöntemi bit temsili, gürültü (noise) oluşumu ve bootstrapping mekanizması ele alınmıştır. Çalışmada farklı veri setleri üzerinde yapay sinir ağı modelleri uygulanmış, katman sayısı (n-layer), nöron sayısı ve epoch gibi hiper parametreler sistematik olarak test edilerek en iyi model yapıları belirlenmiştir. Ayrıca sentetik veriler kullanılarak bu parametrelerin model performansına etkisi analiz edilmiştir. Çalışmada farklı veri setleri üzerinde yapay sinir ağı modelleri uygulanmış, katman sayısı (n-layer), nöron sayısı ve epoch gibi hiper parametreler sistematik olarak test edilerek en iyi model yapıları belirlenmiştir. Ayrıca sentetik veriler kullanılarak bu parametrelerin model performansına etkisi analiz edilmiştir. Deneysel sonuçlar, FHE tabanlı modellerin doğruluk açısından şifresiz modellere oldukça yakın sonuçlar verdiğini göstermiştir. Bununla birlikte, bazı veri setlerinde performans farklılıklarının oluştuğu gözlemlenmiştir. FHE sistemlerinde işlemlerin bit düzeyinde gerçekleştirilmesi ve gürültü birikimi, model davranışını etkileyen önemli faktörlerdir. Bu nedenle bootstrapping mekanizması gürültünün kontrol edilmesinde kritik rol oynamaktadır. Veri boyutu ve özellik sayısının artması, işlem sürelerini doğrudan etkilemektedir. Ayrıca veri ön işleme adımlarının, özellikle normalizasyon tekniklerinin doğru uygulanması model performansı açısından önemli bir gerekliliktir. Sonuç olarak, FHE tabanlı yapay sinir ağı modelleri, veri gizliliği ve güvenliği ile model doğruluğu arasında dengeli bir çözüm sunmakta ve özellikle hassas veri içeren uygulamalarda uygulanabilirliği yüksek bir yöntem olarak değerlendirilmektedir. Bu çalışma, FHE'nin pratik kullanım potansiyelini ve şifreli veri üzerinde yapay sinir ağı modelleri ile güvenli çıkarım yapmanın mümkün olduğunu ortaya koymaktadır. | |
| dc.description.abstract | In this study, the performance of artificial neural network models, one of the machine learning methods, was examined on encrypted data using Fully Homomorphic Encryption (FHE), and the results were compared with unencrypted (plain data) models. FHE provides a critical solution in terms of privacy and security, especially in applications involving sensitive data such as healthcare, finance, and personal information, by enabling data to be processed in encrypted form without being exposed. Within the scope of the homomorphic encryption approach that enables computation while preserving data privacy, the TFHE (Torus Fully Homomorphic Encryption) method was specifically addressed, including bit-level representation, noise generation, and the bootstrapping mechanism. In this study, artificial neural network models were applied on different datasets, and hyperparameters such as the number of layers (n-layer), number of neurons, and epochs were systematically tested to determine the optimal model configurations. In addition, synthetic data were used to analyze the effects of these parameters on model performance. Experimental results showed that FHE-based models achieve accuracy results that are very close to those of plain models. However, it was observed that performance differences may occur in some datasets. In FHE systems, bit-level operations and noise accumulation are important factors affecting model behavior. Therefore, the bootstrapping mechanism plays a critical role in controlling noise. It was also observed that the increase in data size and the number of features directly affects the computational cost and execution time. Furthermore, proper application of data preprocessing steps, especially normalization techniques, is essential for maintaining model performance. As a result, FHE-based artificial neural network models provide a balanced solution between data privacy, security, and model accuracy, and are considered a highly applicable approach, particularly for applications involving sensitive data. This study demonstrates the practical potential of FHE and shows that secure inference on encrypted data using artificial neural networks is feasible. | |
| dc.identifier.citation | Ağlar, S. (2026). Tamamen homomorfik şifrelenmiş veriler üzerinde yapay sinir ağları performans değerlendirmesi. (Yayınlanmamış Yüksek Lisans Tezi). Necmettin Erbakan Üniversitesi, Fen Bilimleri Enstitüsü Bilgisayar Mühendisliği Anabilim Dalı, Konya. | |
| dc.identifier.uri | https://hdl.handle.net/20.500.12452/20216 | |
| dc.identifier.yoktezid | 1013061 | |
| dc.language.iso | tr | |
| dc.publisher | Necmettin Erbakan Üniversitesi, Fen Bilimleri Enstitüsü | |
| dc.relation.publicationcategory | Tez | |
| dc.rights | info:eu-repo/semantics/openAccess | |
| dc.subject | Concrete-ML | |
| dc.subject | TFHE | |
| dc.subject | Homomorfik Şifreleme | |
| dc.subject | Kriptografi | |
| dc.subject | Makine Öğrenmesi | |
| dc.subject | Yapay Sinir Ağları | |
| dc.subject | Cryptography | |
| dc.subject | Homomorphic Encryption | |
| dc.subject | Machine Learning | |
| dc.subject | Neural Networks. | |
| dc.title | Tamamen homomorfik şifrelenmiş veriler üzerinde yapay sinir ağları performans değerlendirmesi | |
| dc.title.alternative | Performance evaluation of artificial neural networks on fully homomorphic encrypted data | |
| dc.type | Master Thesis |
