Preserving privacy with homomorphic encryption in 5G Network Data Analytics Function
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Orta Doğu Teknik Üniversitesi, Fen Bilimleri Enstitüsü, BİLGİSAYAR MÜHENDİSLİĞİ ANABİLİM DALI, Türkiye
Tezin Onay Tarihi: 2023
Tezin Dili: İngilizce
Öğrenci: BERKER ACIR
Danışman: Ertan Onur
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Son dönemlerde bulut bilişim hizmetleri yaygın olarak kullanılmaktadır. Hesaplamaların herkese açık bulutlarda yapılması, birçok fayda sağlamasına rağmen, kullanıcıların ve verilerinin mahremiyetini riske atmaktadır. Homomorfik şifreleme (HE) yöntemi, bulut bilişim hizmetlerinin şifrelenmiş veriler üzerinde doğrudan hesaplama yapılabilmesini mümkün kılar ve bu da veri mahremiyetinin korunmasını sağlar. Şebeke Veri Analitiği Fonksiyonu (NWDAF), buluşsal (heuristic) veya makine öğrenimi (ML) tekniklerini kullanarak 5G şebekelerinde otonom ağ yönetimi ve güvenliği konusunda önemli bir rol oynar. Bu çalışmada, Şebeke Veri Analitiği Fonksiyonu'nun (NWDAF) gecikmeye toleranslı görevlerinin, homomorfik şifreleme (HE) kullanılarak kullanıcı ve veri gizliliğini korurken üçüncü taraf bulut sağlayıcılarına yüklenebileceği fikrini öneriyoruz. Fakat, derin sinir ağları (DNN) veya karmaşık analiz algoritmaları gibi yöntemler, yüksek hesaplama gereksinimleri nedeniyle çekirdek ağda konuşlandırılamayabilir. Ayrıca telekomünikasyon şirketleri, analitik methodlarını kendileri uygulamak yerine deneyimli üçüncü taraflara devretmeyi tercih edebilir. Bunun sonucunda da, telekomünikasyon şirketlerinin temel yeteneklerini genişletmesine ve sermaye ile operasyonel harcamalarını azaltmaya odaklanmasına olanak sağlayacaktır. Bu çalışmada önerilen fikri desteklemek adına, iki farklı Şebeke Veri Analitiği Fonksiyonu (NWDAF) kullanım senaryosu seçilmiştir ve homomorfik şifreleme ile veri gizliliğin korunabileceği gösterilmiştir. Kullanıcı ekipmanı (UE) için anormal davranış veya anomali tespiti ve kullanıcı ekipmanı (UE) için hareketlilik analitiği ve beklenen davranış tahmini kullanım senaryoları seçilmiştir. İlk senaryo için, çeşitli derin öğrenme (DL) modellerini düz metin verileriyle eğitiyoruz. Daha sonra, şifrelenmiş veriler üzerinde çıkarımın düz metin çıkarımı kadar doğru ve kesin olduğu gösteriliyor. Diğer senaryo için, şifreli bir çizgede veri gizliliğini bozmayacak bir şekilde adaları (bağlı bileşenleri) bulma yöntemi sunuluyor, ve bu yöntemin hareketlilik analitiği ve beklenen davranış tahmini için nasıl kullanılabileceği gösteriliyor. Sunduğumuz yöntemlerin çeşitli perfomans ölçümleri ile analizi sunuluyor, ve performans düşüşü karşılığında mahremiyetin korunabileceğini gösteriliyor.