Otonom İnsansız Hava Araçlarında Şifreli Pekiştirmeli Öğrenme: Gerçek Zamanlı Navigasyonun Güvenlik Mimarisi

Giriş

Otonom İnsansız Hava Araçları (UAV'ler), sınır güvenliğinden afet müdahalesine, lojistik dağıtımından kritik altyapı denetimine kadar geniş bir yelpazede operasyonel vazgeçilmezlik haline geldi. Bu araçların navigasyon yetenekleri, derin öğrenme modelleri ve kablosuz iletişim ağları üzerine kurulu karmaşık sistemlerden oluşuyor. Ancak bu bağımlılık, ciddi güvenlik açıklarını beraberinde getiriyor: düşman saldırılarına (adversarial attacks) karşı hassasiyet, veri sızıntısı riskleri ve model manipülasyon tehditleri.

"Enhancing Privacy and Security of Autonomous UAV Navigation" başlıklı çalışma, bu sorunsala kriptografik bir çözüm öneriyor. Makale, Tam Homomorfik Şifreleme (Fully Homomorphic Encryption, FHE) ve Pekiştirmeli Öğrenme'nin (Reinforcement Learning, RL) entegrasyonu üzerinden, uçtan uca şifreli navigasyon mimarisi sunuyor. Bu yaklaşım, UAV kameralarından gelen video akışlarının hiçbir noktada şifresi çözülmeden işlenmesini ve navigasyon kararlarının şifreli veri üzerinde alınmasını mümkün kılıyor.

FHE ve RL Birlikteliğinin Teknik Zemini

FHE, şifreli metin (ciphertext) üzerinde doğrudan matematiksel işlemler yapılmasına olanak tanıyan bir kriptografik primitive'dir. Geleneksel şifreleme yöntemlerinde, veri işlenebilmesi için önce düz metne (plaintext) dönüştürülmesi gerekirken, FHE sayesinde anahtara sahip olmayan taraflar, verinin içeriğini görmeden hesaplama yapabilir. Ancak FHE'nin hesaplama maliyeti (computational overhead), uzun süredir gerçek zamanlı uygulamalar için engel teşkil ediyordu.

RL tabanlı navigasyon sistemleri, aracın çevresiyle etkileşime girerek optimal hareket stratejilerini öğrenmesini sağlar. Derin RL mimarileri genellikle Evrişimsel Sinir Ağları (Convolutional Neural Networks, CNN) ve tam bağlı katmanlardan (fully connected layers) oluşur. Bu yapıların FHE domain'ine adapte edilmesi, teorik olarak mümkün olsa da, pratikte önemli teknik engeller içeriyordu. Özellikle aktivasyon fonksiyonlarının (activation functions) FHE uyumlu hale getirilmesi ve çok katmanlı ağlarda bootstrap işlemlerinin yönetilmesi, kriptografik derin öğrenme alanında çözülmemiş problemler arasında yer alıyordu.

Söz konusu makale, bu engelleri aşmak için CNN mimarilerini, aktivasyon fonksiyonlarını ve OpenAI Gym kütüphanesini FHE domain'ine özel olarak uyarlamış. Özellikle ReLU gibi lineer olmayan aktivasyonların yerine, FHE ile uyumlu polinomiyal yaklaşımlar kullanılmış. Bu adaptasyon, şifreli evrişim (encrypted convolution) işlemlerinin gerçek zamanlı olarak gerçekleştirilebilmesini sağlıyor.

Şifreli Çıkarım ve Navigasyon Döngüsü

Çalışmanın merkezinde, uçtan uca şifreli çıkarım (encrypted inference) mimarisi yer alıyor. UAV kamera sensörlerinden elde edilen görüntüler, uç birimde şifreleniyor ve iletim hattı boyunca şifreli metin olarak kalıyor. Navigasyon modeli, bu şifreli görüntüleri alarak engelden kaçınma (obstacle avoidance) ve yol planlama (path planning) kararlarını şifreli domain'de üretiyor.

Bu mimari, tehdit modelini (threat model) temelden değiştiriyor. Geleneksel yaklaşımlarda, iletişim kanalının güvenliği veya model parametrelerinin gizliliği ayrı ayrı ele alınırken, FHE tabanlı sistemde araya giren (man-in-the-middle) bir saldırgan veya ağı dinleyen (eavesdropping) bir düşman, anlamsız şifreli veriden ibaret kriptografik yapılar elde ediyor. Üyelik çıkarımı (membership inference) ve model tersine çevirme (model inversion) saldırılarına karşı da direnç sağlanıyor çünkü model, ham veri yerine şifreli temsiller üzerinde eğitim ve çıkarım yapıyor.

Makalede sunulan deneysel sonuçlar, bu şifreli işlemlerin performans kaybının önemsiz (negligible) düzeyde olduğunu gösteriyor. Bu bulgu, FHE'nin hesaplama yükünün, RL tabanlı navigasyonun zaman kısıtlamaları içinde tolere edilebilir olduğunu ortaya koyuyor. Ancak burada "önegligible" kavramı kritik bir analiz gerektiriyor: milisaniye düzeyindeki gecikmeler (latency), otonom araçlarda çarpışma önleme gibi güvenlik kritik senaryolarda hayati önem taşıyabilir.

Özgün Çıkarımlar ve Kritik Analiz

Bu çalışmanın en dikkate değer katkısı, FHE'nin gerçek zamanlı bilgisayarlı görü uygulamaları için erişilemez olduğu yönündeki yaygın kabulü sarsmasıdır. Ancak bu başarının altında yatan bazı önemli varsayımlar ve sınırlılıklar bulunuyor.

Öncelikle, RL navigasyon görevleri, genel amaçlı bilgisayarlı görü görevlerine göre hesaplama açısından daha kısıtlı olabilir. Ayrık eylem uzayları (discrete action spaces) ve belirli bir sensör yapılandırması, FHE'nin hesaplama karmaşıklığını yönetilebilir kılıyor olabilir. Karmaşık kentsel ortamlarda veya sürekli kontrol gerektiren dinamik manevralarda, aynı performansın korunup korunamayacağı ayrı bir araştırma konusu olarak kalıyor.

İkinci olarak, batarya kısıtlamaları ve hesaplama kaynaklarının sınırlılığı göz ardı edilemez. FHE işlemleri, özellikle bootstrapping aşamalarında, yüksek bellek bant genişliği ve işlemci gücü talep eder. UAV'lerin taşıyabileceği ağırlık ve güç bütçesi sınırlıdır; şifreli işlemler için özel donanım hızlandırıcıları (hardware accelerators) olmadan bu mimarinin ölçeklenebilirliği (scalability) sorgulanabilir.

Üçüncü olarak, güvenlik garantilerinin sınırları dikkatlice değerlendirilmeli. FHE, iletim sırasında ve işlem sırasında veri gizliliğini sağlasa da, şifreleme anahtarlarının yönetimi (key management) ve dağıtık UAV sürüleri (swarms) arasındaki koordinasyon yeni saldırı vektörleri oluşturabilir. Özellikle sınır koruma gibi senaryolarda, anahtarın ele geçirilmesi durumunda tüm sistem çökebilir.

Bu çalışma, Güvenli Çok Taraflı Hesaplama (Secure Multi-Party Computation, SMPC) ve Diferansiyel Gizlilik (Differential Privacy) gibi alternatif gizlilik koruma mekanizmalarına karşı etkili bir alternatif sunuyor. Ancak en büyük potansiyeli, "çevreyi koru" (secure the perimeter) yerine "ihlal varsayımı altında koru" (assume breach) paradigmasına geçişi temsil etmesinde yatıyor. Artık düşmanın ağı dinlediğini varsaysak bile, elde edeceği bilgi kriptografik olarak anlamsız kalıyor.

Sonuç

"Enhancing Privacy and Security of Autonomous UAV Navigation" çalışması, kriptografi ve makine öğrenmesi alanlarının kesişiminde önemli bir adım temsil ediyor. FHE'nin RL tabanlı otonom sistemlerle entegrasyonu, sadece teknik bir başarı değil, aynı zamanda güvenlik mimarisinde kavramsal bir kaymayı da beraberinde getiriyor.

Uçtan uca şifreli navigasyon, özellikle kritik altyapı denetimi ve askeri operasyonlar gibi veri sızınt