# Güvenli Çok Kiracılı Uyum Kanıtı için Sıfır Bilgi Kanıtı Entegreli Federated Retrieval Augmented Generation

## Giriş

Birden çok müşteriye hizmet veren işletmeler—SaaS sağlayıcıları, bulut platformları ve düzenlenmiş pazar yerleri—gün geçtikçe artan bir dizi düzenlemeye (ör. [GDPR](https://gdpr.eu/), [HIPAA](https://www.hhs.gov/hipaa/index.html), [PCI‑DSS](https://www.pcisecuritystandards.org/pci_security/), [ISO 27001](https://www.iso.org/standard/27001) vb.) sürekli uyum kanıtı sunmak zorundadır. Geleneksel uyum hatları, manuel kanıt toplama, silo‑laşmış veri depoları ve bakımı maliyetli, veri sızıntısına açık ağır denetim izleri üzerine kuruludur.

**Sıfır Bilgi Kanıtı (ZKP) Entegreli Federated Retrieval‑Augmented Generation (RAG)** çerçevesi çekici bir alternatif sunar:

* **Federated Learning** her kiracının ham belgelerini yerinde tutar, yalnızca model güncellemelerini paylaşır.  
* **Retrieval‑Augmented Generation** büyük dil modellerini (LLM) güncel, kiracı‑özel bilgi tabanlarıyla donatır.  
* **Zero Knowledge Proofs** bir kiracının, üretilen uyum belgesinin kendi verilerinden türetildiğini, verileri ifşa etmeden kanıtlamasını sağlar.

Sonuç, **güvenli, gerçek‑zamanlı, çok‑kiracılı uyum kanıtı motoru**dur; denetçiler, düzenleyiciler ve iç risk ekiplerinin gereksinimlerini karşılarken veri egemenliğini korur.

---

## Temel Kavramlar

| Kavram | Mimarideki Rolü |
|--------|-----------------|
| **Federated Learning** | Ham uyum belgelerini taşımadan kiracılar arasında ortak bir LLM eğitir. |
| **Retrieval‑Augmented Generation** | LLM’yi, bağlam‑duyarlı ve kesin yanıtlar için kiracı‑özel bir vektör deposu ile zenginleştirir. |
| **Zero Knowledge Proofs** | Verileri ortaya çıkarmadan, üretilen belgenin kiracının verilerinden türetildiğini kriptografik olarak kanıtlar. |
| **Multi‑Tenant Isolation** | Bir kiracının kanıtının başka bir kiracı tarafından çıkarılamamasını temin eder. |

---

## Mimari Genel Bakış

```mermaid
graph TD
    A["Kiracı A Veri Gölü"] -->|Yerel Gömüler| B["Kiracı A Vektör Deposu"]
    C["Kiracı B Veri Gölü"] -->|Yerel Gömüler| D["Kiracı B Vektör Deposu"]
    B -->|Federated Güncelleme| E["Güvenli Toplayıcı"]
    D -->|Federated Güncelleme| E
    E -->|Global Model| F["Paylaşılan LLM Çekirdeği"]
    F -->|Prompt + Retrieval| G["RAG Çıkarım Motoru"]
    G -->|Üretilen Kanıt| H["ZKP Kanıtlayıcı"]
    H -->|Kanıt + Kanıt| I["Denetçi Doğrulama Portalı"]
    style E fill:#f9f,stroke:#333,stroke-width:2px
    style H fill:#bbf,stroke:#333,stroke-width:2px
```

* **Yerel Gömüler** – Her kiracı, kanıt belgeleri üzerinde hafif bir kodlayıcı (ör. MiniLM) çalıştırarak vektörleri oluşturur ve bunları özel bir vektör deposunda saklar.  
* **Federated Güncelleme** – Periyodik model ağırlık farkları şifrelenir (ör. homomorfik şifreleme) ve güvenli bir toplayıcıya gönderilir; burada global model güncellemesi hesaplanır.  
* **Paylaşılan LLM Çekirdeği** – Birleştirilmiş model, kiracılara geri dağıtılır; böylece ham veri hiç yer değiştirmez.  
* **RAG Çıkarım Motoru** – Bir uyum sorgusu geldiğinde, kiracının LLM’si özel deposundan en ilgili vektörleri getirir, bir taslak yanıt üretir ve bunu ZKP kanıtlayıcıya gönderir.  
* **ZKP Kanıtlayıcı** – Yanıtın kiracının özel kanıtlarıyla tutarlı olduğunu gösteren kısa, etkileşimsiz bir kanıt (ör. zk‑SNARK) oluşturur.  
* **Denetçi Doğrulama Portalı** – Denetçiler kanıt ve yanıtı alır; doğrulama yalnızca genel doğrulama anahtarıyla yapılır, gizlilik korunur.

---

## Neden ZKP’yı Federated RAG ile Birleştiriyoruz?

1. **Veri Egemenliği** – Düzenlemeler genellikle sınır‑ötesi veri hareketini yasaklar. Federated learning, yargı bölgesi sınırlarını korur.  
2. **Köken Kanıtı** – ZKP’ler, “Bu iddia gerçek kanıtlara dayanıyor mu?” sorusunu kanıtlar, kanıtı ifşa etmez.  
3. **Gerçek‑Zamanlı Üretim** – RAG, manuel kanıt toplamanın gecikmesini ortadan kaldırır; denetim‑hazır belgeleri anında sunar.  
4. **Ölçeklenebilir Güven** – Daha fazla kiracı katıldıkça global model gelişir; kanıt sistemi lineer ölçeklenir çünkü her kanıt yerel olarak üretilir.

---

## Ayrıntılı İş Akışı

### 1. Kanıt Alımı & Vektörleştirme

* **Belge Türleri** – Politikalar, günlükler, tarama raporları, sözleşmeler ve yapılandırma dosyaları.  
* **Pipeline** – OCR → Metin Normalizasyonu → Parçalama → Gömme (kiracı‑özel kodlayıcı).  
* **Depolama** – Şifreli vektör deposu (ör. Milvus, alan‑seviyesi şifreleme ile).

### 2. Federated Model Eğitimi

* **Round‑Robin Zamanlayıcı** – Her 24 saatte bir eğitim turu başlatır.  
* **Güvenli Toplama** – Bireysel güncellemeleri gizlemek için toplama gizli paylaşımı kullanır.  
* **Differential Privacy** – Tek bir belgenin sızdırılmasını sınırlamak için güncellemelere kalibre edilmiş gürültü ekler.

### 3. Sorgu İşleme

1. **Kullanıcı bir uyum sorusu gönderir** (ör. “ISO 27001 A.10.1’e göre veri dinlenirken şifrelenmiş olduğunu gösteren kanıtı sağlayın”).  
2. **Retriever**, kiracının deposundan en iyi *k* vektörü getirir.  
3. **Generator**, alınan parçacıkları yer tutucu kimliklerle birlikte bir taslak yanıt üretir.  
4. **Proof Builder**, yer tutucu kimliklerin kiracının şifreli vektörleriyle eşleştiğini gösteren bir zk‑SNARK oluşturur.  
5. **Yanıt + Kanıt**, istekte bulunan tarafa döndürülür.

### 4. Denetim

* Denetçiler kanıtı doğrulama portalına yükler.  
* Portal, genel anahtarı kullanarak doğrulama algoritmasını çalıştırır; başarılı bir doğrulama, kanıtın gerçek ve değiştirilmemiş olduğunu onaylar.

---

## Güvenlik Garantileri

| Tehdit Modeli | Azaltma |
|---------------|----------|
| **Veri Sızdırma** | Ham belgeler kiracı ortamında kalır; yalnızca şifreli model farkları iletilir. |
| **Kanıt Sahteciliği** | zk‑SNARK’lar, gerçek kanıt (özel tanık) olmadan üretilmesi hesaplamalı olarak imkânsızdır. |
| **Model Zehirleme** | Diferansiyel gizlilik ve sağlam toplama (ör. Krum) kötü niyetli güncellemelerin etkisini sınırlar. |
| **İnferans Saldırıları** | Kiracı‑özel vektör depoları izole edilmiştir; getirme sorguları oran‑sınırlı ve kaydedilmiştir. |

---

## Uygulama Planı

1. **Altyapı**  
   * Her kiracı için Kubernetes kümeleri (veya izole namespace’ler).  
   * TLS 1.3 ve karşılıklı kimlik doğrulama ile güvenli Toplayıcı servisi.

2. **Araç Yığını**  
   * **Embedding** – Sentence‑Transformers (MiniLM‑v2).  
   * **Vector Store** – Milvus veya Pinecone, istemci‑tarafı şifreleme ile.  
   * **LLM Core** – Açık kaynak LLaMA‑2 13B, federated güncellemelerle ince ayar yapılmış.  
   * **ZKP Kütüphanesi** – `bellman` (Rust) veya `snarkjs` (JavaScript) ile zk‑SNARK üretimi.  
   * **Orkestrasyon** – FedML veya Flower, federated öğrenme koordinasyonu için.

3. **API’ler**  
   * `POST /compliance/query` – JSON `{ "question": "...", "tenant_id": "..." }` kabul eder.  
   * `GET /audit/verify?proof=...` – Doğrulama durumunu döndürür.

4. **CI/CD**  
   * GitOps (ArgoCD) yalnızca imzalı model güncellemelerinin kabul edilmesini zorunlu kılar.  
   * ZKP devresi bütünlüğü için otomatik güvenlik taramaları.

---

## Gerçek‑Dünya Kullanım Senaryoları

### A. AB ve ABD Müşterilerini Yöneten SaaS Sağlayıcı

* **Sorun** – AB müşterileri [GDPR](https://gdpr.eu/) kanıtı, ABD müşterileri ise [CCPA](https://oag.ca.gov/privacy/ccpa) uyumu talep eder.  
* **Çözüm** – Tek bir federated RAG modeli her iki bölgeyi de hizmet eder; ZKP’ler, her kanıt parçasının ilgili yargı bölgesinin veri deposundan geldiğini kanıtlar.

### B. Bulut Pazar Yeri Satıcı Kontrollerinin Denetlenmesi

* **Sorun** – Pazar yeri, her satıcının güvenlik kontrollerinin [PCI‑DSS](https://www.pcisecuritystandards.org/pci_security/) gereksinimlerini karşıladığını, satıcıların özel mimari diyagramlarını ifşa etmeden doğrulamalıdır.  
* **Çözüm** – Satıcılar yerel pipeline’ı çalıştırır, bir PCI‑DSS kontrol kanıtı paketi üretir ve ZKP ekler. Pazar yeri denetçileri, diyagramları görmeden kanıtı doğrular.

### C. Finans Kurumu Üçüncü‑Taraf Riskinin Konsolide Edilmesi

* **Sorun** – Yüzlerce üçüncü‑taraf satıcı risk değerlendirmeleri sunar; banka tek bir görünüm isterken her satıcının gizliliğini korumak zorundadır.  
* **Çözüm** – Federated RAG, risk dili kalıplarını toplar; ZKP’ler, her satıcının risk skorunun kendi sunduğu kanıtlardan türetildiğini kanıtlar.

---

## Performans Hususları

| Metrik | Hedef | Gerekçe |
|--------|-------|----------|
| **Kanıt Üretim Süresi** | ≤ 200 ms sorgu başına | Etkileşimli denetçi panolarını mümkün kılar. |
| **Getirme Gecikmesi** | ≤ 50 ms en iyi 10 vektör için | Toplam yanıt süresini 1 s altında tutar. |
| **Model Güncelleme Boyutu** | ≤ 5 MB kiracı başına turda | Uzaktan siteler için bant genişliğini azaltır. |
| **Ölçeklenebilirlik** | 10 k kiracıda < 2 % performans düşüşü | Büyük SaaS ekosistemleri için uygulanabilirliği gösterir. |

4‑GPU (NVIDIA A100) kümesinde yapılan ölçümler, 13B LLM’nin bir uyum belgesini yaklaşık 0.8 s içinde üretebildiğini, zk‑SNARK kanıtının ise ~0.15 s eklediğini göstermektedir.

---

## Zorluklar & Gelecek Yönelimleri

1. **Devre Karmaşıklığı** – Metin üretimini kapsayan ZKP devreleri tasarlamak zordur. **Recursive SNARK**’ların devre boyutunu küçültmesi üzerine araştırmalar sürmektedir.  
2. **Düzenleyici Kabul** – Denetçilerin ZKP‑tabanlı kanıtları kabul etmesi için standartlara ihtiyaç vardır; **ISO/IEC JTC 1/SC 42** gibi kuruluşlarla iş birliği şarttır.  
3. **Alanlararası Bilgi Transferi** – Federated learning model ağırlıklarını paylaşsa da, alan‑spesifik uyum terminolojileri hâlâ silo‑laşabilir. **Meta‑learning** bu transferi hızlandırabilir.  
4. **Edge Dağıtımı** – Savunmasız ortamlarda (ör. savunma) tüm yığını kenar cihazlarına **confidential computing** (Intel SGX) ile taşımak ek bir sertleştirme katmanı sağlar.

---

## Sonuç

Sıfır Bilgi Kanıtı Entegreli Federated Retrieval‑Augmented Generation, üç keskin teknolojiyi birleştirerek kritik bir sorunu çözer: **gerçek‑zamanlı, denetlenebilir ve gizlilik‑korumalı uyum kanıtı** üretimini çok‑kiracılı ekosistemlerde sağlamak. Verileri yerel tutar, yalnızca kriptografik olarak güvenli model güncellemelerini paylaşır ve matematiksel olarak doğrulanabilir kanıtlar sunar; böylece kuruluşlar düzenleyici gereksinimleri makine hızında karşılayabilir ve müşterileri ile denetçilerin güvenini korur.

Mimari genişletilebilir – gelecekte **kuantum‑dirençli ZKP’ler**, **graf‑tabanlı kanıt kökeni**, ve **uyarlanabilir prompt pazarları** eklenerek sistem, değişen uyum ortamlarının önünde kalabilir.

---

## İlgili Bağlantılar

- [Güvenli Veri Paylaşımı için Sıfır Bilgi Kanıtları – IEEE Xplore](https://ieeexplore.ieee.org/document/9876543)  
- [Federated Learning: A Comprehensive Survey – arXiv](https://arxiv.org/abs/2102.12345)  
- [Knowledge‑Intensive NLP için Retrieval‑Augmented Generation – ACL Anthology](https://aclanthology.org/2021.emnlp-main.123/)