Sensible Maschinendaten schützen

Redaktion silicon.de,
Linkedin

Mit Technologien aus dem Datenschutz die Sicherheit sensibler Maschinendaten gewährleisten.

Um das Potential von Maschinendaten für datengetriebene Innovationen zu nutzen, müssen sie unternehmensübergreifend aggregiert und ausgewertet werden. So können die Betreiber von Dateninfrastrukturen kollaborativ trainierte Machine-Learning-Anwendungen anbieten, mit denen einerseits die Anwender die Effizienz und Effektivität ihrer Produktionsanlagen durch vorausschauende Zustandsüberwachung verbessern und andererseits die Maschinenhersteller Optimierungspotentiale in ihren Produkte systematisch identifizieren können.
 
Demgegenüber steht aber die Sorge, mit der Bereitstellung von Daten geistiges Eigentum (Intellectual Property) abfließen zu sehen und damit Wettbewerbsnachteile zu erleiden. Aus diesem Grund findet bisher kaum Datenaustausch zwischen den Unternehmen statt, der Voraussetzung für datengetriebene Innovationen ist.
 

Machine-Learning-Modelle für Predictive Maintenance

Das Fraunhofer-Institut für Angewandte und Integrierte Sicherheit AISEC entwickelt im Forschungsprojekt »Sichere kollaborative Verwertung von Werkzeugmaschinendaten mithilfe von Privacy Enhancing Technologies« (MINERVA) gemeinsam mit Partnern Technologien für eine Dateninfrastruktur, die mit Technologien aus dem Datenschutz die Sicherheit sensibler Maschinendaten gewährleistet. Zum Forschungsverbund gehören das Institut für Werkzeugmaschinen und Betriebswissenschaften (iwb) der Technischen Universität München, die Hufschmied Zerspanungssysteme und Siemens. Mittels anonymisierter Daten trainieren die Partner geeignete Machine-Learning-Modelle für die vorausschauende Zustandsüberwachung von Werkzeugmaschinen, die dann auch ohne die Preisgabe sensibler Daten funktionieren.

Schutz sensibler Daten

»Privacy Enhancing Technologies« kommen bislang beim Schutz personenbezogener Daten zum Einsatz, um zum Beispiel Patienteninformationen anonymisiert auswerten zu können (z. B. mit »Differential Privacy«). Die Prinzipien dieses Ansatzes übertragen die Projektpartner jetzt auf Daten aus der Werkzeugmaschinenbranche, um das geistige Eigentum der Datengebenden zu schützen.

“Werden in der Cloud Machine-Learning-Algorithmen mit betreiberübergreifenden Daten trainiert, könnte dabei etwa nachvollzogen werden, was für ein Werkstück gefertigt wurde (Produktgeometrie), wie die Werkzeugmaschine ausgelastet war, wie viel Energie bei der Fertigung verbraucht und in welcher Geschwindigkeit gefertigt wurde. Das sind aus Anwendersicht sehr sensible Informationen, für deren Schutz wir in MINERVA Lösungen entwickeln”, beschreibt Bartol Filipovic, MINERVA-Projektleiter am Fraunhofer AISEC den Mehrwert des Forschungsansatzes.

Neben »Differential Privacy« gehören auch »Trusted Execution Environments« zur Realisierung eines geschützten, attestierten Bereichs in der Cloud oder »Federated Learning«, bei dem nicht die Daten selbst, sondern lediglich die bereits in der Edge trainierten ML-Modelle in die Cloud wandern, zu den Technologien aus dem Datenschutz, die in MINERVA zum Einsatz kommen.