Sensible Maschinendaten schützen

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.