Categories: Data

Sensible Maschinendaten schützen

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.

Roger Homrich

Recent Posts

Studie: Rund ein Drittel der APIs sind ungeschützt

Angriffe auf APIs und Webanwendungen sind zwischen Januar 2023 und Juni 2024 von knapp 14…

1 Tag ago

Universitätsmedizin Essen setzt für E-Mail-Sicherheit auf NoSpamProxy

Mit täglich über 45.000 eingehenden E-Mails ist die IT-Abteilung des Klinikums durch Anhänge und raffinierte…

1 Tag ago

Bau-Spezialist Schöck: Migration von SAP ECC ERP auf S/4HANA

Bau- und Fertigungsspezialist investiert in die S/4HANA-Migration und geht mit RISE WITH SAP in die…

3 Tagen ago

Pure Storage: Cloud, KI und Energieeffizienz

Trends 2025: Rasante Entwicklungen bei Automatisierung, KI und in vielen anderen Bereichen lassen Unternehmen nicht…

4 Tagen ago

GenKI verbessert Datenmanagement und Angebotsgenauigkeit

DHL Supply Chain nutzt generative KI-Anwendungen für Datenbereinigung und präzisere Beantwortung von Angebotsanforderungen (RFQ).

5 Tagen ago

Rolls-Royce Power Systems nutzt industrielle KI aus der IFS Cloud​

Marke mtu will globale Serviceabläufe optimieren und strategische Ziele hinsichtlich Effizienz, Nachhaltigkeit und Wachstum unterstützen.

5 Tagen ago