Kolloquiumsvortrag: 26. März 2019, Andreas Buck


The Practical Application of Differential Privacy in the Automotive Domain

Das Auswerten von Nutzerdaten birgt erhebliches Potential für die Verbesserung von Produkten und Diensten. Um Nutzer vor schädlicher Verwertung zu schützen, werden deren Daten anonymisiert. Traditionellen Anonymisierungstechniken fehlt es trotz jahrelanger Anwendung an einem konkreten Versprechen an Sicherheit, welches Individuen gegeben werden kann. Differential Privacy (DP) stellt anonymisierenden Algorithmen die mathematische Bedingung, dass Daten einzelner Nutzer nur eingeschränkt Auswirkung auf Ergebnisse haben und kann somit ein Versprechen geben. Obwohl bereits über eine Dekade alt und in der Forschung ein großer Erfolg, sind Anwendungen von DP in der Praxis immer noch rar. Diese Arbeit untersucht die praktische Anwendbarkeit von DP in der Automobilindustrie. Um den Zugang zu DP zu vereinfachen, werden zunächst Kriterien identifiziert, die beim Entwurf eines Anonymisierungskonzeptes eine Rolle spielen. Anhand dieser Kriterien wird ein Schema erarbeitet, welches die Zuordnung von konkreten Anwendungsfällen zu DP Mechanismen vereinfacht. Zur Einbindung von DP in die Datenverarbeitung wird ein leichtgewichtiges Anonymisierungsframework vorgestellt. Es implementiert verschiedene Mechanismen, die Local Differential Privacy (LDP), eine besonders strikte Variante von DP, erfüllen. Das Framework wird in eine aktive Big Data Plattform integriert. Anhand eins beispielhaften Anwendungsfalls werden die Performanz und die Resultate verschiedener LDP Algorithmen auf der Plattform erprobt und evaluiert.

Ort: Raum 04.137, Martensstr. 3, Erlangen

Zeit: 10:15 Uhr