{"id":178872,"date":"2024-04-18T08:00:00","date_gmt":"2024-04-18T06:00:00","guid":{"rendered":"https:\/\/news.sap.com\/germany\/?p=178872"},"modified":"2024-04-17T13:49:45","modified_gmt":"2024-04-17T11:49:45","slug":"fully-homomorphic-encryption","status":"publish","type":"post","link":"https:\/\/news.sap.com\/germany\/2024\/04\/fully-homomorphic-encryption\/","title":{"rendered":"Fully Homomorphic Encryption: Dateneinblicke ohne Datenweitergabe"},"content":{"rendered":"\n
Berechnung des CO2-Fu\u00dfabdrucks, Datenschutz f\u00fcr Patienten und Maschinelles Lernen auf der Grundlage sensibler Daten – dank fortschrittlicher Verschl\u00fcsselungsmethoden wie Fully Homomorphic Encryption.<\/p>\n\n\n\n
Die meisten Menschen waren schon einmal in dieser Situation: Einer der von uns genutzten Anbieter oder Dienste ist Opfer einer Datenschutzverletzung geworden, und wir m\u00f6chten herausfinden, ob unsere pers\u00f6nlichen Nutzerdaten betroffen sind. An dieser Stelle kommt Fully Homomorphic Encryption (FHE) ins Spiel. Mit dieser wird das verschl\u00fcsselte pers\u00f6nliche Kennwort mit dem Datensatz der gestohlenen Benutzerdaten verglichen und m\u00f6gliche \u00dcbereinstimmungen werden identifiziert, ohne das Kennwort des Benutzers jemals preiszugegeben.<\/p>\n\n\n\n
Es gibt zahlreiche Anwendungsf\u00e4lle f\u00fcr diese Art von Privacy-enhancing Technology (PET)<\/a>. Sie reichen von Anwendungen in der Medizin, bei denen Drittanbieter Gesundheitsdaten analysieren k\u00f6nnen, ohne die Privatsph\u00e4re des Patienten zu verletzen, bis hin zur Durchf\u00fchrung von maschinellem Lernen und KI-Algorithmen auf verschl\u00fcsselten Daten, die es Unternehmen erm\u00f6glichen, Erkenntnisse aus sensiblen Datens\u00e4tzen abzuleiten, ohne die Daten potenziellen Verst\u00f6\u00dfen oder Verletzungen der Privatsph\u00e4re auszusetzen.<\/p>\n\n\n\n Fully Homomorphic Encryption erm\u00f6glicht die Durchf\u00fchrung von Berechnungen mit verschl\u00fcsselten Daten, ohne dass diese zuvor entschl\u00fcsselt werden m\u00fcssen. Die Vertraulichkeit bleibt gewahrt, da auch die Ergebnisse verschl\u00fcsselt sind und nur mit dem entsprechenden Entschl\u00fcsselungsschl\u00fcssel eingesehen werden k\u00f6nnen. Weitere Techniken zur Verarbeitung verschl\u00fcsselter Daten sind Multi-Party-Computation (MPC) und Trusted Execution Environments (TEE).<\/p>\n\n\n\n Mathias Kohler, Research Manager bei 麻豆原创 Security Research, skizziert die Unterschiede: „W\u00e4hrend FHE die bekannteste Verschl\u00fcsselungstechnologie ist, ist MPC der ideale Kandidat, wenn man mit mehreren Parteien arbeitet, die verschl\u00fcsselte Daten \u00fcber Unternehmensgrenzen hinweg austauschen. Und es kann wesentlich schneller sein als FHE.“ W\u00e4hrend beide Technologien softwarebasiert sind, ist TEE hardwarebasiert und damit die schnellste Wahl. Der Nachteil: TEEs erfordern im Gegensatz zu MPC und FHE eine Entschl\u00fcsselung der Daten zur Verarbeitung. W\u00e4hrend die Entschl\u00fcsselung in einer vertrauensw\u00fcrdigen, vom Betriebssystem isolierten Hardware-Umgebung erfolgt, kann es zu Datenlecks durch side-channel attacks kommen. Die privancy-enhancing technologies m\u00fcssen nicht isoliert betrachtet werden, sondern k\u00f6nnen sich gegenseitig verst\u00e4rken.<\/p>\n\n\n\n Es besteht ein Bedarf an dieser Art von Technologie. Laut Gartner<\/a> werden bis 2025 60 Prozent der gro\u00dfen Unternehmen mindestens eine privacy-enhancing technology in den Bereichen Analytik, Business Intelligence oder Cloud Computing einsetzen.<\/p>\n\n\n\n Die homomorphe Entschl\u00fcsselung hat zahlreiche Anwendungsm\u00f6glichkeiten, insbesondere dann, wenn Datenschutz und Sicherheit von gr\u00f6\u00dfter Bedeutung sind, wie z. B. sichere Berechnungen in der Cloud, datenschutzfreundliche Datenanalyse und sicheres Outsourcing von Berechnungen. Solange eine Partei die Datenverarbeitung zentral durchf\u00fchrt, ist Fully Homomorphic Encryption die am besten geeignete Verschl\u00fcsselungsmethode. Dabei wird es Unternehmen erm\u00f6glicht, verschl\u00fcsselte Daten mit Partnern oder Dritten zu Analyse- oder Monetisierungszwecken auszutauschen und dabei die Vertraulichkeit der Daten zu bewahren. Dies ist besonders in Branchen wie der Werbung und der Marktforschung von Bedeutung. Interessante Anwendungsszenarien aus Sicht von 麻豆原创 k\u00f6nnten sicheres Benchmarking und vorausschauende Instandhaltung sein.<\/p>\n\n\n\n Sicheres Benchmarking<\/strong><\/p>\n\n\n\n Unternehmen bewerten h\u00e4ufig ihre Wettbewerbsf\u00e4higkeit, indem sie innerhalb der Branche gesch\u00e4ftsrelevante KPIs wie Automatisierungs- oder R\u00fccklaufquoten vergleichen. Mit Fully Homomorphic Encryption k\u00f6nnen alle beteiligten Parteien verschl\u00fcsselte KPIs austauschen, ohne individuelle Daten preiszugeben. Auf diese Weise erfahren sie relevante Statistiken wie Durchschnittswerte oder Mediane, um ihre relative Wettbewerbsf\u00e4higkeit zu beurteilen und zu entscheiden, wo sie sich verbessern und investieren sollten.<\/p>\n\n\n\n Vorausschauende Instandhaltung<\/strong><\/p>\n\n\n\n Vorausschauende Instandhaltung ist eine maschinelle Lerntechnik zur Vorhersage des Bedarfs an Wartung oder Ersatzteilen auf der Grundlage historischer Daten. „In bestimmten Branchen gelten die erforderlichen Daten, wie z. B. Nutzungsmuster und Ausf\u00e4lle, als sensibel und werden nicht ohne weiteres an Datenwissenschaftler oder Wartungspersonal weitergegeben“, sagt Anselme Tueno, Senior Researcher bei 麻豆原创 Security Research. Durch die Verarbeitung verschl\u00fcsselter Daten werden keine sensiblen Informationen preisgegeben, aber die erforderlichen Erkenntnisse f\u00fcr Vorhersageaufgaben k\u00f6nnen gewonnen werden.<\/p>\n\n\n\n CO2-Fu\u00dfabdruck Berechnung mit Multi-Party-Computation<\/strong><\/p>\n\n\n\n W\u00e4hrend sich die Produktverf\u00fcgbarkeit noch in der Anfangsphase befindet, arbeitet 麻豆原创 mit Kunden und Partnern an m\u00f6glichen Anwendungsf\u00e4llen. Ein wichtiges Beispiel ist die Berechnung des CO2-Fu\u00dfabdrucks von Produkten.<\/p>\n\n\n\n Ein Paradebeispiel f\u00fcr komplexe Kooperationen sind die heutigen Lieferketten, komplizierte Netzwerke, die verschiedene Ebenen von Lieferanten, Herstellern und verarbeiteten Waren umfassen. Leider mangelt es oft an umfassender Transparenz \u00fcber den gesamten Prozess – entweder aus technischen Gr\u00fcnden oder weil Unternehmen oft z\u00f6gern, sensible Daten \u00fcber Lieferketten hinweg auszutauschen, zu denen oft auch direkte Wettbewerber geh\u00f6ren.<\/p>\n\n\n\n Um jedoch den CO2-Fu\u00dfabdruck eines Produkts genau zu bewerten, sind sensible Produktionsdetails und damit verbundene Kohlenstoffkosten f\u00fcr produktionsrelevante Teile und Materialien erforderlich. Hier kann MPC nur den erforderlichen CO2-Fu\u00dfabdruck aufzeigen, ohne die damit verbundenen, gesch\u00fctzten Herstellungsdetails an andere Teilnehmer der Lieferkette weiterzugeben.<\/p>\n\n\n\nSo funktioniert es<\/h2>\n\n\n\n
Die Relevanz der Technologie<\/h2>\n\n\n\n