In seiner jüngst bestandenen #Dissertation „Privacy-Preservation in Set-Based Processing“ adressiert Mohammed Mahmoud Said Dawoud ein Problem, das in autonomen und cyber-physischen Systemen ständig auftaucht: Sensible Daten liegen oft nicht als exakter Wert vor, sondern als Unsicherheitsspanne bzw. Menge möglicher Werte – und genau diese Set-Repräsentationen müssen trotzdem auf (teilweise) untrusted Plattformen wie #Cloud-Umgebungen verarbeitet werden, ohne Privates preiszugeben.
Der Kernbeitrag der Arbeit liegt in zwei komplementären Schutzpfaden – passend zur Art der Daten in den Mengen. Für reellwertige Mengen entwickelt die Arbeit einen differenziell privaten Mechanismus, der die Privatsphäre durch gezielt gestaltetes, begrenztes Rauschen schützt und dabei die Nutzbarkeit der Schätzung möglichst hoch hält. Für Mengen aus binären Vektoren liefert die Dissertation ein praxisnahes Verfahren auf Basis schneller Fully Homomorphic Encryption (#TFHE), um boolesche Operationen und Mengenverarbeitung auf verschlüsselten Daten durchführen zu können.
Spannend ist vor allem die praktische Stoßrichtung seiner Forschung: Die vorgeschlagenen Mechanismen werden anhand typischer Szenarien intelligenter Systeme evaluiert und zeigen, wie sich Privatsphäre und Funktionalität nicht als Entweder-oder behandeln lassen, sondern als Engineering-Trade-off, der methodisch gesteuert werden kann. Unter dem Strich ist das eine klare Blaupause dafür, wie man in IoT/CPS-Anwendungen mit unsicheren Messdaten rechnen kann, ohne Rohdaten offenzulegen – und je nach Datentyp entweder mit Differential Privacy oder mit Homomorphie arbeitet.
#cybersecurity #denniskenjikipker #cyberresilience #cyberintelligence #cyberintelligenceinstitute #frankfurt #bremen