MOTIVATION
Im digitalen Zeitalter, in dem die Zahl der Nutzer verschiedener digitaler Dienste und Tools höher ist als je zuvor, bieten sich zahlreiche Möglichkeiten, große Datenmengen für statistische Zwecke und zur Ermittlung von Verhaltensmustern zu sammeln. Diese Daten können von Akteuren aus verschiedenen Bereichen wie Einzelhandel, Verkehr, Gesundheitswesen, Versicherungen, Medien und Unterhaltung oder aus dem öffentlichen Sektor wie der medizinischen Forschung, demografischen Statistiken usw. für weitere Analysen und Entscheidungen verwendet werden.
Die Nutzung der verfügbaren großen Mengen an Nutzerdaten ist aufgrund von Bedenken hinsichtlich des Schutzes der Privatsphäre sehr begrenzt, weshalb die Daten isoliert in Inseln des Systems aufbewahrt werden und nicht für eine sekundäre Nutzung und Verarbeitung zur Verfügung stehen. Darüber hinaus hat die Praxis gezeigt, dass in vielen Fällen unberechtigterweise auf Daten zugegriffen wird und diese an Dritte weitergegeben werden, und selbst wenn die Zustimmung zur Datenverarbeitung vorliegt, enthalten die Lernmodelle Näherungswerte, die ungenau, voreingenommen und oft unfair sind.
Warum Harpocrates
Das Projekt HARPOCRATES zielt darauf ab, die Grundlagen für digital blinde Bewertungssysteme zu schaffen, die geografische, geschlechtsspezifische, rassenspezifische und andere Faktoren ausschließen und letztendlich spürbare Auswirkungen auf den Aufbau gerechterer, demokratischer und unparteiischer Gesellschaften haben werden. Zu diesem Zweck planen wir die Entwicklung mehrerer praktischer kryptografischer Verfahren (funktionale Verschlüsselung und hybride homomorphe Verschlüsselung) zur Analyse von Daten unter Wahrung der Privatsphäre.
Neben der datenschutzgerechten Verarbeitung statistischer Daten wollen wir auch einen reichhaltigeren, ausgewogeneren und umfassenderen Ansatz ermöglichen, bei dem Datenanalyse und Kryptografie Hand in Hand mit einer Verlagerung hin zu mehr Datenschutz gehen.
Datenbanken privatisieren
In HARPOCRATES werden wir zunächst zeigen, wie man Kryptographie mit den Grundsätzen des differenziellen Datenschutzes effektiv kombinieren kann, um Datenbanken zu sichern und zu privatisieren.
Verschlüsselte Daten
Als Nächstes werden wir datenschutzfreundliche maschinelle Lernmodelle entwickeln, die in der Lage sind, verschlüsselte Daten zu klassifizieren, indem sie Vorhersagen mit hoher Genauigkeit direkt auf verschlüsselten Texten in föderierten Datenräumen durchführen.
Gemeinsame Nutzung von Daten
Um schließlich zu demonstrieren, wie diese Lösungen den Bedürfnissen der Nutzer entsprechen, werden wir zwei reale Szenarien für den grenzüberschreitenden Datenaustausch im Zusammenhang mit der Analyse von Gesundheitsdaten für die Schlafmedizin und der Aufklärung von Bedrohungen für lokale Behörden umsetzen.
Ökosystem
Darüber hinaus wird Harpocrates ein Ökosystem aufbauen, indem es bestehende Ökosysteme und Gemeinschaften nutzt und so den Arbeits- und Ressourcenaufwand minimiert, der erforderlich ist, um zur Stärkung der Cybersicherheitskapazitäten der EU und ihrer Souveränität im Bereich der digitalen Technologien beizutragen.
Ziele des Projekts
Die Verfügbarkeit von Big Data in Verbindung mit Fortschritten bei der künstlichen Intelligenz (KI) ermöglicht umfassende Möglichkeiten für private und öffentliche Akteure. Der organisations- und länderübergreifende Datenaustausch im Einklang mit der Datenschutz-Grundverordnung wird jedoch zunehmend schwieriger, da die Erfassung granularer, mehrdimensionaler personenbezogener Daten auf verbesserte Möglichkeiten zur Verknüpfung von Datensätzen trifft.
HARPOCRATES nutzt neuartige kryptografische Verfahren, um die Fähigkeiten von Privacy Preserving Machine Learning (PPML) und Federated Learning (FL) zu verbessern, und ermöglicht so dezentrales Training, Validierung und Vorhersage auf verschlüsselten Daten. Mit solchen datenschutzfreundlichen Diensten und sicheren Berechnungen können die Nutzer sowohl von der maschinellen Intelligenz der Cloud profitieren als auch die Kontrolle über ihre Daten behalten.
HARPOCRATES wird digital blinde Bewertungssysteme ermöglichen, die in praktischen Anwendungsszenarien demonstriert werden und zum Aufbau gerechterer, demokratischer und unparteiischer Gesellschaften beitragen.
Unsere Zielsetzungen
Entwurf effizienter funktionsverbergender funktionaler Verschlüsselungsverfahren.
Kombinieren Sie funktionale Verschlüsselung und differentiellen Datenschutz für private, verschlüsselte Datenbanken.
Entwurf eines praktischen, mandantenfähigen hybriden homomorphen Verschlüsselungsverfahrens.
Aufbau eines datenschutzfreundlichen Rahmens für maschinelles Lernen durch Kombination von funktionaler Verschlüsselung und hybrider homomorpher Verschlüsselung.
Byzantinestabiles föderiertes Lernverfahren mit Datenschutzgarantien.
Fallstudien aus der Praxis und Beitrag zu Open Science und reproduzierbarer Forschung.
Tragen Sie zur skalierbaren, automatisierten GDPR-Compliance bei.