Forschungsprojekt zur Praxistauglichkeit von maschinellem Lernen auf verschlüsselten Daten

Dr. Pascal Schöttle und MSc Martin Nocker, forschen zur Praxistauglichkeit von maschinellem Lernen auf verschlüsselten Daten

Eckdaten:

Das Projekt „Secure Machine Learning Applications with Homomorphically Encrypted Data“ (SMiLe) wird unter der Projektnummer 886524 vom Bundesministerium für Klimaschutz, Umwelt, Energie, Mobilität, Innovation und Technologie (BMK) im Rahmen der 8. Ausschreibung des Programms „IKT der Zukunft“ gefördert.

Projektpartner:

MCI | Die unternehmerische Hochschule: Assoc. Prof. Dr. Pascal Schöttle, Assoziierter FH-Professor; Martin Nocker, MSc, Wissenschaftlicher Mitarbeiter
Fraunhofer Austria
Software Competence Center Hagenberg
Zentrum für Virtual Reality und Visualisierung
Unternehmen: Fill, CORE smartwork und Tributech

Projektlaufzeit:

Das Projekt läuft seit April 2021 und endet im September 2023 nach einer Laufzeit von 30 Monaten.

Status quo:

In den Daten, die von Unternehmen in immer größerer Menge erfasst und gespeichert werden, steckt enormes Potenzial, das sich mit Verfahren des maschinellen Lernens erschließen lässt. Da einerseits maschinelles Lernen mit großen Datenmengen besonders gut funktioniert, es sich andererseits jedoch nicht für jedes Unternehmen lohnt, Know-How und Infrastruktur für die Anwendung entsprechender Verfahren aufzubauen, bietet sich für Unternehmen eine Zusammenarbeit an. Geht es um sensible Daten, ist das für viele Unternehmen aber nur dann eine Option, wenn geeignete Sicherheitsvorkehrungen getroffen werden. Pascal Schöttle, assoziierter FH-Professor am MCI, geht davon aus, dass die Bedeutung von Sicherheit im Zusammenhang mit maschinellem Lernen künftig noch weiter zunehmen wird. An Methoden, die eine sichere Verarbeitung von Daten erlauben, wird seit Jahren geforscht. Bisherige Ergebnisse zeigen, dass eine bestimmte Art der Verschlüsselung, die sogenannte homomorphe Verschlüsselung – sich zumindest in der Theorie – dafür eignet, sicheres maschinelles Lernen auf sensiblen Daten zu ermöglichen. In der Praxis fehlen allerdings Know-how und geeignete Software. SMiLe adressiert beide Aspekte und will damit eine wesentliche Voraussetzung für den praktischen Einsatz von maschinellem Lernen auf verschlüsselten Daten schaffen.

Ziel:

Die Anforderungen in Hinblick auf die Verarbeitung und den Schutz von Daten sind vielfältig. Mit Fill, CORE smartwork und Tributech sind drei Unternehmen an Bord, die unterschiedlichste Anforderungen stellen! Das österreichische Forschungsteam will im Laufe des Projekts verschiedene potenzielle Anwendungen untersuchen. Um die theoretischen Vorarbeiten erfolgreich in die Praxis zu überführen, bedarf es verschiedenster Expertise: Fraunhofer Austria bringt Erfahrung mit maschinellem Lernen in das Projekt ein. Das MCI liefert das nötige Wissen über kryptographische Verfahren. Das Software Competence Center Hagenberg und das Zentrum für Virtual Reality und Visualisierung leisten mit ihrer Expertise in den Bereichen erklärbare künstliche Intelligenz bzw. Datenvisualisierung ebenfalls wichtige Beiträge zum Projekt.

Ausblick:

Neben Erkenntnissen über die Praxistauglichkeit der homomorphen Verschlüsselung erwartet sich Pascal Schöttle vom Projekt neue theoretische Erkenntnisse. Er ist sich aber auch der Herausforderungen bewusst, die es zu bewältigen gilt: „Eine der größten Herausforderungen im Zuge von SMiLe wird vermutlich sein, eine überaus rechenintensive Anwendung, wie das maschinelle Lernen, mit einer ebenso rechenintensiven Form der Verschlüsselung, wie es bei homomorpher Verschlüsselung der Fall ist, effizient miteinander zu kombinieren.“
Unterstützt wird Pascal Schöttle von Martin Nocker, wissenschaftlicher Mitarbeiter am MCI, der im Projekt SMiLe ebenfalls großes Potenzial sieht: „Homomorphe Verschlüsselung wird als der »heilige Gral« der Kryptographie bezeichnet, da durch ihre Eigenschaften sensible Daten sicher verarbeitet werden können. Wir wollen Teil der aktiven und jungen Community sein, die homomorphe Verschlüsselung stetig weiterentwickelt und die geeignetsten Verfahren mit state-of-the-art Algorithmen des maschinellen Lernens kombinieren. Dabei muss immer auf einen möglichst gut gewählten Trade-off zwischen Sicherheit, Genauigkeit und Effizienz geachtet werden.“