Bild

Professur für Data Privacy and Security

Uni Leipzig | Informatik | ScaDS.AI
Bild
Profil Lehre Abschlussarbeiten TeamEnglish

Profil

 

Ecole polytechnique, Creative Commons Attribution-ShareAlike 2.0 Generic

Beim Datenschutz geht es darum, einen Ausgleich zwischen dem Grundrecht auf Privatheit und immer umfangreicheren Sammlungen persönlicher Daten zu schaffen. Das Ziel der Informations- und Cybersicherheit besteht darin, Daten, Dienste oder IT-Systeme mit technischen und organisatorischen Maßnahmen vor Cyber-Angriffen und anderen Bedrohungen zu schützen.

Lösungen zur Datenanalyse, technische und organisatorische Schutzmaßnahmen, gesellschaftliche Bedürfnisse sowie wirtschaftliche Erfordernisse befinden sich dabei in einer komplexen Wechselbeziehung. Ein aktuelles Beispiel sind Internet-of-Things-Anwendungen, bei denen Geräte Sensordaten in die Cloud senden. Die Cloud verwaltet diese mit Big-Data-Managment-Verfahren. Die Sensordaten werden dann mittels Machine Learning bzw. KI ausgewertet, und steuern Smart City- oder Smart Home-Komponenten. Das Anliegen dieser Professur besteht darin, in solchen Szenarien ein sinnvolles Datenschutz- und Sicherheitsniveau zu erreichen. Dazu wird in Lehre und Forschung die gesamte Spannweite von Analyseverfahren über Schutzmaßnahmen bis hin zu Compliance-Frameworks abgedeckt. Das heißt, es geht um den Einsatz von Machine Learning-Techniken zum Anlernen von Firewallregeln oder Intrusion Detection Systemen, sowie zur De-Anonymisierung von Sensordaten. Es geht darum, inwiefern sich Machine Learning-Algorithmen einsetzen lassen, wenn Daten in anonymisierter Form, in verringerter Auflösung oder in der Cloud verteilt gespeichert vorliegen. Es geht ebenfalls um Workflow Privacy Patterns, die technische oder organisatorische Maßnahmen zum Datenschutz als Templates für Geschäftsprozesse bereitstellen. Auf der Compliance-Ebene lässt sich untersuchen, welche Ansätze das Sicherheitsrisiko für den Betreiber (IT-Sicherheit) bzw. das Risiko eines Grundrechtseingriffs (Datenschutz) mindern können, und ob sie mit anderen Maßnahmen konfligieren.

So finden Sie uns

Lehrangebot im Sommersemester 2023

 

Wenn Sie sich für eines der Module angemeldet haben, aber in der ersten Vorlesungsstunde nicht anwesend sein können, melden Sie sich bitte bei uns! Nicht in Anspruch genommene Plätze werden vom Studienbüro an Nachrücker vergeben.

Datenschutz kompakt von Anonymisierung bis Zweckbindung

Belegbarkeit: Vertiefungsmodul im M.Sc. Informatik, Bereich Skalierbares Datenmanagement im M.Sc. Data Science
Dozenten: Erik Buchmann
Modulprüfung: Klausur 60 Minuten
Teilnahmevoraussetzungen: keine (Anmeldepflicht!)

Das Modul besteht aus einer Vorlesung (2 SWS) und einer Übung (1 SWS) und wird mit 5 LP verrechnet. Die Übung findet in Gruppen statt. Die Lehrmaterialien werden rechtzeitig über einen zugehörigen Moodle-Kurs bereitgestellt.

Inhalt der Vorlesung:

  • gesellschaftliche, technische und wirtschaftliche Ziele des Datenschutzes
  • Anonymisierungsverfahren und Anonymitätsmaße
  • grundlegende Datenschutzlösungen auf unterschiedlichen technischen und organisatorischen Ebenen
  • angewandte Verfahren zum Datenschutz im Internet und im Smart Home
Inhalt der Übung:
  • Vertiefung der Konzepte aus der Vorlesung an praktischen Beispielen

Ort und Zeit:
Die Vorlesung findet ab 06.04.2023 jeden Donnerstag 15:15-16:45 Uhr im HS19 statt.
Die Übungen finden ab 14.04.2023 jeweils Freitags von 11:15-12:45 Uhr im SG 2-14. Es wird zwei Übungsgruppen geben, die jeweils im Wechsel alle 2 Wochen eine Übung durchführen.


Datenschutz von Anonymisierung bis Zweckbindung

Belegbarkeit: Vertiefungsmodul im M.Sc. Informatik, Bereich Skalierbares Datenmanagement im M.Sc. Data Science
Dozenten: Erik Buchmann, Anika Hannemann
Modulprüfung: Klausur 60 Minuten und Referat 20 Minuten
Teilnahmevoraussetzungen: keine (Anmeldepflicht!)

Dieses Modul enthält die Vorlesungen und Übungen des Moduls "Datenschutz kompakt von Anonymisierung bis Zweckbindung", und bietet zusätzlich noch ein Seminar (2 SWS). Das Modul wird darum mit 10 LP verrechnet. Das Seminar findet in Gruppen statt. Die Themenvergabe wird am ersten Seminar-Termin durchgeführt. Wenn Sie bei der Themenvergabe nicht anwesend sein können, melden Sie sich bitte bei uns!

Inhalt des Seminars:

  • Neue, komplexe Datenschutzprobleme und Datenschutzlösungen aus der Forschung verstehen und bewerten
  • Diese so aufbereiten und präsentieren, dass sie für Personen ohne Datenschutz-Fachwissen verständlich werden
  • Demonstration an einem selbst realisierten, praktischen Beispiel

Ort und Zeit:
Vorlesungen und Übungen siehe oben.
Das Seminar der Gruppe A findet jeden Dienstag von 15:15 bis 16:45 Uhr im P-901 statt.
Das Seminar der Gruppe B findet jeden Dienstag von 17:15 bis 18:45 Uhr im P-901 statt.


Verschlüsseltes Datenmanagement auf privaten Daten

Modulnummer:10-INF-DS105
Belegbarkeit: Bereich Skalierbares Datenmanagement im M.Sc. Data Science
Dozenten: Erik Buchmann
Modulprüfung: Klausur 60 Minuten, Prüfungsvorleistung Referat 15 Minuten
Teilnahmevoraussetzungen: Teilnahme am Modul "Skalierbare Datenbanktechnologien 1" 10-INF-DS01 oder gleichwertige Kenntnisse (Anmeldepflicht!)

Das Modul besteht aus einer Vorlesung (2 SWS) und einem Seminar (1 SWS), und wird mit 5 LP verrechnet. Die Lehrmaterialien werden rechtzeitig über einen zugehörigen Moodle-Kurs bereitgestellt.

Inhalt der Vorlesung:

  • Auslagern von Datenbankinhalten, z.B. im Rahmen von Cloud-Lösungen, Containervirtualisierung oder Database-as-a-Service
  • spezifische Angreifermodelle und Einsatzszenarien
  • technische Schutzmaßnahmen wie verschlüsselte Indexe, Secure Multiparty Computation oder Homomorphic Encryption
  • alternative Systemmodelle wie die Blockchain
Inhalt des Seminars:
  • Anwendung der Kenntnisse der Vorlesung auf neuartige Schutzmaßnahmen
  • Bewertung neuartiger Einsatzszenarien/Technologien auf ihre Absicherbarkeit
  • Überzeugende Präsentationstechniken

Ort und Zeit:
Die Vorlesung findet ab 06.04.2023 jeden Donnerstag von 09:15 bis 10:45 am ScaDS.AI im Raum A03.07 statt.
Das Seminar findet jeweils Donnerstags von 13:15 bis 14:45 im selben Raum am ScaDS.AI statt. Die Themenvergabe für das Seminar wird am ersten Seminartermin durchgeführt. Wenn Sie bei der Themenvergabe nicht anwesend sein können, melden Sie sich bitte bei uns!


Vergangene Semester

Bachelor- und Master-Arbeiten

 

Im folgenden sind Beispiele für Bachelor- und Masterarbeiten aufgeführt, die sich aus unserem Forschungsprofil ergeben. Wenn Sie Interesse an solchen oder ähnlichen Themen haben, schreiben Sie uns bitte an.

Anonymisierung von Trainingsdaten für KI/ML

Mit Machine Learning werden Vergangenheitsdaten dafür genutzt, Data Mining-Modelle oder Neuronale Netze anzulernen, die dann neue, unbekannte Daten sinnvoll klassifizieren oder bestimmte Eigenschaften vorhersagen sollen. Schon unter normalen Bedingungen ist es eine Herausforderung, die Qualität des Machine Learnings für neue Daten zu bewerten. Mit anonymisierten oder verrauschten Daten ist dies nochmal schwieriger.
Bei diesem Thema soll für einen Machine Learning-Anwendungsfall analysiert werden, welchen Einfluss Privacy-Enhancing Technologien auf die Qualität des gelernten Modells haben.

Machine Learning für Smart Home Firewalls

In Smart Homes werden von Nutzern ohne Kenntnisse im Bereich der Cybersicherheit komplexe, vernetzte IT-Geräte betrieben, denen man mögliche Sicherheitsprobleme nicht ansieht. So verbreitet sich das Mirai-Botnetz und seine vielen Ableger seit 2016 über unsichere IoT-Geräte, unbemerkt von deren Besitzern. Häufig wurden dabei Sicherheitslücken ausgenutzt, die eigentlich sehr einfach zu beheben sind, wie vergebene Standardpasswörter oder niemals geupdatede Softwarepakete mit altbekannten Schwachstellen.
Bei diesem Thema sollen Machine Learning-Verfahren entwickelt werden, die bei Nutzern ohne tiefe IT-Kenntnisse die Sicherheit einer komplexen Smart Home-Installation verbessern.

Risikoanalyse für IoT-Geräte

Internet of Things (IoT)-Geräte finden sich mittlerweile in fast überall im Alltag, von Autos über smarte Fernseher bis hin zu Waschmaschinen oder Zahnbürsten. Dadurch entstehen viele neue Risiken, von der Angreifbarkeit über Internet über fehlende Funktionsupdates der Firmware bis hin zum Ausfall des Geräts daheim bei Konkurs eines Cloud-Anbieters im Ausland.
Das Ziel dieses Themas besteht darin, für eine bestimmte Gerätekategorie einen vollständigen Katalog von allen IoT-spezifischen Risiken zu erstellen, die über die Lebensdauer des Geräts auftreten können.

Qualität von Spezifikationen

Sicherheitsprobleme entstehen oft durch unpräzise Spezifikationen oder Sicherheitstandards. Allein das BSI-Grundschutz-Kompendium umfasst jedoch schon 900 Seiten. Mit diesem Thema sollen Machine Learning-Verfahren aus dem Bereich der natürlichsprachigen Textanalyse dazu eingesetzt werden, Compliance-Dokumente wie Datenschutzerklärungen, sicherheitskritische RFC-Standards und ähnliches zu bewerten.
Es sollen Machine Learning-Verfahren entwickelt und evaluiert werden, die potentiell ungeeignet formulierte Spezifikationen im Korpus eines großen Compliance-Regelwerks finden können.

Team

 

Prof. Erik Buchmann
Prof. Erik Buchmann
Inhaber der Professur

Profil und Kontakt
ScaDS.AI
Raum D 03.10, Löhrs Carre
Humboldtstraße 25
04105 Leipzig
Claudia Götz
Claudia Götz
Sekretärin

Kontakt
ScaDS.AI
Raum D 03.12, Löhrs Carre
Humboldtstraße 25
04105 Leipzig
Anika Hannemann
Anika Hannemann
Doktorandin

Kontakt
ScaDS.AI
Raum D 03.08, Löhrs Carre
Humboldtstraße 25
04105 Leipzig
Sabine Lorius
Sabine Lorius
wissenschaftliche Hilfskraft

Kontakt
ScaDS.AI
Raum D 03.08, Löhrs Carre
Humboldtstraße 25
04105 Leipzig
Sabine Lorius
Victor Jüttner
wissenschaftliche Hilfskraft

Kontakt
ScaDS.AI
Raum D 03.06, Löhrs Carre
Humboldtstraße 25
04105 Leipzig
Prof. Dr.-Ing. habil. Erik Buchmann: Email, Postanschrift, Standort