
# Sichere Multi‑Partei‑Synthesedaten‑Zusammenarbeit mit Homomorpher Verschlüsselung

In einer Ära, in der datengetriebene KI‑Modelle den Wettbewerbsvorteil ausmachen, hat **synthetische Daten** sich als leistungsstarke Alternative zum Teilen von realen Datensätzen etabliert. Wenn jedoch mehrere Parteien **gemeinsam** synthetische Datensätze erstellen müssen – denken Sie an branchenübergreifende Gesundheitsforschung, föderierte Finanzanalysen oder gemeinsame Simulationen autonomer Fahrzeuge – werden Datenschutz, regulatorische Vorgaben und Vertrauen zu erheblichen Hindernissen.

Dieser Artikel stellt ein **datenschutzfreundliches Kollaborations‑Framework** vor, das drei hochmoderne Konzepte kombiniert:

1. **Homomorphe Verschlüsselung (HE)** – ermöglicht Berechnungen an verschlüsselten Daten, ohne diese zu entschlüsseln.  
2. **Secure Multi‑Party Computation (SMPC)** – verteilt kryptografische Arbeitslasten auf die Teilnehmenden, sodass kein einzelner Knoten die Rohdaten sieht.  
3. **Zero‑Trust‑Architektur (ZTA)** – geht davon aus, dass jedes Netzelement unzuverlässig ist, bis das Gegenteil bewiesen ist, und erzwingt kontinuierliche Verifikation sowie das Prinzip der minimalen Rechte.

Gemeinsam bilden sie einen **Zero‑Trust Synthetic Data Marketplace (ZT‑SDM)**, der es Organisationen erlaubt, generative Modelle gemeinsam zu trainieren, synthetische Ausgaben zu validieren und Daten‑Assets auszutauschen, während die zugrunde liegenden privaten Daten für alle Parteien – einschließlich des Marktplatz‑Betreibers – unsichtbar bleiben.

---

## Warum bestehende Lösungen unzureichend sind

| Bestehender Ansatz                     | Kernlimitation                                                                 |
|----------------------------------------|---------------------------------------------------------------------------------|
| **Zentralisierte Pipelines für synthetische Daten** | Benötigt einen vertrauenswürdigen Data Lake; ein einziger Breach kann Rohdaten preisgeben. |
| **Föderiertes Lernen mit Modellaggregation** | Teilt nur Modell‑Updates, nicht die synthetischen Daten selbst; Endverbraucher müssen dennoch Rohdaten zur Validierung anfordern. |
| **Differential Privacy (DP) allein**   | Fügt statistisches Rauschen hinzu, das die Nützlichkeit, besonders bei hochdimensionalen Daten, stark mindern kann. |
| **Nur‑SMPC‑Pipelines**                 | Hoher Kommunikationsaufwand; das Skalieren auf große generative Modelle (z. B. Diffusions‑ oder LLMs) ist praktisch nicht machbar. |

Der **ZT‑SDM** schließt diese Lücken, indem er **die gesamte Daten‑Generierungspipeline verschlüsselt**, gleichzeitig **Echtzeit‑Qualitäts‑Feedback** und **Audit‑Trails** ermöglicht.

---

## Architekturoverblick

Untenstehend ein hochrangiges Mermaid‑Diagramm, das den Fluss von verschlüsselten Daten, Berechnungen und Verifikationen über die teilnehmenden Knoten hinweg darstellt.

```mermaid
graph TD
    subgraph "Teilnehmer A"
        A1["Rohdaten A"]
        A2["HE‑Verschlüsseler"]
    end
    subgraph "Teilnehmer B"
        B1["Rohdaten B"]
        B2["HE‑Verschlüsseler"]
    end
    subgraph "Koordinator"
        O1["Schlüsselverwaltungsdienst"]
        O2["Sichere Rechen‑Engine"]
        O3["Zero‑Trust‑Richtlinien‑Engine"]
        O4["Audit‑Log‑Dienst"]
    end
    subgraph "Verbraucher"
        C1["Verbraucher synthetischer Daten"]
    end

    A1 --> A2
    B1 --> B2
    A2 --> O2
    B2 --> O2
    O2 --> O3
    O3 --> O4
    O2 --> C1
    O4 --> C1
```

**Wesentliche Komponenten**:

- **HE‑Verschlüsseler** (je Teilnehmer) wandelt Rohdaten in Ciphertext um, wobei ein **gemeinsamer öffentlicher Schlüssel** verwendet wird.  
- **Schlüsselverwaltungsdienst (KMS)** speichert den **privaten Entschlüsselungsschlüssel** in einer hardware‑gesicherten Enklave; er verlässt den Koordinator niemals.  
- **Sichere Rechen‑Engine** führt das generative Modell (z. B. ein Diffusions‑Modell) **direkt auf dem Ciphertext** mittels HE‑kompatibler Kernel aus.  
- **Zero‑Trust‑Richtlinien‑Engine** prüft jede Anfrage (Daten‑Lese‑Zugriff, Modell‑Inference, Audit‑Export) gegen dynamische Richtlinien, die aus regulatorischen Rahmenwerken ([GDPR](https://gdpr.eu/), [HIPAA](https://www.hhs.gov/hipaa/index.html), [CCPA](https://oag.ca.gov/privacy/ccpa)) abgeleitet werden.  
- **Audit‑Log‑Dienst** protokolliert unveränderliche, manipulationssichere Logs (optional an eine Blockchain angebunden) zur Compliance‑Verifizierung.

---

## Schritt‑für‑Schritt‑Arbeitsablauf

### 1. Registrierung & Richtliniendefinition
1. Jede Organisation meldet sich im Marktplatz an und übermittelt **Metadaten** (Daten‑Domänen, Sensitivitäts‑Tags, Jurisdiktion).  
2. Die **Zero‑Trust‑Richtlinien‑Engine** erzeugt automatisch eine **Richtlinien‑Matrix**, die zulässige Operationen (z. B. „synthetische Gesundheitsdaten nur für Forschungszwecke generieren“) kryptografischen Beschränkungen zuordnet.

### 2. Schlüsselaustausch & Verschlüsselung
- Teilnehmende erhalten einen **öffentlichen HE‑Schlüssel** vom KMS.  
- Rohdatensätze werden lokal verschlüsselt; der Ciphertext verlässt niemals das Perimeter des Teilnehmers.

### 3. Verteiltes Modell‑Training (SMPC‑unterstützt)
- Der Koordinator startet ein **SMPC‑Protokoll**, das die Gewicht‑Updates des generativen Modells über die Teilnehmenden verteilt.  
- Jeder Knoten führt **verschlüsselte Gradienten‑Berechnungen** auf seinem Ciphertext aus und teilt **maskierte Teil‑Ergebnisse**.  
- Der KMS aggregiert die maskierten Updates, entschlüsselt nur das **Aggregat** und verschlüsselt die neuen Modell‑Parameter erneut für die nächste Runde.

### 4. Generierung synthetischer Daten
- Verbraucher fordern synthetische Stichproben über eine **richtliniengeprüfte API** an.  
- Die Sichere Rechen‑Engine führt das Modell **homomorph** aus und erzeugt **verschlüsselte synthetische Datensätze**.  
- Der KMS entschlüsselt das Endergebnis **just‑in‑time** für den Verbraucher und verwirft den privaten Schlüssel sofort aus dem Speicher.

### 5. Kontinuierliches Auditing & Feedback
- Jede Anfrage, Berechnung und Entschlüsselungs‑Ereignis wird im **Audit‑Log‑Dienst** festgehalten.  
- Prüfer können die Logs mittels **Zero‑Knowledge‑Proofs** einsehen, um die Einhaltung zu verifizieren, ohne Rohdaten zu sehen.  
- Verbraucher können **Nützlichkeits‑Feedback** (z. B. statistische Ähnlichkeits‑Scores) geben, das verschlüsselt in den Trainings‑Loop zurückfließt.

---

## Technischer Einblick: Auswahl der homomorphen Verschlüsselung

| Schema | Ciphertext‑Größe | Unterstützte Operationen | Typischer Anwendungsfall |
|--------|------------------|--------------------------|--------------------------|
| **BFV** | Moderat | Ganzzahl‑Arithmetik, Addition, Multiplikation | Tabellendaten‑Synthese |
| **CKKS**| Größer | Approximate Arithmetik, Fließkomma | Bild‑/Video‑Diffusions‑Modelle |
| **TFHE**| Klein | Binäre Gates, Bootstrapping | Boolesche Logik für SMPC‑Koordination |

Für die meisten Synthesedaten‑Pipelines bietet **CKKS** das beste Kosten‑Nutzen‑Verhältnis, da generative Modelle stark auf Fließkomma‑Matrix‑Multiplikationen angewiesen sind. Der **Bootstrapping‑Aufwand** lässt sich jedoch durch **layer‑weise Re‑linearisation** und **Parameter‑Tuning** basierend auf der Ziel‑Daten‑Dimensionalität reduzieren.

---

## Zero‑Trust‑Richtlinien‑Engine: Dynamische Durchsetzung

Die Engine bewertet jede Anfrage entlang drei Dimensionen:

1. **Identität** – verifiziert über dezentrale Identifier (DIDs) und nachweisbare Berechtigungsnachweise.  
2. **Kontext** – umfasst Ursprungs‑IP, Gerätezustand und Tageszeit.  
3. **Absicht** – abgeleitet aus dem API‑Payload (z. B. „generiere 10 k synthetische Patientendaten für Onkologie‑Studie“).

Ein **Richtlinien‑Regelwerk** könnte lauten:

```
IF requester.role == "researcher"
AND data.domain == "healthcare"
AND jurisdiction == "EU"
THEN allow HE‑generation WITH differential‑privacy epsilon=0.5
ELSE deny
```

Da die Regel selbst keine Rohdaten enthält, kann sie **außerhalb** des verschlüsselten Bereichs ausgewertet werden, was die Performance schont.

---

## Compliance‑ und Audit‑Vorteile

| Regulierung | Wie ZT‑SDM hilft |
|-------------|-------------------|
| **GDPR Art. 32** (Sicherheit der Verarbeitung) | Daten erscheinen außerhalb des Herkunftsunternehmens nie im Klartext; Schlüssel sind hardware‑geschützt. |
| **HIPAA §164.312(e)(1)** (Verschlüsselung) | End‑to‑End‑HE erfüllt die Anforderung „Verschlüsselung“; Audit‑Logs liefern Nachweis für „Zugriffskontrolle“. |
| **CCPA §1798.150** (Recht auf Auskunft) | Verbraucher können einen **synthetischen Daten‑Provenienz‑Report** erhalten, der aus unveränderlichen Logs generiert wird, ohne Rohdaten preiszugeben. |
| **ISO 27001 A.12.4** (Logging) | Unveränderliche, manipulationssichere Logs in Append‑Only‑Speicher; optionale Blockchain‑Verankerung für zusätzliche Integrität. |

---

## Leistungsoptimierungen

1. **Hybrid‑HE/SMPC** – SMPC für die **erste Gewichts‑Aggregation** (niedrige Präzision) einsetzen und anschließend HE für die **hochpräzise Generierung** nutzen.  
2. **Batching & Packing** – Mehrere Datenzeilen in einem Ciphertext‑Slot (CKKS‑Packing) bündeln, um den Verschlüsselungs‑Overhead zu amortisieren.  
3. **Edge‑Offload** – Leichte HE‑Kernel auf Edge‑Geräten der Teilnehmenden ausführen, um Netzwerk‑Payload zu reduzieren.  
4. **Cache‑fähige verschlüsselte Modelle** – Verschlüsselte Modell‑Checkpoints in einem **Content‑Addressable‑Storage** ablegen und über mehrere Kollaborationen hinweg wiederverwenden.

---

## Anwendungsfälle aus der Praxis

### A. Branchenübergreifende klinische Forschung
- **Problem**: Krankenhäuser dürfen Patientendaten wegen **HIPAA** nicht teilen, benötigen jedoch ein gemeinsames synthetisches Cohort‑Set für seltene Erkrankungen.  
- **Lösung**: Jedes Krankenhaus verschlüsselt seine EHR‑Daten, beteiligt sich an SMPC‑unterstütztem Modell‑Training und erhält ein synthetisches Dataset, das die kombinierte Population widerspiegelt, ohne PHI preiszugeben.

### B. Kollaboratives Finanz‑Risiko‑Modelling
- **Problem**: Konkurrenzbanken müssen Transaktionsdaten bündeln, um systemische Betrugsmuster zu erkennen, dürfen jedoch wegen Kartellrecht keine Rohdaten austauschen.  
- **Lösung**: Banken verschlüsseln ihre Transaktions‑Logs, trainieren gemeinsam ein synthetisches Betrugs‑Generierungs‑Modell und stellen die synthetischen Ergebnisse den Aufsichtsbehörden zur Verfügung.

### C. Simulation autonomer Fahrzeuge
- **Problem**: Mehrere OEMs benötigen vielfältige Fahrszenarien, dürfen jedoch proprietäre Sensor‑Logs nicht offenlegen.  
- **Lösung**: OEMs verschlüsseln LiDAR‑ und Kameraströme, co‑trainieren einen Diffusions‑Generator für Fahrszenarien und erhalten synthetische Fahrdaten, die Edge‑Cases abdecken, ohne ihre Originaldaten preiszugeben.

---

## Implementierungs‑Checkliste

- [ ] **HE‑Schema wählen** (CKKS empfohlen für Fließkomma‑Workloads).  
- [ ] **KMS mit HSM** bereitstellen und Schlüssel‑Rotations‑Policy definieren.  
- [ ] **DID‑basierte Identität** für jede Teilnehmende integrieren.  
- [ ] **Zero‑Trust‑Richtlinien** mittels Policy‑as‑Code‑Framework (z. B. Open Policy Agent) definieren.  
- [ ] **SMPC‑Orchestrierung** einrichten (z. B. MP‑SPDZ oder CrypTen).  
- [ ] **Unveränderlichen Audit‑Log** deployen (z. B. Amazon QLDB oder private Blockchain).  
- [ ] **Performance‑Benchmarks** für verschlüsselte Modell‑Inference (Latenz, Durchsatz) durchführen.  
- [ ] **Compliance‑Validierung** mit Rechts‑ und externen Auditoren abschließen.

---

## Zukünftige Entwicklungen

1. **Föderierte Differential‑Privacy** – Kombination von HE mit DP, um nach der Entschlüsselung ein kalibriertes Rauschen hinzuzufügen und das Re‑Identifikations‑Risiko weiter zu senken.  
2. **Quantenresistente HE** – Untersuchung von gitter‑basierten Verfahren, die gegen post‑quantum Angreifer sicher bleiben.  
3. **KI‑gestützte Richtlinien‑Adaptation** – Einsatz von Reinforcement‑Learning, um Richtlinien dynamisch zu lockern oder zu verschärfen, basierend auf beobachteten Nutzen‑Datenschutz‑Abwägungen.  
4. **Marktplatz‑Monetarisierung** – Token‑basierte Anreize für Teilnehmende, die hochwertige verschlüsselte Daten beisteuern, mit Smart‑Contracts zur automatischen Umsatzverteilung.

---

## Fazit

Durch die Verknüpfung von **homomorpher Verschlüsselung**, **sicherer Multi‑Partei‑Berechnung** und **Zero‑Trust‑Prinzipien** in einem einzigen, auditierbaren Workflow können Organisationen endlich **synthetische Daten gemeinsam nutzen**, ohne Datenschutz oder regulatorische Vorgaben zu gefährden. Der Zero‑Trust Synthetic Data Marketplace eröffnet neue KI‑Möglichkeiten über Sektoren hinweg und setzt einen neuen Standard für **vertrauens‑by‑Design‑Datenökosysteme**.

---

## Siehe auch
- [Open Policy Agent (OPA) – Policy as Code](https://www.openpolicyagent.org)  
- [MP‑SPDZ – Multi‑Party Computation Framework](https://github.com/data61/MP-SPDZ)  
- [Zero Trust Architecture – NIST SP 800‑207](https://csrc.nist.gov/publications/detail/sp/800-207/final)