Die Weitergabe schützenswerter Daten für Anwendungen in Data Analytics, Data Science und Machine Learning

Von Prognosen zum Kaufverhalten bis hin zur Berechnung von Kündigungswahrscheinlichkeit: Zur Ermittlung Business-relevanter Sachverhalte erfordern Datenauswertungen in den Bereichen Data Analytics, Data Science und Machine Learning oftmals die Verarbeitung personenbezogener Daten. Zu Analysezwecken müssen diese Daten, welche in den Datenbanken dieser Welt gespeichert sind, häufig weitergegeben werden – mit entsprechenden Herausforderungen an den Datenschutz. Daher werden die Daten vor der Weitergabe an Dritte mit Pseudonymisierungsverfahren vom Personenbezug befreit.

Dabei ist jedoch zu bedenken, dass ein pseudonymisierter Datensatz unter Anwendung komplexer Rekonstruktionsverfahren noch immer einen Rückschluss auf natürliche Personen erlaubt. Erst wenn wir die Daten anonymisieren, können potentielle Angreifer keinen Personenbezug mehr herstellen. 

Neben dem vorliegenden Datenbestand bestimmt vor allem die zugrundeliegende Fragestellung, ob eine Pseudonymisierung der Daten erforderlich ist. Bei der Analyse und Interpretation von Produktdaten sind viele Fragestellungen zunächst ohne Personenbezug:

• Wie viele Produkte eines bestimmten Typs wurden im vergangenen Quartal verkauft – und wie viele werden voraussichtlich in diesem Quartal verkauft werden?
• Wie viele Produkte eines bestimmten Typs werden je Kaufvorgang erworben?

Betrachtet man die Tabellenstruktur der Ausgangstabelle Tab_0 (siehe Abb. 1), so würde es für genannte Fragestellungen ausreichen, die gelb markierten Produktdaten von den übrigen Daten separiert weiterzugeben.

Der auf diese Weise generierte Hash-Wert repräsentiert Gerd Müller, wohnhaft in 60327 Frankfurt. Jede Person mit genau übereinstimmenden Personendaten erhält beim Hashing den identischen Wert. Trotz deutlich gestiegener Sicherheit aufgrund der hohen kryptischen Zeichenanzahl können die Daten mittels sogenannter Rainbow Tables rekonstruiert werden [4]. Diese spezifischen Tabellen erlauben es, das Hashing zu invertieren. Auf diese Weise können die Input-Werte als Zeichenkette im Klartext zurückgegeben werden (im vorliegenden Beispiel ‚GerdMüller60327‘).

Um Rainbow Table-Angriffe abzuwehren, eignet sich das Salting. Bei diesem Verfahren wird der Input-Wert für den SHA256-Algorithmus um eine randomisierte Zeichenkette einer definierten Länge (Salt) ergänzt. Anzumerken ist, dass für alle Einträge immer das gleiche Salt verwendet wird. Auf diese Weise wird der gesamte Hash-Wert randomisiert:

Hat ein potentieller Angreifer keinen Zugriff auf das verwendete Salt, kann er nur unter erheblichem Aufwand Rückschlüsse auf die Personen ziehen. Da dieser Aufwand mit der derzeitig verfügbaren Rechenleistung derart immens ist, dass eine Dechiffrierung sehr unwahrscheinlich ist, gelten die Daten als anonymisiert. Eine Weitergabe der auf diese Weise anonymisierten Daten an Dritte ist aus diesem Grund unbedenklich.

Ein typisches Beispiel für die Anonymisierung von Daten ist die Auswertung von Bestelldaten. Zu jedem Bestellvorgang wird in einer relationalen Tabelle ein neuer Record angelegt, welcher neben produktbezogenen Bestelldaten (OrderID, ProductID, Anzahl, Betrag) auch Kundendaten enthält (siehe Abb. 3). Um DSGVO-Konformität herzustellen, soll die Datenauswertung der Bestelldaten ohne Zurückverfolgbarkeit der Kunden, also anonymisiert, erfolgen. Dabei wird das in Abbildung 2 diskutierte Verfahren angewendet, wonach die Personendaten in Form einer randomisierten Zeichenfolge (Pseudo_Key) abgebildet werden.

wird ein Salt der Zeichenlänge N generiert. Das Hashing mittels SHA256-Algorithmus wird über die Python-Bibliothek hashlib [6] realisiert, durch das verwendete UTF-8-Encoding werden auch Zeichen wie Umlaute unterstützt:

Die auf diese Weise berechneten Pseudo_Key-Werte werden in die Tabelle Tab_1 geschrieben (siehe Abb. 3), der verwendete Salt wird in einem Key Storage hinterlegt. Im Unternehmen verbleiben somit die Originaldaten in den zentralen Datenbanken, die für eine weitergehende Analyse relevanten Daten können nun anonymisiert zur Verfügung gestellt werden.

Somit können auch Daten, die ursprünglich einen klaren Personenbezug aufweisen, DSGVO-konform an Dritte weitergegeben werden. Zielführenden Vorhaben in den Bereichen Data Analytics, Data Science und Machine Learning steht so nichts mehr im Wege.

[1]    Dejure.org. „Datenschutz-Grundverordnung. Kapitel I – Allgemeine Bestimmungen (Art. 1-4). Art. 4 – Begriffsbestimmungen.“ dejure.org/gesetze/DSGVO/4.html (aufgerufen am 17. Juni 2022).

[2]    Dejure.org. „Datenschutz-Grundverordnung. Kapitel II – Grundsätze (Art. 5-11). Art. 6 – Rechtmäßigkeit der Verarbeitung.“ dejure.org/gesetze/DSGVO/6.html (aufgerufen am 23. Juni 2022).

[3]    S. Dutta. „This Unsolvable Problem is Worth Billions of Dollars.“ Medium.com. medium.com/the-wisest-friends/this-unsolvable-problem-is-worth-billions-of-dollars-4fc28b876e03 (aufgerufen am 17. Juni 2022).

[4]    M. Hill. „Was sind Rainbow Tables?“ www.computerwoche.de/a/was-sind-rainbow-tables,3551455 (aufgerufen am 23. Juni 2022).

[5]    Python Software Foundation. „random – Generate pseudo-random numbers.“ docs.python.org/3/library/random.html (aufgerufen am 17. Juni 2022).

[6]    Python Software Foundation. „hashlib – Secure hashes and message digests.“ docs.python.org/3/library/hashlib.html (aufgerufen am 17. Juni 2022).