Privatsphäre-Erweiternde Technologien (PETs) entstanden als technologiebasierte Antwort auf die erhöhte Erhebung und Speicherung von Daten sowie der assoziierten Bedrohungen der Privatsphäre von Individuen in modernen Anwendungen. Sie beruhen auf verschiedenen kryptografischen Mechanismen, die sichere Berechnungen erlauben, ohne dass Wissen über Klartextinformationen erlangt wird. Allerdings haben viele Herausforderungen bisher eine effektive Nutzung in der realen Welt in vielen existierenden Anwendungen verhindert. Einerseits geben manche Mechanismen einige Informationen preis oder wurden außerhalb der in der kryptografischen Gemeinschaft etablierten Sicherheitsmodelle vorgeschlagen, was offen lässt, wie effektiv sie darin sind, in verschiedenen Anwendungen die Privatsphäre zu schützen. Zusätzlich ist eine hauptsächliche Herausforderung, die PETs größtenteils akademisch bleiben lässt, ihre Praktikalität-sowohl für Effizienz als auch Nutzbarkeit. Kryptografische Mechanismen verursachen einen großen Overhead, der meistens untragbar ist, und sind für Außenstehende wegen eines Fehlens abstrakter Tools sehr schwer zu integrieren.

In dieser Dissertation richten wir uns danach, PETs effizienter und praktischer darin zu gestalten, in verschiedenen Anwendungen die Privatsphäre zu schützen. Wir nutzen eine zweiseitige Herangehensweise, die zuerst die effektive Sicherheit geeigneter Mechanismen analysiert (Kryptoanalyse) und dann Konstruktionen und Tools für praktischen Nutzen in spezifizierten, aufkommenden Anwendungen in der für moderne Anwendungen entscheidende Domäne des maschinellen Lernens baut (kryptografische Entwicklung). Währenddessen bauen wir eine interdisziplinäre Perspektive ein, sowohl für die Analyse von Mechanismen als auch für das gemeinsame Bauen Privatsphäre-schützender Architekturen mit den Anforderungen von den Experten der Anwendungsdomäne.

Kryptoanalyse. Während Mechanismen wie homomorphe Verschlüsselung (im Englischen Homomorphic Encryption; HE) oder sichere Mehrparteienberechnung (im Englischen Secure Multi-Party Computation; SMPC) beweisbar keine weiteren Informationen preisgeben, besitzen verschlüsselte Suchalgorithmen (im Englischen Encrypted Search Algorithms; ESAs) und nur Randomisierung-basierte Zweiparteienberechnung (im Englischen Randomization-only Two-Party Computation; RoTPC) weitere Eigenschaften, die Kryptoanalyse benötigen, um effektiven Privatsphärenschutz festzustellen.

ESAs erlauben die Suche auf verschlüsselten Daten, was eine wichtige Funktionalität in vielen Anwendungen ist. Die meisten effizienten ESAs besitzen eine Art von wohldefinierter Preisgabe von Informationen (im Englischen Leakage), die durch eine Breite an in der Literatur vorgeschlagenen, sogenannten Leakage-Angriffen kryptoanalysiert wird. Es ist allerdings schwer, deren praktische Effektivität festzustellen, da vorige Evaluationen keinen Quellcode bereitgestellt haben, eingeschränkte Daten benutzt haben und viele Annahmen getroffen haben, u.a. über die Verteilung der Suchanfragen, da echte Suchanfragedaten sehr schwer zu finden sind. Aus diesen Gründen reimplementieren wir bekannte Leakage-Angriffe in einer offen verfügbaren Softwareplattform und führen eine systematische, empirische Reevaluation dieser Angriffe auf verschiedenen neuen Datenquellen aus, die zum ersten Mal echte Suchanfragen enthalten. Wir bekommen viel komplettere und neue Resultate, wobei Angriffe viel besser oder viel schlechter als basierend auf den vorigen Evaluationen erwartet funktionieren.

RoTPC-Mechanismen brauchen Kryptoanalyse, weil sie nicht auf etablierten Techniken und Sicherheitsmodellen basieren und stattdessen Nachrichten nur mit Randomisierung verschleiern. Ein prominentes Protokoll ist ein Privatsphäre-schützendes Skalarproduktprotokoll von Lu et al. (IEEE TPDS'13). Wir zeigen, dass dieses Protokoll formal unsicher ist und dass sich das zu einer praktischen Unsicherheit übersetzt, indem wir Angriffe präsentieren, die es sogar erlauben, auf bestimmte Eingaben zu testen, was Argumente für die genaueste Überprüfung von RoTPC-Protokollen als PETs liefert.

Dieser Teil der Dissertation basiert auf den folgenden zwei Publikationen: [KKM+22] S. KAMARA, A. KATI, T. MOATAZ, T. SCHNEIDER, A. TREIBER, M. YONLI. “SoK: Cryptanalysis of Encrypted Search with LEAKER - A framework for LEakage AttacK Evaluation on Real-world data”. In: 7th IEEE European Symposium on Security and Privacy (EuroS&P’22). Full version: https://ia.cr/2021/1035. Code: https://encrypto.de/code/LEAKER . IEEE, 2022, S. 90–108. Appendix A. [ST20] T. SCHNEIDER , A. TREIBER. “A Comment on Privacy-Preserving Scalar Product Protocols as proposed in “SPOC””. In: IEEE Transactions on Parallel and Distributed Systems (TPDS) 31.3 (2020). Full version: https://arxiv.org/abs/1906.04862. Code: https://encrypto.de/code/SPOCattack, S. 543–546. CORE Rank A*. Appendix B.

Kryptografische Entwicklung. Unter den obenstehenden Kryptoanalyse-Resultaten untersuchen wir die Nutzung von Leakage-freien und beweisbar sicheren kryptografischen Mechanismen HE und SMPC, um die Privatsphäre in Anwendungen des maschinellen Lernens zu schützen. Da ein Großteil der kryptografischen Gemeinschaft sich auf PETs für Anwendungen mit neuronalen Netzwerken fokussiert hat, fokussieren wir uns auf zwei weitere Anwendungen und Modelle: Sprecherauthentifizierung und Summe-Produkt-Netzwerke. Wir zeigen besonders die Effizienz unserer Lösungen in möglichen, echten Szenarien und stellen Tools für außenstehende Experten zur Verfügung.

Bei der Sprecherauthentifizierung werden Sprachdaten eines Nutzenden mit Referenzdaten verglichen, die bei einem Dienstleistungsanbieter gespeichert sind. Wir benutzen HE und SMPC, um das erste Privatsphäre-schützende Sprecherauthentifizierungssystem zu bauen, das die neusten Techniken mit Normalisierung von Scores mittels Kohorten durch eine Kohortenkürzung mit SMPC beinhaltet. Dann bauen wir ein Privatsphäre-schützende Sprecherauthentifizierungssystem, das nur auf SMPC basiert, und zeigen, dass es vorige HE-basierte Lösungen um einen Faktor bis zu 4000x übertrifft. Wir zeigen, dass unsere beide Lösungen spezifische Standards zum Schutz biometrischer Daten erfüllen und daher effektive und praktische PETs für Sprecherauthentifizierung sind.

Summe-Produkt-Netzwerke (SPNs) sind nennenswerte probabilistische, grafische Modelle die-wie neuronale Netzwerke-auch effiziente Methoden für Privatsphäre-schützende Inferenz als eine PET benötigen. Wir präsentieren CryptoSPN, welches SMPC für Privatsphäre-schützende Inferenz von SPNs nutzt, die (aufgrund einer Kombination von Techniken des maschinellen Lernens und der Kryptografie) sogar die Netzwerkstruktur versteckt. Unsere Implementierung ist in die prominente SPN-Softwareplattform SPFlow integriert und evaluiert mittelgroße SPNs innerhalb von Sekunden.

Dieser Teil der Dissertation basiert auf den folgenden drei Publikationen: [NPT+19] A. NAUTSCH, J. PATINO, A. TREIBER, T. STAFYLAKIS, P. MIZERA, M. TODISCO, T. SCHNEIDER, N. EVANS. Privacy-Preserving Speaker Recognition with Cohort Score Normalisation”. In: 20th Conference of the International Speech Communication Association (INTERSPEECH’19). Online: https://arxiv.org/abs/1907.03454. International Speech Communication Association (ISCA), 2019, S. 2868–2872. CORE Rank A. Appendix C. [TNK+19] A. TREIBER, A. NAUTSCH , J. KOLBERG , T. SCHNEIDER , C. BUSCH. “Privacy-Preserving PLDA Speaker Verification using Outsourced Secure Computation”. In: Speech Communication 114 (2019). Online: https://encrypto.de/papers/TNKSB19.pdf. Code: https://encrypto.de/code/PrivateASV, S. 60–71. CORE Rank B. Appendix D. [TMW+20] A. TREIBER , A. MOLINA , C. WEINERT , T. SCHNEIDER , K. KERSTING. “CryptoSPN: Privacy-preserving Sum-Product Network Inference”. In: 24th European Conference on Artificial Intelligence (ECAI’20). Full version: https://arxiv.org/abs/2002.00801. Code: https://encrypto.de/code/CryptoSPN. IOS Press, 2020, S. 1946–1953. CORE Rank A. Appendix E.

Insgesamt trägt diese Thesis zu einer breiteren Sicherheitsanalyse kryptografischer Mechanismen und zu neuen Systemen und Tools zum effektiven Schutz der Privatsphäre in verschiedenen gefragten Anwendungen bei.