Datenschutz bei Wearables im Zeitalter des Predictive Computing

Transkript

1 Datenschutz bei Wearables im Zeitalter des Predictive Computing Dr. Dominik Herrmann Universität Hamburg Folien zum Download:

2 Predictive Computing 2

3 Predictive Computing Cognitive Computing Artificial Intelligence Machine Learning Big Data Analytics Crowdsourcing Citizen Research aus scheinbar belanglosen Daten neue Erkenntnisse gewinnen 3

4 Predictive Computing anhand des Suchverhaltens Google Fashion Spring

5 Predictive Computing anhand des Suchverhaltens Google Fashion Spring 2015 Google Flu Trends 5

6 Predictive Computing mit Smartphones Google Fashion Spring 2015 Google Flu Trends Wetterbericht 6

7 Predictive Computing mit Smartphones Google Fashion Spring 2015 Google Flu Trends Wetterbericht Straßenschäden 7

8 Nutzen von Wearables 8

9 Nutzen von Wearables: Motivator für Gesundheit und Fitness 9

10 Nutzen von Wearables: Neue Möglichkeiten, Komfort und Sicherheit 10

11 Nutzen von Wearables: Gewinnung neuer Erkenntnisse iphone App My Heart Counts (derzeit auf USA beschränkt) 11

12 Schutz der Privatsphäre the claim of individuals to determine for themselves when, how, and to what extent information about them is communicated to others. A. F. Westin, Social and Political Dimensions of Privacy, Journal of Social Issues, vol. 59, no. 2, pp ,

13 Sind grundlegende Datenschutz-Prinzipien noch zeitgemäß? Transparenz Kontrolle Anonymität (was wird an wen übermittelt) (Möglichkeit Einfluss zu nehmen) (Nutzung ohne Preisgabe der Identität) 13

14 Die von Wearables erfassten Daten sind sensibel Aufenthaltsort Bewegungsmuster Herzschlag Atmung Hautwiderstand Fitness Körperliche Aktivität Stress Soziale Kontakte 14

15 und Predictive Computing erlaubt Rückschlüsse auf intime Details. Smartphone-Nutzung verrät demographische Attribute: - Alter - Geschlecht - Familienstand - Haushaltsgröße - Art der Arbeit nächtliche Atemfrequenz wird durch Alkoholkonsum und Fieber beeinflusst hier wurde mit dem Rauchen aufgehört Kawamoto et al. (2014): Your Activity Tracker Knows When You Quit Smoking Mohrehkesh et al. (2012): Demographic Prediction of Mobile User from Phone Usage 15

16 Zahlreiche Teilprobleme 1 Wearable-Anbieter erhält sensible Daten 2 Dritte Weitergabe und Veröffentlichung 16

17 Datenschutz bei Veröffentlichung und Weitergabe an Dritte Dritte Weitergabe und Veröffentlichung 17

18 Häufig: Pseudonymisierung vor Veröffentlichung; aber oft keine wirksame De-Identifizierung. Beispiel: New York City Taxi Dataset MD5( 9Y99 ) MD5( ) 71B9C3F3EE5EFB81CA05E9B90C91C88F, 98C2B1AEB8D40FF826C6F1580A600853, VTS, 5,, :46:00, :47:00, 1, 3660, 22.71, , , ,

19 ... und auch gut pseudonymisierte Bewegungsdaten sind aufschlussreich. Drop-off locations for trips starting at Larry Flynt s Hustler Club between midnight and 6 am during

20 Predictive-Computing-Techniken bieten neue Möglichkeiten zur Re-Identifikation von depersonalisierten Wearable-Datensätzen. 20

21 Techniken zum Schutz vor Re-Identifikation verfügbar: Forschungsbereich statistische bzw. hippokratische Datenbanken. Elimination von k-anonymity Quasi-Identifiern l-diversity t-closeness Aggregation Mittelwert Rundung Randomisierung Differential Privacy 21

22 Schutz vor dem Wearable-Anbieter Anbieter erhält sensible Daten 22

23 Welchen Schutz erreicht man mit Anonymität gegenüber dem Wearable-Anbieter? Man kann auch anonym manipuliert werden. siehe behavioral targeting 23

24 Es gäbe Techniken zum Schutz vor dem Anbieter, bei denen die Funktionalität weitgehend erhalten bleibt. Datensparsamkeit d.h. Verzicht auf Speicherung in der Cloud Ende-zu-Ende- Cloud-Dienst dient lediglich Verschlüsselung zur zentralen Datenhaltung Secure-Multiparty- Berechnungen und Benchmarking Computation weiterhin (eingeschränkt) möglich aber: Aufwand für die Anbieter (Externalisierung der Kosten) 24

25 Was bringt uns Predictive Computing in Zukunft? Lügen wird schwieriger: Wearable-Daten als Quell der Wahrheit Big Data suggeriert Präzision Algorithmen werden über uns (fehl-)entscheiden. Individualisierung des Alltags oder Diskriminierung? vgl. Versicherungen: - Generali Vitality-Tarif - S-Direct Telematik Kfz-Versicherung 25

26 Wird Datenschutz überhaupt noch gewünscht? Nein, da Kosten-Nutzen-Abwägung durch Immediate Gratification und Hyperbolic Discounting verzerrt wird Es gibt Apps, die persönliche Daten zu Fitness, Ernährung und Lebensstil sammeln. Können Sie sich vorstellen, bei diesen Apps die Möglichkeit zu nutzen, Ihre Gesundheitsdaten an die Krankenkasse weiterzuleiten? 36,7% der Befragten können sich das vorstellen. Die Generation, die die Apple Watch kauft, ist interessiert an Daten-Philantropie. Michael Rodin (IBM) A. Acquisti (2004): Privacy in Electronic Commerce and the Economics of Immediate Gratification (2015) 26

27 Chance: Kontrollierte Weitergabe der eigenen Daten 27

28 Datenschutz bei Wearables im Zeitalter des Predictive Computing Dr. Dominik Herrmann Universität Hamburg Folien zum Download: