Entdecken Sie die Top 11 datenschutzverbessernde Technologien

Selbst mit Vorschriften wie der DSGVO und dem CCPA sind Verbraucherdaten häufig Hackern, Unternehmen und Regierungen ausgesetzt. Wenn Unternehmen Daten an Dritte weitergeben, um die Netzwerktransparenz zu verbessern, wächst das Risiko von Datenlecks.

Datenschutzverbessernde Technologien (PETs) helfen Unternehmen, diese Daten zu nutzen und gleichzeitig persönliche oder sensible Informationen privat zu halten.

Entdecken Sie die Top 10 PET-Tools und ihre Anwendungsfälle, um zu sehen, wie sie Daten schützen und Geschäftsabläufe verbessern können:

Was sind datenschutzverbessernde Technologien (PETs)?

Datenschutzverbessernde Technologien (PETs) sind eine breite Palette von Technologien (Hardware- oder Softwarelösungen), um Datenschutz und Datensicherheit zu gewährleisten und es Unternehmen gleichzeitig zu ermöglichen, Wert aus Daten zu ziehen und ihr volles kommerzielles, wissenschaftliches und gesellschaftliches Potenzial auszuschöpfen. Diese Technologien nutzen verschiedene Methoden, darunter Kryptografie, Anonymisierung und Verschleierung, um Daten während der Datenverarbeitung zu schützen.

Durch die Implementierung von PETs können Organisationen Unternehmen wie folgt unterstützen:

• Maximierung der Datensicherheit durch Verringerung des Risikos von Datenschutzverletzungen oder Datenlecks
• Verhinderung von böswilligen Akteuren, indem die Daten für bösartige Zwecke unbrauchbar gemacht werden
• Erleichterung der sicheren Daten zusammenarbeit über Abteilungen und sogar Organisationen hinweg.

Um ein automatisiertes Tool zu nutzen, finden Sie hier eine Liste der besten Software zur Verhinderung von Datenverlust.

Warum sind datenschutzverbessernde Technologien (PETs) jetzt wichtig?

PETs adressieren drei spezifische Geschäftsanforderungen:

• Einhaltung gesetzlicher Vorschriften: Datenschutzgesetze wie die DSGVO und der CCPA zwingen Unternehmen, Verbraucherdaten zu schützen. Unternehmen können bei Nichteinhaltung erhebliche Bußgelder zahlen.
  • Ein reales Beispiel: Europäische Datenschutzbehörden verhängten Geldbußen in Höhe von €1.2 Milliarden (~$1,4 Milliarden) an DSGVO-Bußgeldern, wobei die täglichen Meldungen von Datenschutzverletzungen im Durchschnitt 400+ pro Tag betragen, was die wachsenden Compliance-Risiken verdeutlicht. ¹ PETs können eine zuverlässige Möglichkeit bieten, diese Vorschriften einzuhalten und rechtliche und finanzielle Strafen zu vermeiden.
  • Im vergangenen Jahr entschied der EuGH in der Rechtssache EDPS/SRB (C-413/23 P), dass pseudonymisierte Daten nicht automatisch für jeden, der sie besitzt, personenbezogene Daten sind.² Dasselbe Dataset kann für den Absender personenbezogen sein, für einen Empfänger, der niemanden vernünftigerweise re-identifizieren kann, jedoch anonym. Ein PET kann also ändern, welche Regeln gelten, und nicht nur, wie wahrscheinlich eine Geldbuße ist.
• Sicherer Datenaustausch: Daten müssen möglicherweise von Drittorganisationen getestet werden, weil es Ihrem Unternehmen an Selbstversorgung bei Analyse- und Anwendungstests mangelt. PETs ermöglichen Datenschutz beim Datenaustausch.
  • Kürzlich wurde dies zu einem KI-Problem. Apples Private Cloud Compute und Metas WhatsApp Private Processing führen Inference auf Benutzerdaten innerhalb von TEEs aus, sodass der Anbieter nicht lesen kann, was er verarbeitet.
• Verhinderung von Datenschutzverletzungen: Datenschutzverletzungen können dem Ruf Ihres Unternehmens schaden; Unternehmen oder Kunden (abhängig von Ihrem Geschäftsmodell) möchten möglicherweise die Interaktion mit Ihrer Marke einstellen. PETs helfen, sensible Informationen zu schützen und das Risiko von Verstößen zu verringern, die personenbezogene Daten wie Kreditkartendaten offenlegen.
  • Ein reales Beispiel ist der Kursverlust der Facebook-Aktie nach dem Cambridge-Analytica-Skandal.³

Top 10 Beispiele für datenschutzverbessernde Technologien

Kryptografische Algorithmen

1. Homomorphe Verschlüsselung

Homomorphe Verschlüsselung (HE) ermöglicht es einem Dritten, etwa einem Cloud-Anbieter, Berechnungen auf verschlüsselten Daten durchzuführen, ohne sie zu entschlüsseln (d. h. Klartext⁴). Der Dateneigentümer behält den Schlüssel, erhält die verschlüsselten Ergebnisse und entschlüsselt sie lokal. Dadurch eignet sich HE hervorragend für die sichere Auslagerung von Datenanalysen. Sie ist außerdem quantenresistent.

Allerdings eignet sich HE schlecht, wenn mehrere Parteien gemeinsame Daten mit unterschiedlichen privaten Eingaben berechnen möchten. Da HE auf einem einzigen Entschlüsselungsschlüssel basiert, kann jeder, der diesen Schlüssel besitzt, alle Rohdaten einsehen. Zur Lösung dieses Mehrparteien-Szenarios ist stattdessen eine sichere Mehrparteienberechnung (MPC) erforderlich.

Einige gängige Arten der homomorphen Verschlüsselung sind:

• Partielle homomorphe Verschlüsselung: kann nur eine Art von Operation an verschlüsselten Daten durchführen, z. B. Additionen oder Multiplikationen, aber nicht beides.
• Etwas homomorphe Verschlüsselung: kann mehr als eine Art von Operation durchführen (z. B. Addition, Multiplikation), ermöglicht jedoch nur eine begrenzte Anzahl von Operationen.
• Vollständig homomorphe Verschlüsselung: kann mehr als eine Art von Operation durchführen, und es gibt keine Beschränkung der Anzahl der durchgeführten Operationen.

2. Sichere Mehrparteienberechnung (SMPC)

Wie die homomorphe Verschlüsselung (HE) ermöglicht die sichere Mehrparteienberechnung (SMPC) Berechnungen auf verschlüsselten Daten. Darüber hinaus erlaubt SMPC mehreren unabhängigen Parteien, gemeinsam eine Funktion über ihre gemeinsamen Eingaben zu berechnen. SMPC ermöglicht es Unternehmen, models auf kombinierten Datasets zu trainieren, ohne ihre privaten Rohdaten gegenseitig offenzulegen.

SMPC-Fallstudie

Das Boston Women’s Workforce Council (BWWC) hat sich zum Ziel gesetzt, die geschlechts- und rassenspezifischen Lohnunterschiede in Boston durch eine öffentlich-private Partnerschaft zu beseitigen. Über 250 Arbeitgeber haben sich verpflichtet, diese Ungleichheiten durch Unterzeichnung des „100 % Talent Compact“ anzugehen.

Zur Messung des stadtweiten Lohngefälles nutzte das BWWC von 2015 bis 2023 SMPC und analysierte Gehaltsdaten von einem Sechstel der lokalen Beschäftigten, ohne individuelle Gehälter offenzulegen. Die Arbeitgeber teilten die Lohndaten mit dem BWWC und Forschern der Boston University, die auf aggregierte Statistiken zugriffen. Für die einfache Dateneingabe durch die teilnehmenden Organisationen wurde eine benutzerfreundliche Webanwendung entwickelt.

Auf Grundlage dieser Anwendungen stellte das BWWC fest, dass:

• Die Zusammenarbeit mit Usability-Experten ist unerlässlich, da die Datenschutzfunktionen von sMPC die Dateneingabe und die Fehlerbehebung erschweren können.
• sMPC ist eine schnellere und sicherere Alternative zum Aufbau von Vertrauensbeziehungen bei sensiblen Daten.⁵

3. Differenzielle Privatsphäre

Differenzielle Privatsphäre schützt davor, Informationen über Einzelpersonen weiterzugeben. Der kryptografische Algorithmus fügt dem Dataset eine Schicht statistischen Rauschens⁶ hinzu, die es ermöglicht, Muster von Gruppen innerhalb des Datasets zu beschreiben und gleichzeitig die Privatsphäre der Einzelpersonen zu wahren.

4. Zero-Knowledge-Beweise (ZKP)

Zero-Knowledge-Beweise verwenden eine Reihe kryptografischer Algorithmen, mit denen Informationen validiert werden können, ohne die Daten preiszugeben, die sie belegen.

Google führte die ZKP-Altersverifikation in Google Wallet mit Bumble als Startpartner ein und veröffentlichte die Bibliotheken als Open Source.⁷ Die EU folgte im April 2026 mit einer auf ZKP basierenden Altersverifikations-App, die in sieben Mitgliedstaaten pilotiert wird, und eIDAS 2.0 verlangt von jedem Mitgliedstaat, bis Ende 2026 eine digitale Identitäts-Wallet anzubieten.⁸

5. Vertrauenswürdige Ausführungsumgebung (TEE)

Eine vertrauenswürdige Ausführungsumgebung (TEE) ist ein sicherer Tresor, der direkt in den Hauptprozessor eines Computers integriert ist. Sie hält die darin befindlichen Programme und Daten vollständig isoliert, d. h. selbst wenn das Hauptbetriebssystem gehackt wird, bleibt der Tresor verschlossen. Der Nachweis gegenüber externen Benutzern, dass dieser Tresor echt ist, beruht auf einem Verifizierungsprozess namens „Attestierung“, und genau dort haben diese sicheren Systeme in letzter Zeit versagt.

Kürzlich umgingen Forscher diese sicheren Verbindungen mithilfe von „Relay-Angriffen“, bei denen Verifikationsnachrichten abgefangen und weitergeleitet werden. Diese als CVE-2026-33697 verfolgte Schwachstelle betraf das Cocos-KI-framework; ähnliche Schwachstellen wurden in Metas WhatsApp Private Processing und Edgeless Systems’ Contrast gefunden.⁹ Die zugrunde liegenden Chips und die Mathematik hielten stand; der Fehler lag in der Logik des Protokolldesigns. Da Standard-Sicherheitsaudits diesen Fehler übersahen, sollten Unternehmen sicherstellen, dass Anbieter „formell verifizierte“ (mathematisch bewiesene) Protokolle verwenden.

So funktioniert es:

• Die TEE bietet eine geschützte Ausführungsumgebung, in der sensible Daten und Vorgänge wie kryptografische Prozesse oder sichere Authentifizierung ohne Störungen durch das Hauptsystem oder potenzielle Angreifer durchgeführt werden können.
• Sie hält sensible Daten isoliert und berechnet Vorgänge in einer sicheren Umgebung und schützt so vor Bedrohungen wie Malware oder unbefugtem Zugriff.
• TEEs werden in Mobilgeräten, IoT-Systemen und Cloud-Umgebungen häufig für Aufgaben wie Verschlüsselung, digitale Rechteverwaltung (DRM) und die Absicherung von Zahlungssystemen eingesetzt.
• In letzter Zeit haben sich TEEs über CPUs hinaus auf GPUs ausgeweitet. Beispielsweise führte NVIDIA vertrauliches Computing auf GPUs mit H100 ein und baute es mit Hopper und Blackwell weiter aus.¹⁰

TEE-Fallstudie

Das indonesische Tourismusministerium wollte genaue Tourismusstatistiken aus mobilen Roaming-Daten erstellen und gleichzeitig Datenschutzbedenken bei der gemeinsamen Nutzung von Datasets zweier Mobilfunknetzbetreiber (MNOs) begegnen. Die eingesetzte Technologie war eine vertrauenswürdige Ausführungsumgebung (TEE), konkret Intel SGX, um einheitlich gehashte IMSIs sicher über die Plattform Sharemind HI zu verarbeiten.

Infolgedessen konnte das Ministerium:

• ermöglichte eine genaue Berechnung des Roaming-Marktanteils.
• stellte monatliche Tourismusstatistiken auf Basis von Mobiltelefondaten bereit.
• etablierte ein Framework für die vertrauliche gemeinsame Datennutzung zwischen den Beteiligten.
• bleibt die einzige bekannte Lösung zur Analyse der Überschneidung von Roaming-Teilnehmern über Netze hinweg.
• Die Leistung ist selbst auf handelsüblicher Hardware effizient.¹¹

Datenmaskierungstechniken

Einige datenschutzverbessernde Technologien sind auch Datenmaskierungstechniken, die von Unternehmen eingesetzt werden, um sensible Informationen in ihren Datasets zu schützen.

6. Obfuskation

Obfuskation ist eine Datenmaskierungstechnik, die Daten verkompliziert, um Reverse Engineering zu erschweren, während die Funktionalität für autorisierte Benutzer erhalten bleibt.

7. Pseudonymisierung

Identifikatorfelder (Felder, die personenspezifische Informationen enthalten) werden durch fiktive Daten wie Zeichen oder andere Daten ersetzt. Pseudonymisierung wird von Unternehmen häufig eingesetzt, um die DSGVO einzuhalten.

8. Datenminimierung

Erhebung der minimalen Menge personenbezogener Daten, die es dem Unternehmen ermöglicht, die Elemente eines Dienstes bereitzustellen.

9. Kommunikationsanonymisierer

Anonymisierer ersetzen die Online-Identität (IP-Adresse, E-Mail-Adresse) durch eine entsorgbare/einmalige, nicht rückverfolgbare Identität.

KI-basierte Datenschutzmethoden

10. Generierung synthetischer Daten

Synthetische Daten sind künstlich erzeugte Daten, die mithilfe verschiedener Algorithmen einschließlich ML-Algorithmen generiert werden. Wenn Sie sich für datenschutzverbessernde Technologien interessieren, weil Sie Ihre Daten in eine Testumgebung überführen müssen, auf die Dritte Zugriff haben, ist die Generierung synthetischer Daten mit denselben statistischen Eigenschaften die bessere Option.

11. Föderiertes Lernen

Föderiertes Lernen ist eine Technik des maschinellen Lernens, die einen Algorithmus über mehrere dezentrale Edge-Geräte oder Server hinweg trainiert, die lokale Datenproben halten, ohne diese auszutauschen. Durch die Dezentralisierung von Servern können Benutzer auch eine Datenminimierung erreichen, indem die Datenmenge reduziert wird, die auf einem zentralen Server oder im Cloud-Speicher vorgehalten werden muss.

Föderiertes Lernen – Fallstudie

Das Projekt CARRIER nutzt die sekundäre Verarbeitung medizinischer, lifestyle- und personenbezogener Daten, um Risiken abzuschätzen und die Früherkennung und Intervention bei koronarer Herzkrankheit zu ermöglichen. Es muss jedoch die Einhaltung gesetzlicher Standards gewährleisten und vor Re-Identifizierungsrisiken schützen, wenn Datasets aus verschiedenen Organisationen verknüpft werden, wobei nationale Gesetze und die europäische DSGVO einzuhalten sind.

Um diese Herausforderung zu bewältigen, setzte das Projekt föderiertes Lernen ein, das die Ausführung genehmigter Docker-Images steuert und so eine sichere Datenverarbeitung ohne direkten Datenaustausch ermöglicht.

Infolgedessen konnte das Projekt:

• ein robustes rechtliches Daten-Governance-Framework zur Unterstützung der Verfahren des föderierten Lernens entwickeln.
• Datenschutz und Datensicherheit während der Entwicklung des Prognose-Models gewährleisten und so kontinuierliche Forschung ermöglichen.
• erkannte die Notwendigkeit einer kontinuierlichen Governance, um die ethische und rechtliche Konformität während der Projektphasen aufrechtzuerhalten.¹²

PETs-Marktüberblick

Der PETs-Markt umfasst eine vielfältige Palette von Tools, Models und Bibliotheken, die den Datenschutz gewährleisten sollen. So verfügt jede Kategorie, etwa Generatoren für synthetische Daten oder Datenmaskierungstools, über mehr als 20 unterschiedliche Tools.

Diese Tools lassen sich aufgrund ihrer großen Vielfalt nur schwer einzeln in eine engere Auswahl nehmen. Zur besseren Übersicht haben wir sie gruppiert und bieten im Titelbild oben einen umfassenden Überblick.

Was sind die wichtigsten Anwendungsfälle von PETs?

• Testdatenmanagement: Anwendungstests und Datenanalysen werden manchmal von externen Anbietern durchgeführt. Selbst wenn sie intern durchgeführt werden, sollten Unternehmen den internen Zugriff auf Kundendaten minimieren. Für Unternehmen ist es wichtig, ein geeignetes PET einzusetzen, das die Testergebnisse nicht wesentlich beeinflusst.
• Finanztransaktionen: Finanzinstitute sind für den Schutz der Privatsphäre der Kunden verantwortlich, da Bürger die Freiheit haben, private Geschäfte und Transaktionen mit anderen Parteien zu tätigen.
• Gesundheitsdienstleistungen: Die Gesundheitsbranche erhebt und teilt (bei Bedarf) elektronische Patientenakten (EHR) von Patienten. Beispielsweise können klinische Daten genutzt werden, um nach Nebenwirkungen verschiedener Arzneimittelkombinationen zu suchen. Gesundheitsunternehmen gewährleisten in solchen Fällen den Schutz der Patientendaten durch den Einsatz von PETs.
• Erleichterung des Datentransfers zwischen mehreren Parteien einschließlich Intermediären: Für Unternehmen, die als Vermittler zwischen zwei Parteien fungieren, ist der Einsatz von PETs von entscheidender Bedeutung, da diese Unternehmen für den Schutz der Privatsphäre der Informationen beider Parteien verantwortlich sind.

Verpassen Sie nicht unsere Benchmarks und datengestützten Erkenntnisse. Die Schaltfläche öffnet Google; die Auswahl von AIMultiple bestätigt, dass Sie AIMultiple häufiger in den Google-Suchergebnissen sehen möchten.

Als bevorzugte Quelle hinzufügen

FAQs

Diese Forschung zitieren

Wählen Sie das Format, das zu Ihrem Veröffentlichungsort passt. Wenn Sie die Link-Version in Ihr CMS einfügen, bleibt der Backlink erhalten.

@misc{dilmegani2026,
  author = {Dilmegani, Cem},
  title  = {{Entdecken Sie die Top 11 datenschutzverbessernde Technologien}},
  year   = {2026},
  month  = jul,
  howpublished    = {\url{https://aimultiple.com/privacy-enhancing-technologies}},
  note   = {AIMultiple. Abgerufen am 16. Juli 2026}
}

Änderungsprotokoll

6 Aktualisierungen

1. 202616. Jul

   Hinzugefügt: Google Wallets Zero-Knowledge-Proof-Altersverifizierung mit Bumble im Abschnitt Zero-Knowledge-Proofs.

2. 26. Feb

   Ein Link wurde aus dem Abschnitt „Das richtige datenschutzverbessernde Tool für Ihr Unternehmen auswählen“ entfernt.

3. 202516. Jan

   Abbildung 1: Landschaft der PET-Tools hinzugefügt.

4. 202425. Sep

   Ein Trusted Execution Environment (TEE) wurde dem Abschnitt über kryptografische Algorithmen hinzugefügt.

5. 202314. Dez

   Hinzugefügt wurde ein Abschnitt zur Marktübersicht von PETs und ein Abschnitt zur Auswahl des richtigen datenschutzverbessernden Tools für Ihr Unternehmen.

6. 20225. Sep

   GDPR-Bußgelddaten in der Einleitung aktualisiert.

Referenzlinks

1.

DLA Piper GDPR Fines and Data Breach Survey: January 2026 | DLA Piper

Irish Data Protection Commission

2.

EUR-Lex - 62023CJ0413 - EN - EUR-Lex

3.

Facebook Loses $35B in Value After Cambridge Analytica Breach | Fortune

Fortune

4.

Plaintext - Wikipedia

Contributors to Wikimedia projects

5.

1. Boston Women’s Workforce Council: Measuring salary disparity using secure multi-party computation - UN GWG on Big Data - Privacy Preserving Techniques Wiki - UN Statistics Wiki

6.

What is noisy data? | Definition from TechTarget

TechTarget

7.

Google Wallet launches new age and identity verification features

Google

8.

EU Age Verification Blueprint — the dedicated technical portal

9.

NVD - Home

10.

AI Security with Confidential Computing | NVIDIA

11.

4. Indonesia Ministry of Tourism: Confidentially sharing datasets between two mobile network operators via a trusted execution environment - UN GWG on Big Data - Privacy Preserving Techniques Wiki - UN Statistics Wiki

12.

12. Statistics Netherlands: Developing privacy-preserving cardiovascular risk prediction models from distributed clinical and socioeconomic data - UN GWG on Big Data - Privacy Preserving Techniques Wiki - UN Statistics Wiki

Cem Dilmegani

Leitender Analyst

Folgen auf

Cem ist seit 2017 leitender Analyst bei AIMultiple.

Cems Arbeit bei AIMultiple wurde von führenden globalen Publikationen wie Business Insider, Forbes, Morning Brew und Washington Post, von globalen Unternehmen wie Deloitte und HPE, von NGOs wie dem World Economic Forum und von supranationalen Organisationen wie der European Commission zitiert. [1], [2], [3], [4], [5]

Im Laufe seiner Karriere war Cem als Tech-Berater, Tech-Einkäufer und Tech-Unternehmer tätig. Er beriet Unternehmen bei ihren Technologieentscheidungen bei McKinsey & Company und Altman Solon über mehr als ein Jahrzehnt. Er veröffentlichte außerdem einen McKinsey-Bericht zur Digitalisierung.

Er leitete Technologiestrategie und -beschaffung eines Telekommunikationsunternehmens und berichtete dabei direkt an den CEO. Außerdem verantwortete er das kommerzielle Wachstum des Deep-Tech-Unternehmens Hypatos, das innerhalb von zwei Jahren von 0 einen siebenstelligen jährlich wiederkehrenden Umsatz und eine neunstellige Bewertung erreichte. Cems Arbeit bei Hypatos wurde von führenden Technologiepublikationen wie TechCrunch und Business Insider aufgegriffen.

Cem spricht regelmäßig auf internationalen Technologiekonferenzen. Er absolvierte die Bogazici University als Computeringenieur und hat einen MBA von der Columbia Business School.

Vollständiges Profil anzeigen

Seien Sie der Erste, der kommentiert

Ihre E-Mail-Adresse wird nicht veröffentlicht. Alle Felder sind erforderlich. Kommentare werden in ihrer Originalsprache belassen.

Name

E-Mail-Adresse

Kommentar

0/450

Kommentar posten