Anonymisieren und Verbergen von persönlichen Informationen im Smart Grid
Zusammenfassung der Projektergebnisse
Intelligente Stromzähler (Smart Meter) messen den Stromverbrauch von Haushalten mit einer hohen zeitlichen und messtechnischen Auflösung und übertragen ihn automatisch und ohne Zutun des Betroffenen in regelmäßigen Intervallen an einen Messtellenbetreiber. Die von den Smart Metern aufgezeichneten Daten des Energieverbrauchs sind genau genug, um tiefreichende Einblicke in die persönlichen und sachlichen Verhältnisse der Haushalte zu erlauben. Dies reicht von den täglichen Gewohnheiten über die Verfügbarkeit und Nutzung von elektrischen Geräten bis hin zu Rückschlüssen auf Beschäftigungsverhältnisse oder die Religionsausübung. Durch die Liberalisierung des Strommarktes erhalten zahlreiche Parteien Zugriff auf diese Daten. Dem Datenschutz kommt daher im Energiebereich eine erhebliche Bedeutung zu. Im Rahmen dieses Projekts haben wir gezeigt, wie sich aus Zeitreihen des Energieverbrauchs „digitale Fingerabdrücke“ der Haushalte erzeugen lassen. Diese Fingerabdrücke sind ausreichend, um Stromverbräuche ohne weitere identifizierende Merkmale einem konkreten Haushalt zuzuordnen. Des Weiteren haben wir Verfahren zur Anonymisierung von Zeitreihen entwickelt, mit denen sich unter anderem genau diese Fingerabdrücke vermeiden lassen. Wir haben dazu zum einen die Anonymisierung von Zeitreihen als ein Optimierungsproblem definiert. Zum anderen haben wir ein mathematisches Framework namens Pufferfish auf Zeitreihen adaptiert. Unseren dritten Beitrag zur Weiterentwicklung des Standes der Forschung haben wir auf dem Gebiet lokaler Energiemärkte geleistet. Lokale Energiemärkte dienen dazu, den in einem kleinräumigen Gebiet (einer Wohnanlage, einem Dorf oder einem Stadtteil) lokal aus Biogas, Laufwasserkraftwerken oder Solaranlagen erzeugten Strom auch lokal zu verbrauchen. Dazu muss jeder Stromkunde für bestimmte Zeitintervalle seinen Energiebedarf und seine Wertschätzung für die Energie auf einer Handelsplattform preisgeben. Wir haben gezeigt, dass sich so eine Handelsplattform in Form einer Energieauktion mit anonymisierten Geboten realisieren lässt, ohne dass die Markteffizienz oder die Qualität der Energieallokation sinkt.
Projektbezogene Publikationen (Auswahl)
- Re-Identification of Smart Meter Data. In: Personal and Ubiquitous Computing, 17(4): 653-662, 2013
Buchmann, Erik; Böhm, Klemens; Burghardt, Thorben; Kessler, Stephan
- Datenschutz bei notwendigen Veröffentlichungen privater Daten mit Beispielen aus dem Gesundheits- und Energiebereich. In: Deutscher Präventionstag 2014, Karlsruhe, 2014
Kessler, Stephan
- FACTS: A Framework for Anonymity towards Comparability, Transparency, and Sharing. In: Proceedings of the 26th International Conference on Advanced Information Systems Engineering (CAiSE'14), 2014
Heidinger, Clemens; Böhm, Klemens; Buchmann, Erik; Richter, Kai
(Siehe online unter https://doi.org/10.1007/978-3-319-07881-6_9) - Pattern-sensitive Time-series Anonymization and its Application to Energy-Consumption Data In: Open Journal of Information Systems, 1(1), 2014
Kessler, Stephan; Buchmann, Erik; Burghardt, Thorben; Böhm, Klemens
- Allocative and Strategic Effects of Privacy Enhancement in Smart Grids. In: Information Systems (53), 170-181, 2015
Kessler, Stephan; Flath, Christoph; Böhm, Klemens
(Siehe online unter https://doi.org/10.1016/j.is.2014.09.007) - Deploying and Evaluating Pufferfish Privacy for Smart Meter Data. In: Karlsruhe Reports in Informatics (2015,1), 2015
Kessler, Stephan; Buchmann, Erik; Böhm, Klemens
(Siehe online unter https://doi.org/10.1109/UIC-ATC-ScalCom-CBDCom-IoP.2015.55) - Deploying and Evaluating Pufferfish Privacy for Smart Meter Data. In: Proceedings of the 12th Conference on Ubiquitous Intelligence and Computing (UIC), 2015
Kessler, Stephan; Buchmann, Erik; Böhm, Klemens
(Siehe online unter https://doi.org/10.1109/UIC-ATC-ScalCom-CBDCom-IoP.2015.55) - Individual Privacy Constraints on Time-Series Data. In: Information Systems (54): 74-91, 2015
Laforet, Fabian; Buchmann, Erik; Böhm, Klemens
(Siehe online unter https://doi.org/10.1016/j.is.2015.06.006) - Privacy-Enhancing Methods for Time Series and their Impact on Electronic Markets. In: Dissertationsschrift am Karlsruher Institut für Technologie, 2015
Kessler, Stephan
- Wie kann man Privatheit messen? In: Datenschutz und Datensicherheit 39(8): 510-514, 2015
Buchmann, Erik
(Siehe online unter https://doi.org/10.1007/s11623-015-0461-1)
