Entwicklung einer datenschutzfreundlichen Ausführungsumgebung für Smart-Home-Dienste

Inhaltsverzeichnis

1 Einleitung

1.1 Aufgabenstellung

1.2 Gliederung

2 Anwendungsszenarien und Anforderungen

2.1 Anwendungsszenarien

2.2 Anforderungen

2.3 Einhaltung der Schutzziele

3 Verwandte Arbeiten

3.1 Privacy-Mechanismen für Smart Devices

3.2 Privacy-Mechanismen für Datenstromsysteme

3.3 Zentrale Konfigurationsmechanismen

4 Konzept

4.1 Platzierung der Privacy-Kontrolle

4.2 Komponenten von SPYaware

4.3 Adapterlogik für die Datenquellen

4.4 Privacy-Filter für die Datenquellen

4.5 Zugriffssteuerung

4.6 Verarbeitung der Wenn-Dann-Regeln

4.7 Verifikation

4.8 Privacy-Filter für die Datensenken

4.9 Adapterlogik für die Datensenken

4.10 Verteilung der Konfiguration auf die Smart Devices

5 Grundlagen

5.1 MIALinx

5.2 PATRON

5.3 PMP

5.4 ACCESSORS

5.5 AVARE

6 Implementierung

6.1 Evaluation der Teilsysteme

6.2 Privacy-Kontrolle in den Smart Devices

6.3 Privacy-Kontrolle in der IoT-Plattform

6.4 Verteilung der Privacy-Einstellungen

7 Prototyp

7.1 Anwendungsszenario

7.2 Umsetzung im Prototyp

8 Evaluation

8.1 Anforderungsevaluation

8.2 Vergleich mit verwandten Systemen

8.3 Gewährleistung der Privacy

9 Zusammenfassung und Ausblick

Zielsetzung & Themen

Diese Arbeit zielt darauf ab, ein datenschutzfreundliches System namens SPYaware für das Smart-Home-Umfeld zu entwickeln. Die zentrale Forschungsfrage ist, wie private Muster in Datenströmen aus mehreren Quellen verschleiert werden können, während gleichzeitig die nötigen Funktionen (öffentliche Muster) für die Smart-Home-Automatisierung erhalten bleiben, ohne dabei die Servicequalität unzulässig zu mindern.

• Kombination bestehender Systeme (PATRON, PMP/ACCESSORS und MIALinx).
• Entwicklung einer feingranularen Reglementierung für Sensoren und Aktuatoren.
• Konzept zur musterbasierten Verschleierung auf einer IoT-Plattform.
• Zentrale Konfiguration und Verteilung von Privacy-Einstellungen in heterogenen Umgebungen.
• Prototypische Implementierung und Evaluation der Privacy-Gewährleistung.

Auszug aus dem Buch

Zusammenfassung der Kapitel

1 Einleitung: Beschreibt die Risiken privater Daten in vernetzten Smart Homes und legt die Problemstellung für ein neues Privacy-System fest.

2 Anwendungsszenarien und Anforderungen: Leitet aus realitätsnahen Szenarien konkrete Anforderungen an ein datenschutzfreundliches Smart-Home-System ab.

3 Verwandte Arbeiten: Analysiert bestehende Privacy-Mechanismen für Smart Devices und Datenstromsysteme.

4 Konzept: Stellt das Design von SPYaware, seine fünf Schichten und die Art der Privacy-Kontrolle vor.

5 Grundlagen: Führt die bestehenden Systeme (MIALinx, PATRON, PMP, ACCESSORS, AVARE) ein, die als Basis für SPYaware dienen.

6 Implementierung: Beschreibt die methodische Zusammenführung der Teilsysteme zur Realisierung von SPYaware.

7 Prototyp: Dokumentiert die technische Umsetzung und das Anwendungsbeispiel zur Demonstration des Konzepts.

8 Evaluation: Bewertet die Ergebnisse hinsichtlich der Anforderungen und der Privacy-Gewährleistung.

9 Zusammenfassung und Ausblick: Fasst die zentralen Ergebnisse zusammen und zeigt zukünftiges Forschungspotenzial auf.

Schlüsselwörter

Smart Home, Privacy, Datenschutz, IoT, Datenstromsysteme, PATRON, PMP, ACCESSORS, MIALinx, AVARE, Musterverschleierung, Zugriffssteuerung, Sensor, Aktuator, Datenminimierung

Häufig gestellte Fragen

Was ist das grundlegende Ziel dieser Arbeit?

Das Ziel ist die Entwicklung von SPYaware, einer datenschutzfreundlichen Ausführungsumgebung für Smart-Home-Dienste, welche die PMP/ACCESSORS-Systeme mit PATRON kombiniert.

Welche Herausforderungen bestehen beim Datenschutz im Smart Home?

Private Daten werden durch die Kombination vieler Sensordaten missbrauchbar, wobei aktuelle Systeme entweder zu restriktiv oder für Smart Homes ungeeignet sind.

Wie unterscheidet sich SPYaware von bestehenden Systemen wie THOR?

Im Gegensatz zu vielen anderen Ansätzen reglementiert SPYaware sowohl Sensoren als auch Aktuatoren und ist speziell auf Nicht-Fachleute im Smart-Home-Umfeld zugeschnitten.

Welche wissenschaftliche Methode wird zur Verschleierung von Mustern verwendet?

Es wird eine musterbasierte Verschleierung eingesetzt, die unter anderem auf Techniken wie Blockieren, Vertauschen und Verändern setzt, gesteuert durch eine Qualitätsmetrik.

Wie wird die Konfiguration der Privacy-Regeln verwaltet?

Die Konfiguration erfolgt zentral auf der IoT-Plattform, wobei die Einstellungen ähnlich wie bei AVARE auf die verschiedenen Smart Devices verteilt werden.

Was charakterisiert die Konfiguration in SPYaware?

Sie zeichnet sich durch Datenzentriertheit aus, sodass der Nutzer festlegen kann, welche Daten er schützen will, ohne die technischen Details der Sensoren kennen zu müssen.

Wie wird die Einhaltung der Regeln im Prototyp verifiziert?

Der Prototyp nutzt Simulationsmodi (maximale Privacy, maximale Servicequalität, situationsabhängig), um die Effektivität der Verschleierung zu messen und zu vergleichen.

Welche Rolle spielt die "Situationsabhängige Verschleierung"?

Dies ist ein hybrider Ansatz, der versucht, ein optimales Gleichgewicht zwischen dem Schutz der Privatsphäre und der benötigten Servicequalität der Anwendung zu finden.

Was passiert, wenn ein Smart Device zeitweise nicht mit der IoT-Plattform kommunizieren kann?

SPYaware ist so konzipiert, dass Änderungen an Privacy-Einstellungen auf der Plattform zwischengespeichert und übertragen werden, sobald das Gerät wieder erreichbar ist.