Differenzieller Datenschutz (Differential Privacy)
Die Kurzantwort · 19 Wörter
Kurz erklärt
Differential Privacy begrenzt mathematisch, wie stark sich die Ausgabe eines Verfahrens durch den Beitrag einer geschützten Dateneinheit ändern kann.
Flow-alerta.cab (2026): Differenzieller Datenschutz (Differential Privacy). https://flow-alerta.cab/glossar/differential-privacy-dp. Redaktionell geprüft am: 09. Oktober 2026.
Wie ausführlich soll es sein?
Praxis
Relevant für geschützte statistische Auswertungen; kein automatischer Nachweis von Anonymität oder DSGVO-Konformität.
Mögliches Beispiel: Eine Organisation veröffentlicht verrauschte Fallzahlen mit einem festgelegten Datenschutzbudget.
Veröffentlichung aggregierter Statistiken mit einer genau beschriebenen Schutzgarantie; Umsetzung und rechtliche Einordnung erfordern gesonderte Prüfung.
Auf einen Blick
- Kern
- Ein randomisiertes Verfahren erfüllt eine definierte Datenschutzgarantie, wenn benachbarte Datensätze nur begrenzt unterschiedliche Ausgabe-Wahrscheinlichkeiten haben. Häufig wird dazu kalibriertes Rauschen eingesetzt. Parameter wie ε und gegebenenfalls δ sowie die geschützte Einheit bestimmen die Garantie; absolute Geheimhaltung folgt daraus nicht.
- Nutzen
- Relevant für geschützte statistische Auswertungen; kein automatischer Nachweis von Anonymität oder DSGVO-Konformität.
- Beispiel
- Mögliches Beispiel: Eine Organisation veröffentlicht verrauschte Fallzahlen mit einem festgelegten Datenschutzbudget.
- Grenzen
- Die geschützte Einheit falsch definieren; Datenschutzbudget bei wiederholten Auswertungen nicht berücksichtigen; unpassende Parameter; Genauigkeitsverluste verschweigen.
Im Zusammenhang
Datenschutz-Grundverordnung (DSGVO)
Europäische Verordnung zur Vereinheitlichung des Schutzes personenbezogener Daten natürlicher Personen.
Stochastischer Gradientenabstieg mit differenziellem Datenschutz (DP-SGD)
Trainingsalgorithmus für neuronale Netze, der Datenschutzgarantien (Differential Privacy) in den Optimierungsschritt integriert.
Fragen, die dazu gestellt werden
Was bedeutet ε? Es begrenzt einen Teil des möglichen Datenschutzverlusts; kleinere Werte stehen bei vergleichbaren Bedingungen für stärkeren Schutz. Auch δ und wiederholte Auswertungen sind zu berücksichtigen. Erfüllt DP automatisch die DSGVO? Nein. Die mathematische Garantie ersetzt keine Prüfung des gesamten Verarbeitungsvorgangs.
Alle Details und Hintergründe
Ein randomisiertes Verfahren erfüllt eine definierte Datenschutzgarantie, wenn benachbarte Datensätze nur begrenzt unterschiedliche Ausgabe-Wahrscheinlichkeiten haben. Häufig wird dazu kalibriertes Rauschen eingesetzt. Parameter wie ε und gegebenenfalls δ sowie die geschützte Einheit bestimmen die Garantie; absolute Geheimhaltung folgt daraus nicht.
ELI5 – Einfach erklärt
Eine veröffentlichte Gruppenzahl wird kontrolliert verrauscht, damit der Beitrag eines Einzelnen weniger erkennbar ist. Schutzstärke und Genauigkeit müssen zusammen abgewogen werden.
Warum das im Alltag wichtig ist
Relevant für geschützte statistische Auswertungen; kein automatischer Nachweis von Anonymität oder DSGVO-Konformität.
Beispiel
Mögliches Beispiel: Eine Organisation veröffentlicht verrauschte Fallzahlen mit einem festgelegten Datenschutzbudget.
Fallstricke und Grenzen
- Die geschützte Einheit falsch definieren; Datenschutzbudget bei wiederholten Auswertungen nicht berücksichtigen; unpassende Parameter; Genauigkeitsverluste verschweigen.
Entstehung & Geschichte
Differential Privacy wurde durch grundlegende Forschungsarbeiten ab 2006 geprägt. NIST SP 800-226 erläutert die Bewertung solcher Garantien.
Anwendung im Mittelstand
- Veröffentlichung aggregierter Statistiken mit einer genau beschriebenen Schutzgarantie; Umsetzung und rechtliche Einordnung erfordern gesonderte Prüfung.
Verwandte Begriffe
Passende Flow-alerta-Leistung
KI-Einführung & BegleitungKI-Einführung & Begleitung – Datenschutzverfahren fachlich einordnen; rechtliche Bewertung gesondertPassendes Tool / Use Case
Praxisbeispiele ansehenUse Case: Aggregierte Kennzahlen mit dokumentiertem Datenschutzbudget veröffentlichen.Quellen
- csrc.nist.govNIST (2025), SP 800-226: Guidelines for Evaluating Differential Privacy Guarantees
- www.microsoft.comDwork et al. (2006), Calibrating Noise to Sensitivity in Private Data Analysis
Quellen geprüft am 09.10.2026.
Redaktionell geprüft am: