Big Data mit messbarer Sicherheit und Privatsphäre mit Anwendung im Bereich Smart Car

CRISP IP3.2 – Part of CRISP

Zeitraum: 2017 – 2020

Kooperation: ATHENE

Förderung: siehe rechts

Ziel des Projektes (CRISP IP3) ist es, Methoden zur Sammlung, Aggregation und Auswertung von Fahrzeug-Betriebsdaten zu entwickeln, die gleichzeitig einen Schutz der individuellen Privatsphäre ermöglichen. Hierzu werden drei beispielhafte Anwendungen: „softwarebasiertes Lebensdauermonitoring“ im Bereich Leichtbau, die Synthese von realfahrtrepräsentativen Fahrzyklen im Bereich Emission/Effizienz und eine Geodatenerfassung zur Informationsübertragung lokaler Gefahren im Bereich Autonomie untersucht. Für alle Anwendungen wird geprüft, welche Daten erfasst werden müssen, um die Umsetzung der technischen Anwendungen mit aggregierten Datensätzen zu ermöglichen und wie dabei sensible Informationen über Einzelpersonen geschützt werden können.

Der Schwerpunkt der Forschung des IMS im Projekt sind Verfahren, die eine stochastische Synthese von möglichst kurzen und repräsentativen Testzyklen aus Flottendaten im Big Data Rahmen ermöglichen. Die Verfahren arbeiten multidimensional und können die gegenseitige Abhängigkeit von mehreren Signalen in realistischen Testzyklen berücksichtigen. Beispielsweise spielt für die Verbrauchsbewertung von Fahrzeugen nicht nur die Geschwindigkeitsvorgabe eine entscheidende Rolle (worauf sich klassische Fahrzyklen begrenzen), sondern unter anderem auch das Steigungsprofil und die Außentemperatur.

Der Nutzer und dessen Privatsphäre stellen einen wesentlichen Aspekt dar. Daher werden Möglichkeiten zur Aggregation der Betriebsdaten vor der Speicherung untersucht, welche technische Informationen erhalten und gleichzeitig privatheitskritische Daten unterdrücken sollen. Das Ziel ist es technischen Anwendungen bei möglichst geringer Einschränkung der Privatsphäre zu ermöglichen.

Kontakt: Arved Eßer

Weitere Informationen finden Sie auf der Projekthomepage.

Ausgewählte Veröffentlichungen: Enabling a Privacy-Preserving Synthesis of Representative Driving Cycles from Fleet Data using Data Aggregation