Wie können digitale Systeme gleichzeitig höchste Sicherheitsstandards erfüllen und dabei die Privatsphäre der Nutzer schützen? Ein neues Framework zeigt einen vielversprechenden Weg auf, der maschinelles Lernen mit modernster Kryptografie verbindet – und dabei ein jahrzehntealtes Problem der Cybersicherheit löst.

Das Dilemma der modernen Authentifizierung

Stellen Sie sich vor, Sie arbeiten in einem Unternehmen mit tausenden von Mitarbeitern, die täglich auf sensible Daten zugreifen. Jeder Nutzer verhält sich anders: Der eine tippt schnell und präzise, die andere bewegt die Maus in charakteristischen Mustern. Diese individuellen Verhaltensmuster sind wie digitale Fingerabdrücke – sie können zur Identitätsverifikation genutzt werden, enthalten aber auch höchst private Informationen über die Person.

Hier liegt das Kernproblem moderner Authentifizierungssysteme: Sie müssen einerseits aus den Verhaltensmustern aller Nutzer lernen, um Angreifer effektiv zu erkennen. Andererseits dürfen sie dabei nicht die Privatsphäre der einzelnen Personen verletzen. Bisherige Ansätze scheiterten oft daran, dass sie entweder unsicher oder datenschutzfeindlich waren – oder beides.

Wenn Daten nicht zusammenpassen: Das Non-IID Problem

Das Problem wird noch komplexer, wenn wir verschiedene Organisationen oder Standorte betrachten. Die Art, wie Menschen in einer Marketingagentur arbeiten, unterscheidet sich grundlegend von der Arbeitsweise in einer Anwaltskanzlei oder einem Krankenhaus. In der Fachsprache nennt man solche Daten “Non-IID” – sie sind weder unabhängig noch identisch verteilt.

Herkömmliche Systeme des verteilten maschinellen Lernens (Federated Learning) haben mit solchen unterschiedlichen Datenverteilungen erhebliche Schwierigkeiten. Sie entwickeln Modelle, die voreingenommen sind und schlecht auf neue Situationen übertragbar sind. Das Ergebnis: Fehlalarme häufen sich, echte Angriffe werden übersehen, und das Sicherheitssystem wird zum Hindernis statt zum Schutz.

Ein mathematisch eleganter Lösungsansatz

Das neu entwickelte FL-RBA2 Framework^[1]Privacy-Preserving Federated Learning Framework
for Risk-Based Adaptive Authentication geht diese Herausforderungen mit einer überraschend eleganten mathematischen Lösung an. Statt zu versuchen, die unterschiedlichen Verhaltensmuster direkt zu harmonisieren, transformiert es sie in sogenannte “Ähnlichkeitsvektoren”.

Diese Transformation funktioniert wie ein universeller Übersetzer: Egal ob jemand hauptsächlich mit Tastatur arbeitet, primär die Maus nutzt oder sich durch bestimmte Kontextmuster auszeichnet – alle diese verschiedenen Verhaltensmuster werden in eine gemeinsame “Sprache” übersetzt. Dabei bleiben die charakteristischen Sicherheitsmerkmale erhalten, aber die störenden Unterschiede zwischen verschiedenen Nutzergruppen werden ausgeglichen.

Schutz auf mehreren Ebenen

FL-RBA2 implementiert einen …