Mit Confidential Computing können Sie gemeinsam an sensiblen Daten arbeiten, KI-Modelle trainieren und föderierte Lernarbeitslasten ausführen, während die Daten im Arbeitsspeicher verschlüsselt bleiben. In diesem Dokument werden Branchenanwendungsfälle und Referenzarchitekturen für Confidential Analytics, KI und föderiertes Lernen in Google Cloudbeschrieben.
Anwendungsfälle
In den folgenden Abschnitten finden Sie Beispiele für Confidential Computing-Anwendungsfälle in verschiedenen Branchen.
Gesundheitswesen und Biowissenschaften
Confidential Computing ermöglicht die sichere Weitergabe und Analyse von Daten über Organisationen hinweg und trägt gleichzeitig zum Schutz der Privatsphäre von Patienten bei. Mit Confidential Computing können Gesundheitsorganisationen an gemeinsamer Forschung, Krankheitsmodellierung, Arzneimittelforschung und personalisierten Behandlungsplänen teilnehmen.
In der folgenden Tabelle werden einige Anwendungsbeispiele für Confidential Computing im Gesundheitswesen beschrieben.
| Anwendungsfall | Beschreibung |
|---|---|
| Vorhersage und Früherkennung von Krankheiten | Krankenhäuser trainieren ein föderiertes Lernmodell, um Krebsläsionen anhand medizinischer Bilddaten (z. B. MRT- oder CT-Scans in mehreren Krankenhäusern oder Krankenhausregionen) zu erkennen und gleichzeitig die Vertraulichkeit der Patientendaten zu wahren. |
| Patientenüberwachung in Echtzeit | Gesundheitsdienstleister analysieren Daten von tragbaren Gesundheitsgeräten und mobilen Gesundheits-Apps für Echtzeit-Monitoring und -Benachrichtigungen. Wearables erfassen beispielsweise Daten zu Glukosewerten, körperlicher Aktivität und Ernährungsgewohnheiten, um personalisierte Empfehlungen und frühzeitige Warnungen bei Blutzuckerschwankungen zu geben. |
| Gemeinsame Arzneimittelentwicklung und klinische Studien | Pharmaunternehmen und Forschungskrankenhäuser bündeln Daten aus klinischen Studien, Genomsequenzen und Molekülstrukturen, um Therapien zu entwickeln und Arzneimittelinteraktionen zu modellieren. |
| Autonome klinische Dokumentation und medizinische Transkription | KI-Assistenten erfassen Gespräche zwischen Klinikern und Patienten, um klinische Zusammenfassungen zu erstellen, elektronische Gesundheitsdaten zu aktualisieren und Abrechnungscodes vorzuschlagen. |
| Multiinstitutionelle Bewertung und Benchmarking von medizinischer KI | Gesundheitseinrichtungen und Forschungskonsortien validieren proprietäre Diagnosemodelle für verschiedene, globale Patientengruppen, ohne klinische Rohdaten zu verschieben oder offenzulegen. |
Finanzdienstleistungen
Mit Confidential Computing können Finanzinstitute ein sichereres und widerstandsfähigeres Finanzsystem schaffen.
In der folgenden Tabelle werden einige Beispiele für die Verwendung von Confidential Computing im Finanzdienstleistungsbereich beschrieben.
| Anwendungsfall | Beschreibung |
|---|---|
| Betrugserkennung und Anti-Money Laundering (AML) | Mehrere Finanzinstitute teilen vertrauliche Transaktionsabläufe und Betrugsindikatoren, um Modelle für maschinelles Lernen zu trainieren oder Analyse-Agents bereitzustellen. Anhand dieser erhobenen Daten können Institute grenzüberschreitende Geldwäsche-Syndikate und Zahlungsbetrug erkennen, ohne dass Kontonummern von Kunden oder proprietäre Transaktionsdaten an Mitbewerber weitergegeben werden. |
| Kreditrisikobewertung und Underwriting | Kreditgeber bewerten Kreditanträge von Unternehmen oder Privatpersonen, indem sie sensible, nicht traditionelle Finanzdaten (z. B. Echtzeitzahlungen für Versorgungsleistungen) analysieren, ohne diese Daten externen Parteien offenzulegen. Wenn automatisierte Underwriting-Agenten in einer vertrauenswürdigen Ausführungsumgebung (Trusted Execution Environment, TEE) ausgeführt werden, können die Finanzunterlagen eines Antragstellers und die proprietären Risikobewertungsalgorithmen der Bank während der Bewertung isoliert werden. |
| Automatisierte Finanzanalyse und Berichterstellung | Autonome KI-Agenten durchsuchen interne Unternehmensbücher, Anlageportfolios und wesentliche nicht öffentliche Informationen (MNPI), um Due-Diligence-Memos, Prüfberichte und behördliche Einreichungen vorzubereiten. |
Öffentlicher Sektor
Mit Confidential Computing können Behörden transparentere, effizientere und effektivere Dienste erstellen und gleichzeitig die Kontrolle und Souveränität über ihre Daten behalten.
In der folgenden Tabelle werden einige Anwendungsbeispiele für Confidential Computing im öffentlichen Sektor beschrieben.
| Anwendungsfall | Beschreibung |
|---|---|
| Vertrauliche Analysen für mehrere Behörden | Confidential Computing ermöglicht die Datenanalyse durch mehrere Parteien über mehrere Behörden (z. B. Gesundheit, Steuern und Bildung) oder über mehrere Regierungen in verschiedenen Regionen oder Ländern hinweg. Confidential Computing trägt dazu bei, dass Vertrauensgrenzen und Datenschutz gewahrt bleiben, während gleichzeitig Datenanalysen (durch Schutz vor Datenverlust, umfangreiche Analysen und Policy Engines) sowie KI-Training und -Bereitstellung ermöglicht werden. |
| Behördenübergreifende Ermittlungsanalysen und Informationsaustausch | Verschiedene Behörden (z. B. Steuer-, Strafverfolgungs- und Zollbehörden) verwenden Confidential Space, um gemeinsame Datenanalysen durchzuführen. Behörden können Steuererklärungen, Reiselisten und Finanzunterlagen abgleichen, um Betrug oder Bedrohungen der nationalen Sicherheit zu erkennen, ohne Rohdaten oder vertrauliche Datenbanken über Zuständigkeitsgrenzen hinweg weiterzugeben. |
| Überprüfung der digitalen Identität und der Anmeldedaten von Bürgern | Öffentliche Behörden und Identitätsplattformen überprüfen offizielle biometrische Reisepässe und Personalausweise, ohne personenbezogene Daten von Bürgern zu speichern oder offenzulegen. Bürger können bestimmte Attribute (z. B. Staatsangehörigkeit, Wohnsitz oder Altersberechtigung) kryptografisch nachweisen, während die Rohdaten des Reisepasses und die biometrischen Signaturen im Arbeitsspeicher verschlüsselt bleiben und nach der Erstellung des Nachweises gelöscht werden. |
Lieferkette
Mit Confidential Computing können Unternehmen, die Lieferketten und Nachhaltigkeitsprogramme verwalten, zusammenarbeiten und Informationen austauschen, während gleichzeitig der Datenschutz gewahrt bleibt.
In der folgenden Tabelle werden einige Anwendungsbeispiele für Confidential Computing in Lieferketten beschrieben.
| Anwendungsfall | Beschreibung |
|---|---|
| Autonome Logistik und Versandorchestrierung mit mehreren Parteien | Unternehmen setzen autonome KI-Agenten ein, um Versandkostenpauschalen auszuhandeln, Containerübergaben zu koordinieren und Fracht bei Transportstörungen mit externen Spediteuren umzuleiten. Wenn Sie diese Logistik-Agents in einer Confidential VM-Instanz ausführen, können Sie aktive Frachtbriefe, Preisvereinbarungen mit Transportunternehmen und API-Anmeldedaten von Transportunternehmen davor schützen, im Arbeitsspeicher für andere Cloud-Mandanten offengelegt zu werden. |
| Anomalieerkennung in der Lieferkette und Routenoptimierung in Echtzeit | KI-Agenten verarbeiten Echtzeit-Telemetriedaten (z. B. GPS-Transitprotokolle, Sensoren an Lagertoren und Wetterwarnungen), um Versandrouten zu optimieren. Durch die Verarbeitung dieser sensiblen Betriebstelemetrie in Confidential Space können Hersteller und Distributoren automatisierte Algorithmen zur Routenänderung ausführen, ohne proprietäre Fabrikkapazitäten oder Engpass-Sicherheitslücken für externe Parteien offenzulegen. |
| Automatisierte Zoll-Compliance und Handelsdokumentation | KI-Agenten verarbeiten hochwertige Handelsrechnungen, Frachtbriefe und Zollerklärungen, um die Einhaltung von Grenzbestimmungen zu automatisieren. Durch die Isolierung dieser Agenten zum Parsen von Dokumenten in einer TEE werden sensible Geschäftsgeheimnisse geschützt, während sie extrahiert und mit Zolldatenbanken abgeglichen werden. |
Digitale Werbung
Anstelle von Drittanbieter-Cookies werden in der digitalen Werbung zunehmend datenschutzfreundliche Alternativen verwendet, bei denen TEEs eingesetzt werden, um Werbeunternehmen bei der Verarbeitung ihrer Daten in einer sicheren Umgebung zu unterstützen. Google Ads verwendet beispielsweise Confidential Computing, um selbst erhobene Daten beim Ausführen von Kampagnen zu schützen.
Sie können TEEs in den folgenden Anwendungsfällen für digitale Werbung verwenden:
- Abgleichsalgorithmen: Finden von Übereinstimmungen oder Beziehungen innerhalb von Datasets.
- Attribution: Auswirkungen oder Ereignisse auf ihre wahrscheinlichen Ursachen zurückführen.
- Aggregation: Berechnen von Zusammenfassungen oder Statistiken aus den Rohdaten.
Referenzarchitekturen
Sie können Confidential Computing in Google Cloud für die folgenden Anwendungsfälle implementieren:
- Confidential Analytics
- Confidential AI
- Vertrauliches föderiertes Lernen
In den folgenden Abschnitten finden Sie weitere Informationen zur Architektur für diese Anwendungsfälle, einschließlich Beispielen für Finanz- und Gesundheitsunternehmen.
Architektur für vertrauliche Analysen für Gesundheitseinrichtungen
Die Architektur für Confidential Analytics zeigt, wie mehrere Gesundheitseinrichtungen (z. B. Gesundheitsdienstleister, biopharmazeutische Unternehmen und Forschungseinrichtungen) zusammenarbeiten können, um die Arzneimittelforschung zu beschleunigen. In dieser Architektur werden Confidential Computing-Techniken verwendet, um einen digitalen Daten-Cleanroom für die Ausführung vertraulicher kollaborativer Analysen zu erstellen.
Diese Architektur bietet folgende Vorteile:
- Erweiterte Insights: Durch kollaborative Analysen können Gesundheitsorganisationen umfassendere Insights gewinnen und die Produkteinführungszeit für die verbesserte Arzneimittelforschung verkürzen.
- Datenschutz: Sensible Patienten- und klinische Studiendaten bleiben bei der Übertragung, im Ruhezustand und im Arbeitsspeicher verschlüsselt und werden anderen Teilnehmern oder dem Cloud-Anbieter nicht im Klartext angezeigt.
- Einhaltung regulatorischer Anforderungen: Die Architektur hilft Gesundheitseinrichtungen, Datenschutzbestimmungen einzuhalten, da sie die Kontrolle über ihre Daten behalten.
- Vertrauen und Zusammenarbeit: Die Architektur ermöglicht eine sichere Zusammenarbeit zwischen konkurrierenden Institutionen und fördert so die gemeinsame Entwicklung von Medikamenten.
Das folgende Diagramm zeigt diese Architektur.
Zu den wichtigsten Komponenten dieser Architektur gehören:
- Confidential Space-Arbeitslast (TEE): Eine sichere, isolierte Umgebung, in der Daten und Code innerhalb der TEE vor unbefugtem Zugriff geschützt sind, auch vor dem zugrunde liegenden Betriebssystem oder Cloud-Anbieter.
- Kooperationspartner: Jede teilnehmende Gesundheitseinrichtung hat eine lokale Umgebung, die als Vermittler zwischen den privaten Daten der Einrichtung und der TEE fungiert.
- Anbieterspezifische verschlüsselte Daten: Jede Gesundheitseinrichtung speichert ihre eigenen privaten, verschlüsselten Patientendaten, einschließlich elektronischer Gesundheitsdaten. Jeder Anbieter gibt seine Daten (und den Zugriff auf Entschlüsselungsschlüssel) erst dann an die TEE frei, wenn die Attestierungsansprüche der TEE-Arbeitslast validiert wurden. Die Daten werden nur innerhalb der attestierten TEE während der Verarbeitung entschlüsselt und bleiben im Speicher verschlüsselt.
- Analyseclient: Teilnehmende Gesundheitseinrichtungen können vertrauliche Abfragen für ihre Daten ausführen, um Informationen zu erhalten.
Vertrauliche KI-Architektur für Finanzinstitute
Dieses Architekturmuster zeigt, wie Finanzinstitute gemeinsam ein Betrugserkennungsmodell trainieren können, während sie Betrugslabels verwenden, um die Vertraulichkeit ihrer sensiblen Transaktionsdaten zu wahren. Die Architektur verwendet Confidential Computing-Techniken, um sicheres Machine Learning mit mehreren Parteien zu ermöglichen.
Diese Architektur bietet folgende Vorteile:
- Verbesserte Betrugserkennung: Beim kollaborativen Training wird ein größerer, vielfältigerer Datensatz verwendet, was zu einem genaueren und effektiveren Modell zur Betrugserkennung führt.
- Datenschutz: Sensible Transaktionsdaten bleiben bei der Übertragung, im Ruhezustand und im Arbeitsspeicher verschlüsselt und werden anderen Teilnehmern oder dem Cloud-Anbieter nicht im Klartext angezeigt.
- Einhaltung regulatorischer Anforderungen: Die Architektur hilft Finanzinstituten, Datenschutzbestimmungen einzuhalten, indem sie eine strenge Kontrolle über ihre Daten behalten.
- Vertrauen und Zusammenarbeit: Diese Architektur ermöglicht eine sichere Zusammenarbeit zwischen konkurrierenden Institutionen und fördert so die gemeinsame Bekämpfung von Finanzbetrug.
Das folgende Diagramm zeigt diese Architektur.
Die wichtigsten Komponenten dieser Architektur sind:
- Confidential Space-Arbeitslast (TEE): Eine sichere, isolierte Umgebung, in der Daten und Code innerhalb der TEE vor unbefugtem Zugriff geschützt sind, auch vor dem zugrunde liegenden Betriebssystem oder Cloud-Anbieter.
- Kollaborationspartner: Jedes teilnehmende Finanzinstitut hat eine lokale Umgebung, die als Vermittler zwischen den privaten Daten des Instituts und der TEE fungiert.
- Bankspezifische verschlüsselte Daten: Jede Bank hat ihre eigenen privaten, verschlüsselten Transaktionsdaten, die Betrugs-Labels enthalten. Jede Bank gibt ihre Daten (und den Zugriff auf Entschlüsselungsschlüssel) erst nach der Validierung der Attestierungsansprüche der TEE-Arbeitslast an die TEE frei. Die Daten werden nur innerhalb der attestierten TEE während der Verarbeitung entschlüsselt und bleiben im Speicher verschlüsselt.
- Proprietäres Modell-Repository: Ein vortrainiertes Modell zur Betrugserkennung, das als Ausgangspunkt für das kollaborative Training dient.
- Globales, auf Betrug trainiertes Modell und Gewichtungen (durch die grünen Pfeile von der TEE zu den einzelnen Banken dargestellt): Das verbesserte Modell zur Betrugserkennung wird zusammen mit den gelernten Gewichtungen sicher an die teilnehmenden Banken zurückgegeben. Anschließend können sie dieses verbesserte Modell lokal zur Betrugserkennung bei ihren eigenen Transaktionen bereitstellen.
Architektur für vertrauliches föderiertes Lernen für Finanzinstitute
Föderiertes Lernen bietet eine fortschrittliche Lösung für Kunden, die Wert auf strengen Datenschutz und Datenhoheit legen. Die Architektur für vertrauliches föderiertes Lernen bietet eine sichere, skalierbare und effiziente Möglichkeit, Daten für KI-Anwendungen zu verwenden. Bei dieser Architektur werden die Modelle an den Ort gebracht, an dem die Daten gespeichert sind, anstatt die Daten an einem einzigen Ort zu zentralisieren. Dadurch werden die Risiken im Zusammenhang mit Datenlecks reduziert.
Dieses Architekturmuster zeigt, wie mehrere Finanzinstitute gemeinsam ein Betrugserkennungsmodell trainieren können, während die Vertraulichkeit ihrer sensiblen Transaktionsdaten mit Betrugslabels gewahrt bleibt. Dabei werden föderiertes Lernen und Confidential Computing-Techniken verwendet, um sicheres Machine Learning mit mehreren Parteien ohne Verschiebung von Trainingsdaten zu ermöglichen.
Diese Architektur bietet folgende Vorteile:
- Verbesserter Datenschutz und erhöhte Sicherheit: Föderiertes Lernen ermöglicht Datenschutz und Datenlokalität, da sensible Daten an jedem Standort verbleiben. Darüber hinaus können Finanzinstitute datenschutzfreundliche Verfahren wie homomorphe Verschlüsselung und Differential Privacy-Filter verwenden, um übertragene Daten (z. B. Modellgewichtungen) zusätzlich zu schützen.
- Verbesserte Genauigkeit und Vielfalt: Durch das Training mit einer Vielzahl von Datenquellen von verschiedenen Clients können Finanzinstitute ein robustes und generalisierbares globales Modell entwickeln, um heterogene Datasets besser darzustellen.
- Skalierbarkeit und Netzwerkeffizienz: Da das Training am Edge durchgeführt werden kann, können Institutionen das föderierte Lernen global skalieren. Außerdem müssen die Institutionen nur die Modellgewichtungen und nicht die gesamten Datasets übertragen, was eine effiziente Nutzung der Netzwerkressourcen ermöglicht.
Das folgende Diagramm zeigt diese Architektur.
Die wichtigsten Komponenten dieser Architektur sind:
- Föderierter Server im TEE-Cluster: Eine sichere, isolierte Umgebung, in der der Server für föderiertes Lernen die Zusammenarbeit mehrerer Clients orchestriert. Dazu sendet er zuerst ein Ausgangsmodell an die Clients für föderiertes Lernen. Die Clients trainieren mit ihren lokalen Datasets und senden die Modellaktualisierungen dann an den Server für föderiertes Lernen zurück, um sie zu einem globalen Modell zu aggregieren.
- Repository für föderiertes Lernen: Ein vortrainiertes Modell zur Betrugserkennung, das als Ausgangspunkt für föderiertes Lernen dient.
- Lokale Anwendungsinferenz-Engine: Eine Anwendung, die Aufgaben ausführt, lokale Berechnungen und Lernvorgänge mit lokalen Datasets durchführt und die Ergebnisse zur sicheren Aggregation an den Server für föderiertes Lernen zurücksendet.
- Lokale private Daten: Jede Bank hat ihre eigenen privaten, verschlüsselten Transaktionsdaten, die Betrugs-Labels enthalten. Diese Rohdaten werden ausschließlich lokal gespeichert, was zum Schutz der Daten beiträgt.
- Protokoll für sichere Aggregation (gepunktete blaue Pfeile von jeder Bank zum TEE-Cluster): Der Server für föderiertes Lernen muss nicht auf die Aktualisierung einer einzelnen Bank zugreifen, um das Modell zu trainieren. Der Server benötigt nur die elementweisen gewichteten Durchschnittswerte der Aktualisierungsvektoren, die aus einer zufälligen Teilmenge von Banken oder Websites stammen. Durch die Verwendung eines sicheren Aggregationsprotokolls zur Berechnung dieser gewichteten Durchschnittswerte erfährt der Server nur die aggregierten Modellaktualisierungen aus der ausgewählten Teilmenge und nicht, welche spezifische Bank eine bestimmte Aktualisierung beigetragen hat. Dieser Ansatz trägt dazu bei, die Privatsphäre jedes Teilnehmers am föderierten Lernprozess zu schützen.
- Globales, auf Betrugserkennung trainiertes Modell und aggregierte Gewichtungen (dargestellt durch die grünen Pfeile, die vom TEE-Cluster zu den einzelnen Banken zeigen): Das verbesserte Betrugserkennungsmodell wird zusammen mit den gelernten Gewichtungen sicher an die teilnehmenden Banken zurückgesendet. Die Banken können dieses verbesserte Modell dann lokal zur Betrugserkennung bei ihren eigenen Transaktionen bereitstellen.