Synthetische Daten: Sicherheit und Datenschutz

Wie synthetische Daten entstehen

Grundlage ist fast immer ein echter Ausgangsdatensatz. Aus ihm lernt ein Generator die Verteilungen und Zusammenhänge und erzeugt anschließend neue Datensätze. Gängige Ansätze sind:

• Statistische Verfahren: Verteilungen und Korrelationen werden modelliert und neu gezogen, etwa mit Bayes-Netzen oder Copulas. Gut nachvollziehbar, aber begrenzt bei komplexen Zusammenhängen.
• Generative Modelle: Generative Adversarial Networks (GANs), Variational Autoencoders und Diffusionsmodelle erzeugen realistische Tabellen, Bilder oder Zeitreihen.
• Sprachmodelle: Große Sprachmodelle erzeugen synthetische Texte, Dialoge oder Beispieldokumente, etwa für das Training von Klassifikatoren.
• Regelbasierte Testdaten: Für Softwaretests werden Daten oft ganz ohne Vorlage nach Formatregeln erzeugt. Sie sind unkritisch, aber wenig realistisch.

Typische Einsatzfelder

Im Mittelstand sind vor allem drei Szenarien relevant: Test- und Entwicklungsumgebungen, in denen bislang Kopien von Produktivdaten liegen; KI-Projekte, in denen echte Daten knapp, unausgewogen oder sensibel sind; und die Weitergabe von Daten an Dienstleister oder Forschungspartner. Gerade der erste Punkt ist sicherheitsrelevant, denn Testsysteme sind meist schwächer geschützt als die Produktion.

Sicherheits- und Datenschutzrisiken

Rückschlüsse auf echte Personen

Generative Modelle können Trainingsdatensätze auswendig lernen und nahezu identisch reproduzieren. Besonders gefährdet sind Ausreißer: Ein Mitarbeiter mit ungewöhnlichem Gehalt oder ein Patient mit seltener Diagnose ist auch in synthetischen Daten oft erkennbar. Membership-Inference-Angriffe können zudem zeigen, ob eine Person im Ausgangsdatensatz enthalten war, und Attributangriffe leiten fehlende Merkmale einer bekannten Person ab.

Qualitäts- und Verzerrungsrisiken

Synthetische Daten übernehmen Verzerrungen (Bias) des Ausgangsdatensatzes und können sie verstärken. Seltene, aber wichtige Fälle – etwa Betrugsmuster oder Fehlerbilder – werden womöglich nicht korrekt abgebildet. Modelle, die vor allem mit synthetischen Daten trainiert werden, können in der Realität schlechter funktionieren. Wenn generative Modelle wiederholt mit eigenen Ausgaben trainiert werden, droht ein schleichender Qualitätsverlust, der als Modellkollaps (Model Collapse) beschrieben wird.

Manipulation der Datenpipeline

Der Generator und seine Konfiguration sind ein Angriffsziel. Wer ihn manipuliert, kann gezielt verfälschte Daten in viele nachgelagerte Modelle einschleusen – eine Form der Datenvergiftung (Data Poisoning), die schwer zu erkennen ist, weil synthetische Daten ohnehin „künstlich“ aussehen dürfen.

Datenschutzrechtliche Einordnung

Die Erzeugung synthetischer Daten aus personenbezogenen Ausgangsdaten ist selbst eine Verarbeitung im Sinne der DSGVO und braucht eine Rechtsgrundlage nach Art. 6. Die Ergebnisdaten fallen nur dann nicht mehr unter die DSGVO, wenn eine Identifizierung mit vernünftigerweise einsetzbaren Mitteln nicht mehr möglich ist (Erwägungsgrund 26). Das muss begründet und dokumentiert werden; die Bezeichnung „synthetisch“ allein reicht nicht. Der EU AI Act (Verordnung (EU) 2024/1689) nennt synthetische und anonymisierte Daten ausdrücklich als vorrangige Alternative, bevor besondere Kategorien personenbezogener Daten zur Erkennung und Korrektur von Verzerrungen verarbeitet werden dürfen. Seit dem Digital Omnibus (in Kraft seit 27. Juli 2026) gilt diese Rechtsgrundlage nicht mehr nur für Hochrisiko-KI, sondern unter strengen Erforderlichkeitsvoraussetzungen für alle KI-Systeme und KI-Modelle mit allgemeinem Verwendungszweck.

Vorgehen in der Praxis

1. Zweck festlegen: Für Funktionstests genügen oft regelbasierte Daten ohne Vorlage. Realitätsnahe Synthese ist nur nötig, wenn statistische Eigenschaften wirklich gebraucht werden.
2. Ausgangsdaten minimieren: Direkte Identifikatoren und nicht benötigte Merkmale vor der Synthese entfernen.
3. Datenschutz im Verfahren verankern: Generatoren mit Differential Privacy begrenzen nachweisbar, wie stark einzelne Datensätze das Ergebnis beeinflussen.
4. Privatsphäre messen: Prüfen Sie den Abstand synthetischer Datensätze zum nächsten echten Datensatz, suchen Sie nach Duplikaten und führen Sie Membership-Inference-Tests durch.
5. Nutzen messen: Vergleichen Sie Verteilungen und die Leistung von Modellen, die mit synthetischen Daten trainiert und an echten Daten getestet werden.
6. Generator absichern: Zugriff auf Ausgangsdaten, Generatormodell und Konfiguration beschränken und Änderungen protokollieren. Das Generatormodell selbst kann personenbezogene Informationen enthalten.

Fazit

Synthetische Daten können das Risiko von Datenabflüssen deutlich senken, vor allem in Test- und Entwicklungsumgebungen. Sie sind aber nicht automatisch anonym und brauchen eine nachvollziehbare Prüfung von Datenschutz und Qualität. SecTepe unterstützt bei der Risikobewertung solcher Vorhaben im Rahmen von ISMS und Datenschutz-Folgenabschätzung.

Häufige Fragen

Darf ich synthetische Daten frei weitergeben?

Nur wenn nachgewiesen ist, dass keine Rückschlüsse auf reale Personen oder Geschäftsgeheimnisse möglich sind. Ohne diese Prüfung sollten sie wie die Ausgangsdaten behandelt werden.

Ersetzen synthetische Daten eine Anonymisierung?

Sie sind eine mögliche Anonymisierungstechnik, keine Garantie. Die Bewertung erfolgt nach denselben Kriterien wie bei anderen Anonymisierungsverfahren.