Secure Multi-Party Computation
Ein kryptografisches Protokoll, bei dem mehrere Parteien gemeinsam eine Funktion berechnen, ohne ihre jeweiligen Eingabedaten den anderen preiszugeben.
SMPC ermöglicht gemeinsame Berechnungen zwischen Parteien, ohne dass jemand die Rohdaten der anderen sieht – ideal für datenschutzkonforme Cross-Company-Analytics.
Erklärung
Jede Partei besitzt private Daten. Durch Secret Sharing oder Garbled Circuits wird die Berechnung so aufgeteilt, dass niemand die vollständigen Daten sieht. Nur das Ergebnis wird offengelegt.
Relevanz für Marketing
Ermöglicht gemeinsame Marketing-Analytics zwischen Unternehmen ohne Rohdatenaustausch: Conversion-Matching, Cross-Company-Insights, regulierte Datenräume.
Beispiel
Zwei Werbenetzwerke berechnen gemeinsam Conversion-Attribution, ohne ihre Nutzerdaten zu teilen. Jedes sieht nur das aggregierte Ergebnis, nie die Daten des anderen.
Häufige Fallstricke
Hoher Communication Overhead. Skaliert schlecht mit vielen Parteien. Komplexe Protokoll-Implementierung. Kolludierende Parteien können Sicherheit brechen.
Entstehung & Geschichte
Andrew Yao stellte 1982 das "Millionaires Problem" und Garbled Circuits vor. Secret Sharing geht auf Shamir (1979) zurück. Heute nutzen Meta (Private Lift), Google (Private Join) und Apple MPC für Privacy-Preserving Analytics.
Abgrenzung & Vergleiche
Secure Multi-Party Computation vs. Homomorphic Encryption
HE erlaubt einem Server Berechnungen auf verschlüsselten Daten; SMPC verteilt die Berechnung auf mehrere gleichberechtigte Parteien.
Secure Multi-Party Computation vs. Federated Learning
Federated Learning trainiert Modelle dezentral; SMPC ermöglicht beliebige gemeinsame Berechnungen ohne Datenoffenlegung.