Privacy EnhancingTechnologies.
Privacy Enhancing Technologies ermöglichen Analysen und Zusammenarbeit mit weniger offengelegten Rohdaten. Der Begriff umfasst unterschiedliche Verfahren wie sichere Mehrparteienberechnung, homomorphe Verschlüsselung, Confidential Computing, Differential Privacy, Data Clean Rooms und synthetische Daten. Ein gemeinsames Produktranking wäre deshalb fachlich falsch.
Marktbild: wachsend und technisch heterogen. Sechzehn Werkzeuge werden hier nach dem primären Verfahren eingeordnet. Vergleichbar sind sie erst nach einem klar definierten Datenfluss und Angreifermodell.
Das Verfahren folgt dem Datenproblem.
MPC schützt Eingaben verschiedener Parteien, FHE rechnet auf Chiffretext, Trusted Execution Environments isolieren Verarbeitung in Hardware und Differential Privacy begrenzt Rückschlüsse aus Ergebnissen. Diese Garantien sind nicht gleichwertig.
Prüfe Bedrohungsmodell, welche Partei wem nicht vertraut, Klartextpunkte, Schlüsselkontrolle, Kollusion, Ergebnislecks, statistischen Privacy-Budget-Verbrauch, Hardware-Vertrauen, Nachweisbarkeit, Datenresidenz, Performance, unterstützte Analysen und Exit.
Sechzehn Werkzeuge im Vergleich.
Der PET-Markt ist nach Technik fragmentiert: Anbieter synthetischer Daten (MOSTLY AI, Tonic.ai, SAS Data Maker, NVIDIA NeMo Safe Synthesizer), Plattformen für Berechnungen auf verschlüsselten Daten mit homomorpher Verschlüsselung, MPC und Trusted Execution Environments (Duality, Enveil), Data Clean Rooms (Decentriq, AWS Clean Rooms) und Confidential-Computing-Dienste der Hyperscaler. Open Source deckt mehrere Verfahren ab: OpenFHE und Microsoft SEAL für homomorphe Verschlüsselung, OpenDP für Differential Privacy, ARX und sdcMicro für Anonymisierung. Das Synthetic Data Vault ist quelloffen einsehbar, steht aber unter der Business Source License (keine OSI-Lizenz). Synthetische Daten konsolidieren in grössere Analytics- und KI-Anbieter: SAS übernahm am 12.11.2024 die wesentlichen Software-Assets von Hazy, NVIDIA übernahm im März 2025 Gretel laut Medienberichten (TechCrunch unter Berufung auf Wired), in den geprüften NVIDIA-Quellen nicht bestätigt; gretel.ai leitet heute auf eine NVIDIA-Seite weiter. Mehrere PET-Spezialisten verschieben ihren Schwerpunkt, so stellt Zama seine homomorphe Verschlüsselung heute vor allem als Protokoll für vertrauliche Blockchain-Anwendungen dar. Mit Decentriq (Zürich) ist ein Schweizer Anbieter vertreten.
DP: Differential Privacy · Synthetisch: synthetische Daten · HE: homomorphe Verschlüsselung · MPC: Multi-Party Computation · CC: Confidential Computing · Pseudonym.: Pseudonymisierung/Anonymisierung. ● = auf offizieller Hersteller- oder Projektseite beschrieben, – = nicht belegt (nicht zwingend nicht vorhanden). Auswahl nicht abschliessend, keine Rangliste. Stand: Oktober 2026.
MOSTLY AI Synthetic Data Platform und SDK
MOSTLY AI
Erzeugt synthetische Datensätze, die reale Daten nachbilden, ohne sensible Informationen offenzulegen.
Das SDK bietet laut MOSTLY AI eingebaute Differential Privacy.
SDK als Open-Source-Projekt unter Apache-2.0-Lizenz.
Bereitstellung auf Kubernetes oder OpenShift; SaaS-Angebot auf der Startseite nicht beschrieben.
Synthetische Daten mit Differential Privacy und quelloffenem SDK für Eigenbetrieb.
Deckt nur synthetische Daten ab; Firmensitz und SaaS-Variante auf der Startseite nicht genannt.
Tonic.ai (Synthetische Daten und De-Identifizierung)
Tonic.ai
Realistische synthetische Daten für Entwicklung, Test und KI-Training, aus Produktionsdaten modelliert oder neu erzeugt.
Entfernt identifizierende Angaben aus strukturierten und unstrukturierten Daten (Maskierung/De-Identifizierung).
Einsatz in Entwicklungs- und Testumgebungen sowie für KI-Trainingsdaten.
Cloud-gehostete Version und On-Premises-Betrieb im Container werden auf der Startseite (Kundenaussagen) genannt.
Kombination aus synthetischen Daten und De-Identifizierung für strukturierte und unstrukturierte Daten.
Differential Privacy auf der Startseite nicht genannt; Betriebsangaben nur aus Kundenzitaten.
SAS Data Maker
SAS Institute
Erzeugung synthetischer Daten, die statistische Muster abbilden, ohne private oder identifizierbare Informationen offenzulegen.
Synthetische Daten ersetzen Originaldaten; Differential Privacy in der Mitteilung nicht genannt.
Technologie von Hazy wird in SAS Data Maker integriert.
SAS gab die Übernahme der wesentlichen Software-Assets von Hazy am 12.11.2024 bekannt.
Synthetische Daten innerhalb einer etablierten Analytics-Plattform.
Belegt nur über Pressemitteilung; Produktseite, Betriebsmodell und Schutzverfahren nicht geprüft.
NVIDIA NeMo Safe Synthesizer
NVIDIA Corporation
Synthetische Daten für Agenten- und KI-Entwicklung, darunter Text-, Dokument- und strukturierte Daten.
NeMo Safe Synthesizer erzeugt datenschutzfreundliche Versionen sensibler Daten mit Standardkonfigurationen, die auf HIPAA und DSGVO ausgerichtet sind.
Eingebettet in die NeMo-Werkzeuge für KI-Entwicklung, ergänzt um NeMo Data Designer.
Betriebsmodell und Datenstandort auf der Use-Case-Seite nicht beschrieben.
Synthetische Daten direkt in der KI-Entwicklungsumgebung eines grossen Plattformanbieters.
Differential Privacy und Betriebsmodell auf der Seite nicht belegt; Gretel wird auf der NVIDIA-Seite nicht namentlich genannt.
Synthetic Data Vault (SDV)
DataCebo
Tabellarische synthetische Daten für Einzeltabellen, verknüpfte Tabellen und Sequenzen.
Modelle von GaussianCopula bis CTGAN; Anonymisierungsoptionen bei der Vorverarbeitung.
Qualitätsberichte und Vergleich der synthetischen mit den realen Daten.
Business Source License (nicht OSI-Open-Source); SDV Enterprise für lizenzierte Nutzer.
Breit genutzte Python-Bibliothek für synthetische Tabellendaten mit Qualitätsbewertung.
Business Source License statt klassischer Open-Source-Lizenz; Differential Privacy auf den Seiten nicht genannt.
Duality Platform
Duality Technologies
Berechnungen und Analysen auf sensiblen Daten in Drittumgebungen und der Cloud.
Laut Plattformseite homomorphe Verschlüsselung, Differential Privacy, Multiparty Computation, Federated Learning und Trusted Execution Environments.
Partner AWS, Azure und Google; Open Source und Agentic OpenFHE in der Navigation genannt.
Daten bleiben bei Berechnungen verschlüsselt bzw. in geschützten Umgebungen.
Mehrere PET-Verfahren (HE, TEE, Federated Learning) in einer Plattform.
Welches Verfahren je Analysefall eingesetzt wird, ist im Einzelfall zu klären; Leistungsgrenzen von HE je Anwendungsfall prüfen.
Enveil ZeroReveal und Enveil Orbit
Enveil
Verschlüsselte Suchen, Analysen und maschinelles Lernen über verteilte Datenquellen und Organisationsgrenzen hinweg.
Enveil nennt homomorphe Verschlüsselung, sichere Mehrparteienberechnung und Trusted Execution Environments als Grundlage.
Einsatz ohne Umbau bestehender Abläufe und Infrastruktur, etwa für Watchlisting und Analysen mit sensiblen Indikatoren.
Daten bleiben an ihrem Ort und werden nicht verschoben oder repliziert.
Spezialist für verschlüsselte Suche und Analyse über getrennte Datenbestände.
Startseite ordnet die Verfahren nicht einzelnen Produkten zu; Betriebsmodell nicht beschrieben.
Decentriq Data Clean Rooms
Decentriq AG
Data Clean Rooms als sichere Umgebung, in der mehrere Organisationen sensible Daten gemeinsam auswerten.
Clean Rooms auf Basis von Confidential Computing («trustless») sowie homomorphe Verschlüsselung (FAQ).
Zusammenarbeit mehrerer Organisationen ohne gegenseitige Offenlegung der Rohdaten.
Hauptsitz Josefstrasse 219, 8005 Zürich.
Schweizer Anbieter für organisationsübergreifende Auswertungen auf Confidential-Computing-Basis.
Differential Privacy, synthetische Daten und Betriebsmodell auf der Startseite nicht beschrieben; Schwerpunkt Clean-Room-Anwendungsfälle.
AWS Clean Rooms
Amazon Web Services
Clean Rooms für gemeinsame SQL-Analysen und ML-Auswertungen (AWS Clean Rooms ML), ohne die zugrunde liegenden Daten zu teilen.
Analyseregeln und Mindestaggregation, AWS Clean Rooms Differential Privacy sowie Cryptographic Computing auf vorab verschlüsselten Daten.
Cryptographic Computing for Clean Rooms (C3R) als Open-Source-Java-SDK mit CLI.
Daten bleiben bei den Teilnehmenden; Analyseprotokolle zeigen, wie Daten genutzt wurden.
Differential Privacy als verwaltete Funktion ohne eigene DP-Fachkenntnis.
Auf AWS ausgerichtet; Cryptographic Computing ist auf der Seite nicht als HE oder MPC eingeordnet.
Azure Confidential Computing
Microsoft Corporation
Schutz von Daten während der Verarbeitung in Azure, ergänzend zur Verschlüsselung ruhender und übertragener Daten.
Hardwarebasierte, attestierte Trusted Execution Environments nach der Definition des Confidential Computing Consortium.
Microsoft nennt sich Gründungsmitglied des Confidential Computing Consortium.
Betrieb in Azure; Vertrauen verlagert sich auf Hardware und Attestierung.
TEE-Infrastruktur als Cloud-Dienst für Workloads mit Schutzbedarf während der Verarbeitung.
Infrastrukturbaustein, keine fertige Analyse- oder Kollaborationsanwendung; auf Azure beschränkt.
Google Cloud Confidential Computing (Confidential VMs, Confidential Space)
Google LLC
Confidential VMs, Confidential GKE, Confidential Dataflow, Confidential Dataproc und Confidential Space.
Verschlüsselung der Daten während der Verarbeitung in der Cloud.
Confidential Space für Zusammenarbeit mehrerer Organisationen bei Erhalt der Datenhoheit.
Betrieb in Google Cloud.
Confidential Computing über mehrere Google-Cloud-Dienste bis zur organisationsübergreifenden Zusammenarbeit.
Auf Google Cloud beschränkt; Vertrauen in Hardware und Attestierung bleibt Voraussetzung.
OpenDP Library
OpenDP (Harvard)
Open-Source-Werkzeuge für statistische Auswertungen sensibler privater Daten.
Differential Privacy als formaler Schutz für Personen in vertraulichen Daten.
Bibliothek zur Einbindung in eigene Analysen.
Projekt unter dem Copyright von President and Fellows of Harvard College.
Quelloffene Referenz für Differential Privacy aus dem akademischen Umfeld.
Bibliothek statt Unternehmensprodukt; Einbindung, Betrieb und Support liegen beim Anwender.
OpenFHE
OpenFHE-Projekt
Open-Source-Bibliothek mit Implementierungen gängiger Fully-Homomorphic-Encryption-Verfahren.
Rechnen auf verschlüsselten Daten; entspricht laut Projekt den Post-Quanten-Sicherheitsstandards von HomomorphicEncryption.org.
APIs, modularer Aufbau, plattformübergreifend, Einbindung von Hardwarebeschleunigern.
Lizenz BSD 2-Clause; Betrieb und Support beim Anwender.
Quelloffene FHE-Bibliothek mit mehreren Verfahren und offener Lizenz.
Bibliothek statt Produkt; kryptografische Fachkenntnis und Leistungsprüfung je Anwendungsfall nötig.
Microsoft SEAL
Microsoft Corporation
Homomorphe Verschlüsselungsbibliothek der Cryptography Research Group von Microsoft.
Additionen und Multiplikationen auf verschlüsselten Ganzzahlen oder reellen Zahlen; Vergleiche und Sortierung nicht direkt.
C++ mit .NET-Wrapper; Installation über vcpkg (auch Homebrew); NuGet-Veröffentlichungen eingestellt.
MIT-Lizenz; das Projekt verweist für produktive Nutzung auf seine Sicherheitshinweise.
Verbreitete, quelloffene HE-Bibliothek mit klarer Lizenz.
Nur arithmetische Operationen direkt; Bibliothek ohne Betrieb oder Support.
ARX Data Anonymization Tool
ARX-Projekt
Anonymisierung sensibler personenbezogener Daten für die Veröffentlichung von Mikrodaten.
Privacy- und Risikomodelle wie k-Anonymität und k-Map, Transformationsverfahren und Analyse des Re-Identifikationsrisikos.
Plattformübergreifende grafische Anwendung sowie Programmbibliothek (API).
Lizenz Apache 2.0 laut Repository; Betrieb lokal beim Anwender.
Breite Auswahl an Anonymisierungs- und Risikomodellen mit Analyse von Nutzwert und Restrisiko.
Ausgerichtet auf tabellarische Mikrodaten; kein Unternehmenssupport.
sdcMicro
sdcTools (Matthias Templ u. a.)
Statistical Disclosure Control: anonymisierte Mikrodaten für Public- und Scientific-Use-Files.
Verfahren zur Risikoschätzung und Anonymisierung.
R-Paket mit grafischer Oberfläche.
Lizenz GPL-2; Zielgruppe statistische Ämter und Forschungsinstitutionen.
Etabliertes Werkzeug der amtlichen Statistik für Anonymisierung und Risikoschätzung.
Setzt R-Kenntnisse voraus; Schwerpunkt Mikrodaten, kein Unternehmensprodukt.
Weitere Anbieter
Kurz eingeordnet, ausserhalb der Vergleichsmatrix.
- Zama (TFHE-rs, Concrete): Open-Source-Bibliotheken für homomorphe Verschlüsselung; die Website zeigt heute vor allem das Zama Protocol für Blockchain
- Anonos Data Embassy: Startseite beschreibt die Plattform als «advanced tokenization»; Pseudonymisierung und synthetische Daten dort nicht belegt, eher Klasse Tokenisierung
- Inpher (XOR Platform): Anbieter für Multi-Party Computation (MPC)
- Tune Insight: Schweizer Anbieter für MPC und homomorphe Verschlüsselung
- Privitar (Informatica): Daten-De-Identifizierung; die alte Informatica-Produkt-URL leitet auf Data Governance weiter, Privitar dort nicht genannt
- Google Differential Privacy Library: Open-Source-DP-Bibliotheken (Apache Beam, JVM); Bibliothekensammlung, gleiche Rolle wie OpenDP
- Anjuna Seaglass, Opaque, Fortanix Confidential Computing Manager: Confidential-Computing-Plattformen
- AWS Nitro Enclaves: TEE-Baustein von AWS; AWS ist über AWS Clean Rooms vertreten, daher nicht separat geführt
- Eine Data Clean Room wird als risikofrei bezeichnet, obwohl Abfragen einzelne Personen herausfiltern können.
- Synthetische Daten übernehmen seltene Originaldatensätze oder verlieren den fachlich entscheidenden Randfall.
- Eine TEE verlagert Vertrauen auf Hardware, Attestation und Cloud-Betreiber, ohne dieses Modell offenzulegen.
Definiere Parteien, verbotene Offenlegungen und zulässige Ergebnisse. Teste danach einen realen Analysefall auf Klartextpunkte, Kollusion, Ergebnisangriffe, Performance, Nachweis und kontrollierte Beendigung der Zusammenarbeit.
Tokenisierung reduziert Klartextbestände, Encryption schützt gespeicherte oder übertragene Daten. PETs adressieren vor allem die Nutzung und Zusammenarbeit. Datenschutzmanagement bleibt für Zweck, Rechtsgrundlage und Betroffenenrechte verantwortlich.
Security Tool Navigator · Gebiet 08
Im Gebiet Data Security einordnen.
Diese Werkzeugklasse gehört zum Gebiet Data Security. Der Gebietshub zeigt, wie die Werkzeugklassen zusammenwirken, wo sie sich abgrenzen und welche Fragen CIO und CISO jeweils klären.