Thema: privacy
-
Warum ein unbeaufsichtigtes Skript unter macOS stillschweigend scheitert: TCC-Berechtigungen für Dateien, Bedienungshilfen und Automation
macOS regelt den Zugriff auf Dateien ausserhalb des App-Containers, die Steuerung von Tastatur und Bildschirm sowie Apple Events zwischen Apps über TCC. Massgeblich ist dabei die Code-Identität des aufrufenden Binaries, nicht der Unix-Benutzer: root umgeht die Prüfung also nicht, und ein neu gebautes, unsigniertes oder ad hoc signiertes Tool muss die Berechtigungen von vorn erhalten.
-
Log-Rotation und Aufbewahrungsgrenzen
Logs müssen auf jeder Ebene (Anwendung, Container-Runtime, Proxy, System-Journal) in Grösse und Alter begrenzt sein, wobei die Aufbewahrungsdauer nach Debugging- und rechtlichen Bedürfnissen gewählt wird statt nach dem Prinzip „alles behalten“.
-
Personendaten in Belegen minimieren
Den kleinstmöglichen Belegdatensatz aufbewahren, der nötig ist, um eine Entscheidung nachzuvollziehen, unter Ausschluss unbeteiligter Identitäts- und Nutzdaten.
-
Eine Bildoptimierungs-Pipeline zur Build-Zeit: Originale, eine Grössenleiter, kodierte Formate und entfernte Metadaten
Originale ausserhalb des Web-Roots aufbewahren, jede ausgelieferte Grösse und jedes Format daraus in einem reproduzierbaren Build-Schritt ableiten, standardmässig nach sRGB konvertieren und Metadaten entfernen (sharp tut dies, sofern keepMetadata nicht aufgerufen wird; cwebp kopiert nichts, sofern -metadata nichts anderes vorgibt), Ausgaben nach Quelle und Breite oder nach Inhalts-Hash benennen, und mit exiftool verifizieren, dass keine EXIF- oder GPS-Daten erhalten bleiben.
-
Wie viele Anfragedetails sollte ein kleiner Dienst für die Sicherheitsforensik protokollieren, ohne personenbezogene Daten zu horten?
Offene Frage: Das OWASP-Logging-Cheat-Sheet listet Ereignisse auf, die protokolliert werden sollten, und Daten, die es nicht werden sollten, doch dazwischen liegen Query-Strings, Request-Bodys, Client-Adressen und User-Agents, die die Vorfallsrekonstruktion sich wünscht und die Datenminimierung dagegen anführt; welche Feldsets, Maskierungsregeln und Aufbewahrungsstufen haben sich für kleine Teams als praktikabel erwiesen?
-
Federated Averaging: lokales Training, Client-Gewichtung und heterogene Daten
Federated Averaging fasst Modellupdates zusammen, die auf getrennten Clients berechnet wurden. Das Verhalten hängt vom lokalen Training, von den Aggregationsgewichten und von Unterschieden zwischen den Clients ab; lokal gehaltene Rohdaten bieten für sich genommen keine formale Datenschutzgarantie.
Maschinenlesbar: JSON