Wer ist Cynthia Dwork und welche Rolle spielt sie bei Proof of Work?

Wer ist Cynthia Dwork?

Cynthia Dwork ist eine amerikanische theoretische Informatikerin, die wichtige Arbeit rund um Kryptografie, Privacy, verteilte Systeme und Proof of Work geleistet hat. Besonders bekannt ist sie als eine zentrale Mitbegründerin von Differential Privacy: einer Methode, mit der sich Statistiken aus sensiblen Daten gewinnen lassen, ohne den Einfluss einer einzelnen Person zu deutlich preiszugeben.

Sie ist Gordon McKay Professor of Computer Science an der Harvard University. Außerdem ist sie mit der Harvard Law School und der Statistikabteilung von Harvard verbunden. Zuvor arbeitete sie als Forscherin unter anderem bei MIT, IBM, dem Compaq Systems Research Center und Microsoft Research.

Ihre Arbeit dreht sich oft um eine schwierige, aber wichtige Frage: Wie lassen sich Computer und Systeme so einsetzen, dass sie nützliche Informationen verarbeiten, ohne unzuverlässig, unfair oder unnötig privacy-sensibel zu werden? Das ist weit über Krypto hinaus relevant, berührt aber auch Ideen, die später für Blockchain wichtig wurden.

Bei Proof of Work spielte Dwork eine frühe, grundlegende Rolle. Gemeinsam mit Moni Naor schlug sie Anfang der 1990er-Jahre ein System vor, bei dem jemand zuerst eine kleine Menge Rechenarbeit leisten muss, bevor diese Person eine geteilte Computerressource nutzen darf. Die Idee sollte Spam und Missbrauch eindämmen, nicht eine Blockchain betreiben. Trotzdem steckt dieselbe Grundidee dahinter: Arbeit zu erzeugen kostet Mühe, aber zu prüfen, ob diese Arbeit erledigt wurde, ist vergleichsweise einfach.

Wichtigste Erkenntnisse

• Cynthia Dwork ist eine Informatikerin, die zu Kryptografie, Privacy und verteilten Systemen arbeitet.
• Sie ist gemeinsam mit anderen Forschern eine zentrale Mitbegründerin von Differential Privacy.
• Dwork arbeitet als Professorin für Informatik an Harvard.
• Sie und Moni Naor entwickelten früh ein System, bei dem Rechenarbeit Spam und Missbrauch bremsen sollte.
• Dieses System war ein konzeptioneller Vorläufer von Proof of Work, aber kein Entwurf für Bitcoin oder Blockchain.

Welche Ausbildung und welchen Hintergrund hat Cynthia Dwork?

Dwork studierte Electrical Engineering and Computer Science an der Princeton University und schloss dort 1979 ihren BSE mit Auszeichnung ab. Danach setzte sie ihr Studium der Informatik an der Cornell University fort, wo sie 1981 ihren Master abschloss und 1983 promovierte.

Nach ihrer Promotion arbeitete sie von Mai 1983 bis Mai 1985 als Postdoktorandin am MIT Laboratory for Computer Science. Anschließend baute sie eine lange Forschungskarriere auf, sowohl in der Wissenschaft als auch in großen Forschungslabors der Industrie.

Diese Kombination ist durchaus bemerkenswert. Sie arbeitete nicht nur an theoretischen Fragen, sondern auch an Ideen, die in echten Computersystemen nutzbar sein sollten. Seit Januar 2017 ist sie Professorin für Informatik an Harvard.

Welche Beiträge leistete Cynthia Dwork zur Informatik?

Dwork leistete wichtige Beiträge zu verschiedenen Bereichen der Informatik. Ein wiederkehrendes Thema ist Zuverlässigkeit: Wie stellt man sicher, dass ein System gut funktioniert, wenn Computer langsam sind, Fehler machen oder einander nicht vollständig vertrauen?

Gemeinsam mit Nancy Lynch und Larry Stockmeyer untersuchte sie zum Beispiel Konsens unter partieller Synchronie. Konsens bedeutet hier ganz einfach, dass sich verschiedene Computer auf dasselbe Ergebnis einigen müssen. Partielle Synchronie bedeutet, dass man nicht genau weiß, wie schnell Nachrichten ankommen, aber auch nicht davon ausgehen muss, dass alles immer unbegrenzt verzögert ist.

Das klingt technisch, ist aber ein bekanntes Problem in Netzwerken. Wenn mehrere Computer gemeinsam eine geteilte Verwaltung führen, müssen sie am Ende dieselbe Version akzeptieren. Auch Blockchains brauchen eine solche Form von Einigkeit.

Dwork arbeitete außerdem mit Danny Dolev und Moni Naor an non-malleable cryptography. Dabei geht es um Kryptografie, bei der ein Angreifer eine verschlüsselte Nachricht nicht auf nützliche Weise verändern kann, um daraus eine verwandte neue Nachricht zu machen. Darüber hinaus trug sie unter anderem zu lattice-based encryption, kryptografischen Protokollen, Proof of Work und algorithmic fairness bei.

Ihr bekanntester Beitrag zum Thema Privacy ist Differential Privacy. Diese Forschungslinie entwickelte sie gemeinsam mit unter anderem Frank McSherry, Kobbi Nissim und Adam Smith.

Was ist Differential Privacy?

Differential Privacy ist eine mathematische Methode, um zu begrenzen, wie viel zusätzliches Privacy-Risiko eine Person dadurch trägt, dass sie in einem Datensatz enthalten ist. Das Ziel ist also nicht, Daten einfach mit einem vagen Etikett wie „anonym“ zu versehen. Es geht um eine konkrete Garantie dafür, was eine Analyse preisgeben kann und was nicht.

Der Kern lässt sich einfach erklären: Ein Ergebnis sollte ungefähr gleich bleiben, wenn du die Daten einer einzelnen Person hinzufügst oder entfernst. Wenn ein einzelner Teilnehmer das veröffentlichte Ergebnis kaum verändern kann, wird es viel schwieriger, aus diesem Ergebnis etwas Verlässliches über genau diese Person abzuleiten.

Beispiel: Stell dir vor, eine Forscherin möchte veröffentlichen, wie viele Menschen in einer großen Gruppe eine bestimmte Frage mit „ja“ beantworten. Mit Differential Privacy kann die veröffentlichte Zahl eine kleine zufällige Abweichung erhalten. So erkennst du weiterhin einen brauchbaren Trend in der gesamten Gruppe, aber der Beitrag einer einzelnen Person tritt weniger deutlich hervor.

Wichtig zu wissen: Differential Privacy bedeutet nicht, dass alle zugrunde liegenden Daten geheim sind oder dass ein Datensatz automatisch sicher ist. Der Schutz gilt für die Ausgabe einer sorgfältig entworfenen Analyse.

Wie funktioniert Differential Privacy?

Differential Privacy arbeitet mit einem randomisierten Mechanismus. Das ist einfach eine Methode, die nicht immer exakt dasselbe Ergebnis liefert, weil bewusst ein wenig Zufall eingebaut ist. So ein Mechanismus kann zum Beispiel eine Zahl, einen Durchschnitt oder eine andere Statistik veröffentlichen.

In der Praxis wird oft Rauschen hinzugefügt. Rauschen ist eine kleine zufällige Abweichung im Ergebnis. Wie viel Rauschen nötig ist, hängt von der Sensitivität der Berechnung ab: dem maximalen Einfluss, den eine einzelne Zeile im Datensatz auf das Ergebnis haben kann.

Angenommen, du zählst, wie viele Menschen irgendwo mit „ja“ antworten. Eine einzelne Person kann diese Zahl höchstens um 1 verändern. Die Sensitivität ist dann niedrig. Bei einer Berechnung, bei der eine Eingabe einen viel größeren Einfluss haben kann, ist mehr Schutz nötig.

Die formale Regel vergleicht zwei fast gleiche Datensätze: Datensatz D und D'. Der einzige Unterschied ist, dass D' die Daten einer Person enthält oder nicht enthält. Für jede mögliche Ergebnismenge S muss die Wahrscheinlichkeit eines Ergebnisses in beiden Fällen nah beieinander liegen:

Pr[M(D) in S] <= exp(epsilon) × Pr[M(D') in S]

Du musst dir diese Formel nicht merken. M ist der Mechanismus, der die Analyse ausführt. Der Wert epsilon gibt an, wie groß der Unterschied zwischen den Wahrscheinlichkeiten von Ergebnissen höchstens sein darf. Ein kleineres epsilon bedeutet im Allgemeinen eine strengere Privacy-Garantie, aber oft auch ungenauere Statistiken.

Es gibt auch eine weit verbreitete Variante mit epsilon und delta:

Pr[M(D) in S] <= exp(epsilon) × Pr[M(D') in S] + delta

Delta ist dabei eine kleine zusätzliche Fehlerwahrscheinlichkeit. Der praktische Zielkonflikt bleibt derselbe: Mehr Privacy erfordert meist mehr Rauschen oder eine andere Einschränkung, während Nutzer oft möglichst genaue Zahlen wollen.

Welche Rolle spielte Cynthia Dwork bei der Entwicklung von Proof of Work?

Cynthia Dwork legte gemeinsam mit Moni Naor eine wichtige frühe Grundlage für die Idee hinter Proof of Work. Ihre Arbeit, die 1992 vorgestellt und 1993 veröffentlicht wurde, trug den Titel Pricing via Processing or Combatting Junk Mail.

Ihr Vorschlag war einfach: Bevor jemand Zugriff auf eine geteilte Computerressource erhält, muss diese Person zuerst eine mäßig schwierige Berechnung ausführen. Diese Berechnung darf nicht unmöglich sein, soll aber gerade genug Zeit und Rechenleistung kosten, um massenhaften Missbrauch unattraktiv zu machen.

Denk an einen Spammer, der eine Million Nachrichten verschicken will. Wenn jede Nachricht ein kleines Rechenproblem erfordert, fallen diese Kosten bei einer einzelnen Nachricht vielleicht kaum auf. Bei einer Million Nachrichten summieren sie sich aber schnell. Für den Empfänger ist der Nachweis dann viel leichter zu prüfen als für den Absender zu erzeugen.

Genau diese Asymmetrie ist der Kern von Proof of Work: Erzeugen kostet Mühe, Prüfen ist günstig. Dwork arbeitete später auch an Nachweisen für Rechenaufwand, die sich leicht überprüfen lassen, unter anderem als Schutz gegen Denial-of-Service-Angriffe. Bei so einem Angriff versucht jemand, einen Dienst durch eine Flut von Anfragen unerreichbar zu machen.

Wichtig ist allerdings die klare Unterscheidung: Dwork und Naor entwarfen weder Bitcoin-Mining noch ein Blockchain-Konsensprotokoll. Ihr Vorschlag diente dazu, Spam und Missbrauch in geteilten Systemen zu bremsen. Der Begriff „proofs of work“ wurde erst später für solche Ideen verwendet.

Warum ist Cynthia Dwork für Blockchain und Privacy relevant?

Dwork ist für Blockchain relevant, weil ihre frühe Arbeit zeigt, wie sich offene Systeme vor billigem Massenmissbrauch schützen lassen. Wenn jeder unbegrenzt und ohne Kosten Anfragen senden kann, kann eine einzelne Partei ein System leicht überlasten. Eine kleine Rechenkosten pro Anfrage verändert dieses Verhältnis.

Bitcoin nutzte Proof of Work später in einem ganz anderen Kontext. Dort hilft Rechenarbeit einem Peer-to-Peer-Netzwerk dabei, Transaktionen zu ordnen und Blöcke zu einer Blockchain hinzuzufügen. Miner konkurrieren dabei darum, gültige Rechenarbeit zu finden. Bitcoin verwendete dafür ein System, das speziell an Hashcash anknüpft, nicht an das exakte Design von Dwork und Naor.

Du kannst ihre Arbeit also als konzeptionellen Vorläufer sehen. Sie enthielt bereits die Idee verifizierbarer Rechenkosten, aber nicht die Schwierigkeitsanpassung, den Mining-Wettbewerb, die Auswahl einer Kette oder die wirtschaftlichen Anreize, die zu Bitcoin gehören.

Für Privacy ist ihr Einfluss noch direkter. Organisationen, Crypto Wallets, Forscher und Protokolle können sich für Analysen von Nutzer- oder Transaktionsdaten interessieren. Differential Privacy kann helfen, statistische Erkenntnisse zu teilen und gleichzeitig den Beitrag einer einzelnen Person besser zu schützen.

Aber auch hier gilt eine wichtige Grenze: Differential Privacy macht eine öffentliche Blockchain nicht automatisch privat. Die Methode schützt nur das Ergebnis einer spezifischen, gut entworfenen Analyse. Transaktionen, die bereits öffentlich auf einer Blockchain stehen, verschwinden dadurch nicht aus dem Blick.

Womit beschäftigt sich Cynthia Dwork derzeit?

Cynthia Dwork ist derzeit Gordon McKay Professor of Computer Science an Harvard und außerdem mit der Harvard Law School und der Statistikabteilung verbunden. Ihre jüngere Arbeit liegt weiterhin an der Schnittstelle von Privacy, algorithmic fairness, verantwortungsvollem Rechnen und statistischen Daten.

Sie beschäftigt sich unter anderem mit Themen wie synthetischen Zensusdaten, Datenvertauschungen in Volkszählungsdaten, Multicalibration, differential private machine learning und fairen professionellen Netzwerken. Multicalibration ist eine Technik, um Vorhersagen nicht nur im Durchschnitt gut zu machen, sondern auch für verschiedene Gruppen besser passend zu halten.

Außerdem ist sie an Forschung zur Theorie von algorithmic fairness und verantwortungsvollem Rechnen beteiligt. Ihre frühere Tätigkeit bei Microsoft Research endete 2023; bei ihrem Abschied lautete ihr Titel Distinguished Scientist.

Fazit

Cynthia Dwork ist keine Entwicklerin von Bitcoin, aber ihre Arbeit mit Moni Naor prägte früh eine Idee, die später für Proof-of-Work-Systeme entscheidend wurde: Wer ein offenes System nutzen will, kann zuerst nachweisbar Rechenarbeit leisten müssen. Das macht groß angelegten Missbrauch teurer, während die Kontrolle einfach bleibt.

Mindestens ebenso wichtig ist ihre Arbeit an Differential Privacy. Damit half sie, eine praktische Frage schärfer zu fassen: Wie gewinnt man nützliche Erkenntnisse aus sensiblen Daten, ohne dass eine einzelne Person zu leicht erkennbar wird? Gerade die Kombination aus Kryptografie, zuverlässigen Systemen, Rechenkosten und Privacy macht ihre Arbeit historisch relevant für Krypto und Blockchain.