The Problem of Dynamic Spatial Sampling and Geofence Surveillance

Dieser Beitrag schlägt adaptive, auf empirischen Daten basierende Radius-Schätzer vor, um Geofencing-Überwachungsperimeter an lokale Aktivitätsdichten anzupassen und so die Privatsphäre der Bürger besser zu schützen, ohne die Ermittlungsbedürfnisse der Strafverfolgungsbehörden zu vernachlässigen.

Das Wesentliche

Das Problem: Der "Sicherheitsgürtel" ist zu groß oder zu klein

Stellen Sie sich vor, die Polizei muss einen Verdächtigen finden, der sich in einer belebten Stadt befindet. Sie wissen, dass der Täter in der Nähe eines bestimmten Cafés war. Um ihn zu finden, bitten sie einen Handy-Anbieter (wie Google), alle Handy-Standorte in der Umgebung des Cafés für eine bestimmte Zeit zu übermitteln.

Das Problem ist: Wie groß muss dieser Überwachungs-Bereich (der "Geofence") sein?

• Die aktuelle Praxis: Die Polizei zieht oft einfach einen Kreis mit einem festen Radius um das Café (z. B. 150 Meter).
• Das Problem dabei: In einer leeren Wüste wären 150 Meter riesig und würden fast niemanden erfassen. In einer überfüllten Innenstadt (wie der Times Square) würden 150 Meter Tausende von völlig unschuldigen Menschen erfassen.
• Die Folge: Um den Verdächtigen zu finden, werden oft Tausende unschuldiger Bürger "mitgeschnitten". Das ist wie wenn man versucht, eine einzelne rote Kirsche in einem Obstsalat zu finden, aber stattdessen den ganzen Topf mit dem gesamten Inhalt (inklusive aller anderen Früchte) in einen Eimer kippt, nur um sicherzugehen, dass die Kirsche dabei ist. Das ist eine massive Verletzung der Privatsphäre.

Die Lösung: Ein "intelligenter, sich anpassender Radius"

Die Autoren dieses Papiers schlagen vor, diesen starren Kreis durch einen intelligenten, sich anpassenden Radius zu ersetzen.

Stellen Sie sich vor, Sie haben einen magischen Regenschirm, der sich automatisch anpasst:

• Wenn Sie in einer leeren Gegend stehen, öffnet sich der Schirm nur ein kleines bisschen, weil dort ohnehin niemand ist.
• Wenn Sie in einer vollen Menschenmenge stehen, öffnet sich der Schirm nur so weit, dass er genau die Anzahl an Menschen abdeckt, die der Richter erlaubt hat (z. B. nur 50 Personen), egal wie dicht die Menge ist.

Das Ziel ist es, den Schirm (den Überwachungs-Bereich) so zu dimensionieren, dass er genau die gewünschte Anzahl an Personen (z. B. 50) erfasst, egal ob die Gegend leer oder voll ist.

Die drei Werkzeuge (Die "Plug-in-Schätzer")

Die Autoren haben drei verschiedene mathematische Werkzeuge entwickelt, um die perfekte Größe dieses Schirms zu berechnen:

1. Der "Fenster-Anpasser" (Window Adaptive):

   • Analogie: Ein Schullehrer, der nur die Gesamtzahl der Schüler und die Größe des Schulhofs kennt.
   • Funktionsweise: Er rechnet einfach: "Wie viel Prozent des Schulhofs muss ich abdecken, um 50 Schüler zu finden?" Er ignoriert, wo genau die Schüler stehen, und geht von einer gleichmäßigen Verteilung aus. Das ist einfach, aber nicht sehr präzise, wenn die Schüler sich alle an einer Ecke versammeln.

2. Der "Fokus-Anpasser" (Focal Adaptive):

   • Analogie: Ein Detektiv, der genau weiß, wie voll es direkt am Tatort ist.
   • Funktionsweise: Er schaut sich nur die Menschenmenge direkt um das Café an. Wenn es dort sehr voll ist, macht er den Kreis kleiner. Wenn es leer ist, macht er ihn größer. Er passt sich der lokalen Dichte an.

3. Der "Lambda-Anpasser" (Lambda Adaptive) – Der "Meister-Schirm":

   • Analogie: Ein hochmodernes Wetterradar, das jede einzelne Wolke und jeden Regentropfen kennt.
   • Funktionsweise: Dieser Ansatz nutzt eine detaillierte Karte, die zeigt, wo Menschen sich genau aufhalten (z. B. dichte Menschenmassen an Kreuzungen, weniger an Parks). Er formt den Überwachungs-Bereich so, dass er sich genau an diese Muster anpasst. Er ist der genaueste, benötigt aber die meisten Daten.

Was passiert, wenn man es richtig macht?

Die Autoren haben Computersimulationen durchgeführt, bei denen sie "Agenten" (digitale Menschen) durch eine Stadt laufen ließen.

• Das Ergebnis: Die starren Kreise (die aktuelle Methode) haben oft viel zu viele unschuldige Leute erfasst (manchmal 90% mehr als erlaubt) oder zu wenige.
• Der Gewinn: Die neuen, sich anpassenden Kreise haben fast perfekt die gewünschte Anzahl von Personen erfasst. Sie haben die Privatsphäre der unschuldigen Bürger geschützt, indem sie den Überwachungs-Bereich nicht unnötig in dicht besiedelte Gebiete ausgedehnt haben.

Warum ist das wichtig?

Aktuell entscheiden Richter oft basierend auf Intuition oder willkürlichen Zahlen (z. B. "150 Meter"), ob ein Überwachungs-Bereich erlaubt ist. Das ist wie Schießen nach dem Gefühl.

Dieses Papier bietet eine Werkzeugkiste für Richter und Datenschützer:

• Es erlaubt ihnen zu berechnen: "Wenn wir diesen Kreis hier ziehen, wie viele unschuldige Leute werden dabei sein?"
• Es hilft zu verhindern, dass die Polizei unter dem Vorwand der Fahndung heimlich ganze Stadtviertel überwacht ("Selektive Erweiterung").
• Es schafft eine faire Balance: Die Polizei bekommt ihre Chance, den Täter zu finden, aber die Bürger werden nicht unnötig ausspioniert.

Zusammenfassend:
Statt einen riesigen Eimer zu nehmen, um eine Nadel im Heuhaufen zu finden, bietet dieses Papier eine Methode, den Eimer so groß zu machen, dass er genau die Nadel und vielleicht ein paar Strohhalme enthält, aber nicht den ganzen Heuhaufen. Es macht die digitale Überwachung präziser und fairer.

Technische Zusammenfassung

Titel: Das Problem des dynamischen räumlichen Abtastens und der Geofence-Überwachung

Autoren: Marty Davidson und Jason Byers
Veröffentlicht: April 2026 (Preprint)

---

1. Problemstellung: Dynamisches Räumliches Abtasten (DSS)

Das Paper adressiert das Problem der Geofence-Überwachung durch Strafverfolgungsbehörden als ein Problem des dynamischen räumlichen Abtastens (Dynamic Spatial Sampling, DSS).

• Hintergrund: Behörden nutzen Geofencing, um verdächtige Personen zu identifizieren, indem sie Geolokalisierungsdaten von Drittanbietern (z. B. Mobilfunkbetreiber) innerhalb eines definierten geografischen Bereichs (Geofence) abfragen.
• Das Kernproblem: Behörden nutzen derzeit oft starre Geofences (z. B. feste Kreisradien von 150m oder feste Polygon-Grenzen). Diese ignorieren die lokale Dichte menschlicher Aktivitäten (Fußgängerströme, Verkehr).
• Folgen:
  • Datenschutzverletzung: In dicht besiedelten Gebieten fängt ein fester Radius deutlich mehr Unschuldige ein als in dünn besiedelten Gebieten, was die Privatsphäre unverhältnismäßig verletzt.
  • Selektive Erweiterung (Selective Expansion): Da die Anzahl der erfassten Personen ($\hat{k}$) zufällig ist und von der lokalen Dichte abhängt, überschreiten Behörden oft unbeabsichtigt die gerichtlichen Beschränkungen (z. B. eine maximale Anzahl von zu erfassenden Personen $k$).
• Ziel: Entwicklung eines statistischen Rahmens, der die Bedürfnisse der Strafverfolgung (Erfassung eines Verdächtigen) mit dem Schutz der Privatsphäre (Begrenzung auf eine feste Anzahl $k$ von Unschuldigen) in Einklang bringt.

2. Methodik und Modellierung

Die Autoren modellieren menschliche Aktivitäten als einen stochastischen Prozess (Punktprozess) $\eta$ innerhalb eines Untersuchungsgebiets $\Omega$. Das Ziel ist es, einen optimalen Radius $\hat{r}$ für einen kreisförmigen Geofence um einen Überwachungsort $a_i$ zu finden, sodass die erwartete Anzahl erfasster Personen genau dem privatsphärenbezogenen Constraint $k$ entspricht.

A. Plug-in-Schätzer (Plug-in Estimators)

Die Autoren leiten drei Haupttypen von Schätzern her, basierend auf der Maximum-Likelihood-Schätzung (MLE), die die lokale Bevölkerungsdichte $\lambda(a_i)$ nutzen:

1. Fenster-Adaptiver Schätzer (Window Adaptive - $\hat{r}_{Binom}$):

   • Annahme: Personen sind gleichmäßig über das gesamte Gerichtsgebiet $\Omega$ verteilt.
   • Formel: $\hat{r}_{Binom} = \sqrt{\frac{\nu(\Omega) \cdot k}{n \cdot \pi}}$
   • Einsatz: Wenn nur die Gesamtbevölkerung $n$ und die Fläche $\nu(\Omega)$ bekannt sind.
   • Verhalten: Der Radius skaliert mit der Quadratwurzel der Fläche und der Wurzel von $k$, ist aber umgekehrt proportional zur Wurzel der Gesamtbevölkerung.

2. Fokus-Adaptiver Schätzer (Focal Adaptive - $\hat{r}_{Pois}$):

   • Annahme: Nutzung eines homogenen Poisson-Prozesses basierend auf der lokalen Dichte $\lambda(a_i)$ am Überwachungsort.
   • Formel: $\hat{r}_{Pois} = \sqrt{\frac{k}{\pi \cdot \lambda(a_i)}}$
   • Verhalten: Der Radius schrumpft, wenn die lokale Dichte steigt. Dies passt den Geofence dynamisch an die Umgebung an.

3. Lambda-Adaptiver Schätzer (Lambda Adaptive - $\hat{r}_{Inhom}$):

   • Annahme: Nutzung eines inhomogenen Poisson-Prozesses, der räumliche Nicht-Stationarität (Clusterbildung) berücksichtigt.
   • Methode: Da keine direkte Invertierung möglich ist, wird ein Minimierungsansatz verwendet. Es wird ein Puffer um einen initialen Radius gelegt, und die Abweichung zwischen der geschätzten Anzahl $\hat{k}$ und dem Ziel $k$ wird minimiert.
   • Vorteil: Maximiert den Datenschutz, indem er die tatsächliche Verteilung innerhalb des Geofence-Konvexhüllens berücksichtigt.

4. Erweiterung auf nicht-kreisförmige Geofences:

   • Die Autoren zeigen, wie trigonometrische Transformationen angewendet werden können, um Sektoren (basierend auf einem Zentralwinkel $\theta$) oder Polygone (mit $p$ Ecken) zu erstellen, die denselben Datenschutz-Constraint $k$ erfüllen.

B. Simulationsdesign (Agent-Based Model)

Um die Leistung der Schätzer zu validieren, wurde ein Multi-Agenten-Simulationsmodell entwickelt:

• Agenten: Simulieren Pendler, die zufällige Wege (Random Walks) mit Bias (Anziehung/Abstoßung) in einem begrenzten Fenster zurücklegen.
• Daten: Jeder Agent erzeugt Geolokalisierungs-Tags.
• Vergleich: Es wurden 300 Simulationsrunden mit 30 Überwachungsstandorten durchgeführt. Verglichen wurden:
  • Feste Geofences (Null-Modell).
  • Fenster-, Fokus- und Lambda-adaptive Geofences (sowohl dynamisch aktualisiert als auch statisch fixiert).
• Metriken:
  1. Abweichung vom Constraint $k$: Mittlere absolute Abweichung (MAD) zwischen geschätzter und gewünschter Personenzahl.
  2. Überwachungszeit: Wie stark weicht die tatsächliche Zeit, die ein Agent im Geofence verbringt, von der erwarteten Zeit ($k/n$) ab?

3. Wichtige Ergebnisse

Die Simulationsergebnisse zeigen eine klare Überlegenheit der adaptiven Schätzer gegenüber starren Geofences:

• Reduktion der Abweichung vom Constraint $k$:
  • Fenster-adaptiv: Ca. 64 % geringere Abweichung als feste Geofences.
  • Fokus-adaptiv: Ca. 30 % geringere Abweichung.
  • Lambda-adaptiv: Ca. 94 % geringere Abweichung. Dies ist der effektivste Ansatz, da er lokale Dichteschwankungen am besten berücksichtigt.
• Stabilität bei steigender Bevölkerungsdichte: Während feste Geofences bei steigender Bevölkerungszahl ($n$) und steigendem Constraint ($k$) stark an Präzision verlieren (die Abweichung wächst stark), bleibt die Lambda-adaptive Methode stabil.
• Risikobewertung (Selektive Erweiterung):
  • In einer Anwendung auf reale Daten (Wählerregister North Carolina) wurde gezeigt, dass ein zufällig gewählter Radius (wie im Fall United States vs. Chatrie mit 150m) in 90 % der Fälle zu einer Überwachung führt, die den Constraint $k=1$ (ein Verdächtiger) überschreitet.
  • Der adaptive Ansatz würde in dicht besiedelten Wohngebieten deutlich kleinere Radien vorschlagen, um das gleiche Privatsphären-Niveau zu wahren.

4. Bedeutung und Beiträge

• Technokratische Lösung für rechtliche Debatten: Das Paper bietet einen quantitativen, statistischen Rahmen, um die "Angemessenheit" (Reasonableness) von Geofence-Anträgen zu bewerten. Es hilft Richtern und Aufsichtsbehörden, objektive Leistungskennzahlen zu haben, anstatt sich auf willkürliche Entfernungen zu verlassen.
• Schutz der Privatsphäre: Durch die Anpassung des Radius an die lokale Bevölkerungsdichte wird verhindert, dass in dicht besiedelten Gebieten unverhältnismäßig viele Unschuldige erfasst werden. Dies reduziert das Risiko der "selektiven Erweiterung" von Überwachungsmaßnahmen.
• Praktische Anwendbarkeit: Die vorgeschlagenen Schätzer sind als "Plug-in"-Lösungen konzipiert. Behörden oder unabhängige Prüfer können diese mit anonymisierten Dichtekarten und einem festgelegten $k$ (z. B. "maximal 100 Unschuldige") anwenden, um den optimalen Radius zu berechnen.
• Erweiterbarkeit: Die Methodik ist nicht auf Kreise beschränkt, sondern kann auf komplexe Polygone und Sektoren angewendet werden, was die Flexibilität bei der Gestaltung von Überwachungsgebieten erhöht.

Fazit

Das Paper argumentiert, dass die aktuelle Praxis der Geofencing-Überwachung aufgrund ihrer Unfähigkeit, räumliche Heterogenität zu berücksichtigen, zu systematischen Datenschutzverletzungen führt. Die vorgeschlagenen optimalen Radius-Schätzer bieten einen mathematisch fundierten Weg, um Überwachungsziele zu erreichen, während die Privatsphäre der Bürger durch eine dynamische Anpassung an die lokale Bevölkerungsdichte effektiv geschützt wird. Dies stellt einen wichtigen Schritt hin zu einer evidenzbasierten Regulierung digitaler Überwachung dar.