DOLPHIN: A Privacy-Preserving Digital Investigation Readiness Assessment Framework based on Offline Large Language Models and Retrieval-Augmented Generation
Dieses Paper stellt DOLPHIN vor, ein Framework zur Wahrung der Privatsphäre, das Offline-Large-Language-Models und Retrieval-Augmented Generation nutzt, um die Bereitschaft für digitale forensische Untersuchungen durch die präzise Bewertung der Vollständigkeit von Beweismitteln, das Erkennen spezifischer Lücken und die Reduzierung der Fallvorbereitungszeit signifikant zu verbessern, während sichergestellt wird, dass die Daten lokal bleiben.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht vom Autor verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
In der Welt der kriminalistischen Ermittlungen findet die wichtigste Arbeit oft statt, noch bevor ein einziges Beweisstück formell in einem Labor analysiert wird. Bevor Detektive eine Festplatte oder ein Telefon untersuchen können, müssen sie zuerst feststellen, ob sie überhaupt genügend Informationen haben, um überhaupt zu beginnen. Diese Vorbereitungsphase, bekannt als forensische Einsatzbereitschaft (forensic readiness), beinhaltet das Sammeln eines chaotischen Mixes aus Dokumenten: einer Aussage des Opfers, einem Polizeibericht, Überwachungsaufnahmen, Zeugenaussagen, Eigentumsnachweisen und digitalen Zeitstempeln. Traditionell war das Sortieren durch diesen Stapel ein langsamer, manueller Prozess. Wenn ein wichtiges Dokument fehlt oder ein Zeitablauf unklar ist, kann die gesamte Untersuchung ins Stocken geraten oder, schlimmer noch, auf einem wackeligen Fundament fortgesetzt werden. Die Herausforderung besteht nicht nur darin, die Beweise zu finden, sondern schnell zu beurteilen, ob die verfügbaren Materialien ausreichen, um eine ernsthafte Untersuchung zu stützen, während gleichzeitig sensible Details streng vertraulich behandelt und fern vom Internet gehalten werden.
Ein neues Framework namens DOLPHIN bietet einen anderen Weg, diesen frühen Sortierungsprozess zu handhaben. Entwickelt von Forschern am SRM Institute of Science and Technology in Indien, ist das System darauf ausgelegt, als datenschutzorientierter Assistent für Ermittler zu fungieren. Anstatt vertrauliche Fallakten an einen Cloud-Server zu senden, wo sie exponiert werden könnten, läuft DOLPHIN vollständig auf einem lokalen Computer. Es verwendet eine Art künstliche Intelligenz, die als großes Sprachmodell (Large Language Model) bekannt ist – welches darauf trainiert wurde, menschliche Sprache zu verstehen und zu erzeugen – kombiniert mit einem Retrieval-System, das spezifische Fakten aus den hochgeladenen Dokumenten abruft. Dieser Aufbau ermöglicht es dem Computer, eine Fallakte zu lesen, fehlende Teile zu prüfen und zu bewerten, wie bereit die Untersuchung ist, ohne dass dies jemals den sicheren Raum des Ermittlers verlässt. Das Ziel ist es, eine mühsame, subjektive Checkliste in eine schnelle, zuverlässige und private Bewertung zu verwandeln.
Um zu testen, ob dieser Ansatz funktioniert, schufen die Forscher eine kontrollierte Umgebung unter Verwendung von 300 simulierten Ermittlungsszenarien basierend auf Fahrzeugdiebstahlfällen. Sie verwendeten keine echten Polizeiakten, um die Privatsphäre zu schützen; stattdessen bauten sie digitale Versionen von Fällen, die von „alle möglichen Dokumenten vorhanden“ bis hin zu „sehr wenige Dokumente vorhanden“ reichten. Einige Szenarien enthielten eine vollständige Opfergeständnis, einen Polizeibericht, Videoaufnahmen und Zeugenaussagen, während andere gezielt bestimmte Elemente wie Eigentumsnachweise oder digitale Zeitstempel ausließen. Die Forscher speisten diese Szenarien in das DOLPHIN-System ein, um zu sehen, ob es die Vollständigkeit jedes Falls korrekt beurteilen konnte. Das System hatte zwei Hauptaufgaben: erstens, einen Bereitschafts-Score zuzuweisen, der angab, ob ein Fall bereit für eine tiefe forensische Analyse war, und zweitens, genau zu identifizieren, was fehlte, wie etwa eine Lücke in den visuellen Beweisen oder ein Mangel an Bestätigung durch Zeugen.
Die Ergebnisse zeigten, dass das System mit hoher Genauigkeit arbeitete. Wenn es gefragt wurde, die Einsatzbereitschaft eines Falls zu klassifizieren, entsprach DOLPHIN in etwa 92 Prozent der Beurteilung durch menschliche Experten. Es war besonders gut darin, spezifische Arten fehlender Informationen aufzuspüren. Beispielsweise konnte es zuverlässig erkennen, wenn einem Fall eine Opfergeständnis fehlte oder wenn der Zeitablauf aufgrund fehlender digitaler Metadaten unterbrochen war. Das System kategorisierte diese fehlenden Teile in vier klare Gruppen: Lücken in der Dokumentation, Lücken in der Zeugenbestätigung, Lücken in den visuellen Beweisen wie CCTV und Lücken im Zeitablauf. Durch das Identifizieren dieser spezifischen Lücken lieferte das System den Ermittlern ein klares Bild davon, was sie finden mussten, bevor sie fortfahren konnten, anstatt nur eine vage Antwort wie „Ja“ oder „Nein“ zu geben.
Ein entscheidender Teil der Studie war sicherzustellen, dass das System keine Dinge erfindet. Große Sprachmodelle können manchmal selbstbewusst klingende, aber falsche Informationen generieren, ein Problem, das als Halluzination bekannt ist. Um dies zu verhindern, verwendeten die Forscher eine Technik namens Retrieval-Augmented Generation, die den Computer dazu zwingt, die tatsächlichen Dokumente in der Fallakte zu betrachten, bevor er antwortet. Sie verbesserten dies weiter, indem sie die Suchergebnisse mit Metadaten filterten, um sicherzustellen, dass das System nur Dokumente betrachtete, die zu dem spezifischen Fall gehörten, den es gerade analysierte. Diese Kombination reduzierte die Rate der nicht belegten oder falschen Aussagen von über 16 Prozent auf nur 2 Prozent. Mit anderen Worten: Das System wurde viel vertrauenswürdiger, weil es strikt an die bereitgestellten Beweise gebunden war, anstatt sich auf seine allgemeinen Trainingsdaten zu verlassen.
Neben Genauigkeit und Vertrauen maß die Studie auch, wie viel Zeit das System einsparte. Ein menschlicher Ermittler, der eine Fallakte manuell auf Vollständigkeit prüfte und fehlende Teile identifizierte, benötigte im Durchschnitt etwa 15,5 Minuten. Mit der Unterstützung durch DOLPHIN sank diese Zeit auf etwa 4,4 Minuten pro Fall. Diese Beschleunigung ging nicht zu Lasten der Qualität; die vom System erstellten Berichte waren vollständiger als die durch manuelle Checklisten erzeugten Berichte und enthielten konsistent eine Zusammenfassung der Beweise, eine Liste der fehlenden Gegenstände, einen Bereitschafts-Score und empfohlene nächste Schritte. Das System bewies, dass es die schwere Arbeit der Informationsorganisation übernehmen konnte, sodass Ermittler ihre Energie auf die eigentliche Untersuchung statt auf administrative Sortierarbeiten konzentrieren konnten.
Die Forscher betonten, dass DOLPHIN kein Werkzeug ist, das endgültige rechtliche Entscheidungen trifft oder die Notwendigkeit menschlicher Urteilskraft ersetzt. Es ist als Unterstützungssystem konzipiert, das Ermittlern helfen soll, ihre Gedanken und Materialien zu organisieren, bevor die formale forensische Untersuchung beginnt. Die Studie wurde mit simulierten Daten auf handelsüblichen Laptops durchgeführt, was zeigt, dass diese Form der datenschutzwahrenden Unterstützung keine teuren Enterprise-Level-Supercomputer erfordert. Obwohl das System in diesen kontrollierten Tests große Erfolge zeigte, merkt der Autor an, dass zukünftige Arbeiten dessen Leistung mit realen Polizeifällen validieren müssen, die weitaus komplexer, ambivalenter und rechtlich sensibler sein können als die hier verwendeten Simulationen. Vorerst legt die Studie nahe, dass es eine leistungsstarke Möglichkeit ist, die digitale Forensik vorzubereiten, ohne die Privatsphäre zu gefährden, indem man künstliche Intelligenz lokal und fest in spezifische Dokumente eingebettet hält.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.