Was ist Systemintegration?

Systemintegration - Definition

Systemintegration ist ein ingenieurtechnischer Prozess zur Verbindung unabhängiger Komponenten zu einem konsistenten Gesamtsystem, das Daten austauscht, Services aufruft und ein gemeinsames Geschäftsziel erfüllt. Im normativen Verständnis ist die Systemintegration ein Prozess des Systemlebenszyklus, der einzelne Elemente zu einer funktionalen Einheit zusammenführt und dabei Schnittstellen sowie nichtfunktionale Anforderungen wie Interoperabilität und Informationssicherheit überprüft [1][2][3].

Im Kontext der Anonymisierung von Fotos und Videos bedeutet Systemintegration die Konzeption sicherer Datenflüsse zwischen Bildarchiven, Content-Management-Systemen (DAM/ECM/VMS) und Software zur Verpixelung von Gesichtern und Kennzeichen. Ziel ist die Bereitstellung einer Batch- oder asynchronen Verarbeitung im Einklang mit der DSGVO und dem Grundsatz der Datenminimierung [4][5][6].

Rolle der Systemintegration bei der Anonymisierung von Fotos und Videos

Die Systemintegration definiert, wie Medieninhalte abgerufen, in Warteschlangen eingereiht, anonymisiert und zurückgegeben werden - unter Berücksichtigung von Metadaten und Qualitätssicherung. Dazu gehören die Auswahl der Ein- und Ausgabekanäle, Austauschstandards, Service-Authentifizierung sowie das Versionsmanagement von Deep-Learning-Modellen, die Gesichter und Kfz-Kennzeichen vor der Unkenntlichmachung erkennen. Das Training der Modelle ist häufig erforderlich, um Objekte im Bild automatisch zu identifizieren. Die Integration stellt eine konsistente Bereitstellung der Modellversionen sowie eine nachvollziehbare Audit-Trail-Dokumentation sicher [11][12].

In der Praxis erfolgt die Integration zur Anonymisierung visueller Inhalte meist als Post-Processing-Szenario. Das Ausgangsmaterial wird aus einem VMS oder DAM in eine sichere Umgebung exportiert, anschließend verarbeitet der Anonymisierungsdienst die Dateien und liefert Versionen mit unkenntlich gemachten Gesichtern und Kennzeichen zurück. Eine Echtzeit-Anonymisierung von Videostreams ist in dieser Architektur nicht zwingend erforderlich und wird häufig nicht eingesetzt.

Integrationstechnologien

Die Auswahl der Technologien sollte die Angriffsfläche minimieren und Anforderungen an Interoperabilität sowie Datenschutz erfüllen. Nachfolgend sind typische Integrationsmuster aufgeführt.

Authentifizierung und Single Sign-on (SSO) erfolgen über OAuth 2.0 oder OpenID Connect, in Unternehmensumgebungen alternativ über SAML 2.0 [8][9]. Die Ereignisprotokollierung sollte mittels Syslog erfolgen, wobei personenbezogene Daten zu minimieren sind und keine Inhalte aus der Gesichts- oder Kennzeichenerkennung gespeichert werden dürfen [10].

Zentrale Integrationsparameter und Kennzahlen

Die Parameter sollten auf SLO-Ebene definiert werden, um Prozessstabilität und Datenschutzkonformität sicherzustellen.

• Verarbeitungsdurchsatz - Anzahl der Dateien oder Frames pro Minute im Batch-Verfahren.
• Durchschnittliche Bearbeitungszeit - von der Dateieingabe bis zur Bereitstellung der anonymisierten Version.
• Warteschlangentiefe und Retry-Politik - Limits, Backoff-Strategien, Idempotenz.
• Modellversionskontrolle - Modellkennungen, Audit-Trail der Deployments, Konformität mit MLOps-Prozessen ^[11][12].
• Integrität und Nachverfolgbarkeit - SHA-256-Prüfsummen vor und nach der Verarbeitung, Unveränderlichkeit technischer Metadaten ^[3].
• Sicherheit bei Transport und Speicherung - TLS 1.2+ in transit, Verschlüsselung at-rest, Netzwerksegmentierung ^[3].
• Datenminimierung und Aufbewahrung - keine dauerhafte Speicherung nach Prozessabschluss, Aufbewahrungsrichtlinien gemäß Art. 5 DSGVO ^[5].

Herausforderungen und Einschränkungen

Die Systemintegration zur Anonymisierung unterliegt rechtlichen, technischen und organisatorischen Rahmenbedingungen. Die Implementierung muss regulatorische Unterschiede innerhalb der EU sowie das Risikoprofil visueller Daten berücksichtigen.

• Rechtliche Anforderungen - In der EU können Gesichter und Kfz-Kennzeichen personenbezogene Daten darstellen, gemäß DSGVO und den Leitlinien des EDSA zu Videoüberwachung ^[5][6]. Richtlinien sollten nationale Auslegungen und Entscheidungen der Aufsichtsbehörden berücksichtigen.
• Grenzen der Automatisierung - Automatische Erkennung umfasst Gesichter und Kennzeichen; andere Objekte erfordern ggf. manuelle Markierung im Editor.
• Keine Echtzeitverarbeitung - Die Integration ist häufig für Post-Processing mit Warteschlangen und Puffermechanismen ausgelegt.
• Erkennungsqualität - Deep-Learning-Modelle erfordern Versionskontrolle und Validierung auf repräsentativen Datensätzen sowie ein strukturiertes KI-Risikomanagement ^[11][12].
• Informationssicherheit - Erforderlich sind Netzwerksegmentierung, Least-Privilege-Prinzip und der Verzicht auf Logs mit PII-Erkennungsergebnissen ^[3].

Hinweis - Kontext Gallio PRO: Die Software verpixelt automatisch ausschließlich Gesichter und Kfz-Kennzeichen. Ganze Personen werden nicht unkenntlich gemacht, und es erfolgt keine Echtzeit-Anonymisierung von Videostreams. Andere Elemente wie Logos oder Dokumente können im Editor manuell verpixelt werden. Das System speichert keine Logs mit Ergebnissen der Gesichts- oder Kennzeichenerkennung.

Beispiele für Integrationsszenarien

Die folgenden Szenarien veranschaulichen praktische Implementierungen in On-Premise-Umgebungen mit kontrollierter Verarbeitungskette.

• VMS → Arbeitsordner → Anonymisierung → DAM: Export in eine SMB-Freigabe, Aufgabenzuweisung über Warteschlange, Speicherung des Ergebnisses samt technischer Metadaten, automatische Löschung der Quelldateien gemäß Retention-SLA.
• DAM/ECM → Batch-API: Das Content-Management-System meldet Aufträge via REST, ruft anonymisierte Varianten ab und veröffentlicht sie mit TTL-Richtlinie in externen Kanälen.
• Objektspeicher → Batch-Funktion: Scannen von S3-Präfixen, Verarbeitung in Batches, Speicherung anonymisierter Versionen in separatem Bucket mit Compliance-Tags.
• Sichere Beweiskette: Erstellung von SHA-256-Hashes und technischen Protokollen ohne PII, um die Integrität der Verarbeitungskette bei Veröffentlichung anonymisierter Inhalte zu gewährleisten ^[3].

Normative Verweise

• [1] ISO/IEC/IEEE 15288:2015 - Systems and software engineering - System life cycle processes.
• [2] ISO/IEC 25010:2011 - Systems and software engineering - System and software quality models.
• [3] ISO/IEC 27001:2022 - Information security, cybersecurity and privacy protection - Information security management systems.
• [4] ISO/IEC 20889:2018 - Privacy enhancing data de-identification terminology and classification of techniques.
• [5] Verordnung (EU) 2016/679 (DSGVO) - Datenschutz-Grundverordnung.
• [6] EDPB, Guidelines 3/2019 on processing of personal data through video devices, angenommen am 29.01.2020.
• [7] IETF RFC 8259 - The JavaScript Object Notation (JSON) Data Interchange Format, 2017.
• [8] IETF RFC 6749 - The OAuth 2.0 Authorization Framework, 2012; OpenID Connect Core 1.0, OpenID Foundation, 2014.
• [9] OASIS - Assertions and Protocols for the OASIS Security Assertion Markup Language (SAML) V2.0, 2005.
• [10] IETF RFC 5424 - The Syslog Protocol, 2009.
• [11] ISO/IEC 23053:2022 - Framework for Artificial Intelligence (AI) systems using machine learning.
• [12] ISO/IEC 23894:2023 - Information technology - Artificial intelligence - Risk management guidelines.