1.3 Het gebruik van Big Data
in het veiligheidsdomein: data-analyse in de Nederlandse strafrechtelijke
praktijk
1.3.1 Het netwerk iRN en iColumbo
Een
in Nederland gebruikt systeem voor datamining is iColumbo, een
instrument om (groepen van) personen te profileren en systematisch op
geautomatiseerde wijze data betreffende personen of groepen via internet te
verzamelen, te analyseren en te presenteren aan opsporingsinstanties.[1] iColumbo is een product
van het Internet Recherche & Onderzoek Netwerk (iRN). Het iRN is een
netwerkinfrastructuur voor de opsporing van strafbare feiten via internet, die
de opsporingsinstanties de mogelijkheid biedt om met een afgeschermd IP-adres
onderzoek in open internetbronnen uit te voeren. De doelen van iColumbo zijn
het via internet opsporen van ‘doelwitten’ en het verzamelen van (eventueel)
bewijsmateriaal: aan de hand van geanalyseerde data wordt ‘verdacht gedrag’ via
internet gedetecteerd; de opsporingsinstantie wordt daarbij van ondersteunend
bewijsmateriaal voorzien.[2]
De
opsporingsambtenaar kan in iColumbo een zoekterm invoeren, bijvoorbeeld de naam
van een te onderzoeken persoon, waarna crawlers, internetrobots, continu
het internet afspeuren; de gevonden data worden vervolgens opgeslagen.[3] Deze opslagplaats voor
‘crawlresultaten’ kan worden getypeerd als een ‘Warehouse’. De fase van
de inzet van de crawlers en de opslag van de gevonden data, samen
ondergebracht in een ‘Web Observatie Framework’, gaat vooraf aan de eigenlijke
analyse van de data. Zodra de data in het Warehouse van iColumbo zijn
ververst, worden deze doorgestuurd naar het Realtime Analyse Framework
(RAF) met de naam Fietstas. Eerdere Big Data-analyses stimuleren het
zelflerende vermogen[4] van de algoritmen waaruit
Fietstas is opgebouwd. Kenmerkend aan iColumbo is dat gericht op
persoonsgegevens kan worden gezocht in het kader van ‘Person of interest
profiling’.[5]
‘Persons of interest’ kunnen personen zijn die eerder zijn vervolgd of
veroordeeld voor een delict. Tijdens de fase van de inzet van crawlers
kunnen specifiek namen van personen worden opgegeven en in Fietstas kunnen
relaties van de opgegeven personen worden gegenereerd.[6] De inzet van
patroonherkenning kan volgens de WRR tot gevolg hebben dat ook gegevens van
burgers die géén object van onderzoek of opsporing zijn, onderdeel worden van
het profileringsproces.[7]
Wat maakt iColumbo een gewilder instrument dan de menselijke speurkwaliteit? Ten eerste de efficiëntie: webcrawlers kunnen continu sociale platforms als Facebook en Linkedin, zoekmachines, maar ook webpagina’s als Telefoongids.nl afspeuren. Ten tweede heeft iColumbo de mogelijkheid om actuele gegevens te vergelijken met oude gegevens die in een database zijn opgeslagen.[8] De ‘menselijke crawler’ kan weliswaar een heel eind komen, maar het is niet realistisch om te verwachten dat een mens ontelbare hoeveelheden actuele gegevens continu vergelijkt met een database vol met nog eens ontelbare hoeveelheden oudere data. Volgens het ontwerp van iColumbo is het bovendien de bedoeling dat de ‘collectieve intelligentie’ wordt vergroot, doordat iColumbo automatisch zoekt en analyseert, waarna de gebruiker de resultaten deelt met het systeem en met andere gebruikers. De ambitie met iColumbo is om met Person of interest profiling het ‘criminele’ gedrag van onderzochte personen te voorspellen.
Wat maakt iColumbo een gewilder instrument dan de menselijke speurkwaliteit? Ten eerste de efficiëntie: webcrawlers kunnen continu sociale platforms als Facebook en Linkedin, zoekmachines, maar ook webpagina’s als Telefoongids.nl afspeuren. Ten tweede heeft iColumbo de mogelijkheid om actuele gegevens te vergelijken met oude gegevens die in een database zijn opgeslagen.[8] De ‘menselijke crawler’ kan weliswaar een heel eind komen, maar het is niet realistisch om te verwachten dat een mens ontelbare hoeveelheden actuele gegevens continu vergelijkt met een database vol met nog eens ontelbare hoeveelheden oudere data. Volgens het ontwerp van iColumbo is het bovendien de bedoeling dat de ‘collectieve intelligentie’ wordt vergroot, doordat iColumbo automatisch zoekt en analyseert, waarna de gebruiker de resultaten deelt met het systeem en met andere gebruikers. De ambitie met iColumbo is om met Person of interest profiling het ‘criminele’ gedrag van onderzochte personen te voorspellen.
Hansken,
sinds 2015 de opvolger van Xiraf, de zoekmachine van het Nederlands Forensisch
Instituut, verwerkt e-mailberichten, chatgesprekken, foto’s uit de
internetopslag en GPS-gegevens.[9] Hansken maakt het mogelijk
om digitaal bewijsmateriaal veilig te stellen. De Big Data-analyse vind
plaats op multimediale voorwerpen die in beslag zijn genomen, zoals mobiele
telefoons, computers, harde schijven en andere gegevensdragers.[10] Het onderzoek wordt
uitgevoerd via het iRN-netwerk.[11] Met Hansken kunnen
versleutelde berichten worden ontcijferd en met datasets kan de zoekmachine
worden getraind om bepaalde categorieën data te herkennen.[12] In de demo is te zien dat
Hansken afbeeldingen categoriseert, de locaties van data met coördinaten in
kaart brengt, ruispatronen leert herkennen en mailberichten (inclusief
verwijderde berichten) blootlegt.[13] De beoordeling van het
materiaal komt uiteindelijk aan op de menselijke interpretatie door ervaren
rechercheurs.
Hansken
is een techniek die wordt ingezet bij de verzameling van strafrechtelijk
bewijs. Het is de uiteindelijke bedoeling van de ontwerper om op grond van
inbeslaggenomen data de bewijskracht van voorgestelde scenario’s van een misdrijf
te berekenen.[14]
De juridische basis wordt gevormd door de bepalingen over inbeslagneming ten
behoeve van de strafvordering (artikel 134 Sv). Hansken wordt in de regel
uitgevoerd op elektronische gegevensdragers. Het ‘Hanskenonderzoek’ wordt niet
gereguleerd door een specifiek wettelijk kader, maar het ontbreken van een
specifieke wettelijke grondslag voor het onderzoek hoeft geen onderzoekstechnische
drempel te zijn voor Hansken.[15] Ook elektronische
gegevensdragers, zoals computers en telefoons, kunnen als ‘voor beslag vatbare
voorwerpen die kunnen dienen om de waarheid aan het licht te brengen’ in de zin
van artikel 94 Sv worden aangemerkt.[16] Voor de waarheidsvinding
mag onderzoek worden gedaan aan inbeslaggenomen voorwerpen om gegevens voor het
strafrechtelijk onderzoek te krijgen. In de jurisprudentie wordt aangenomen dat
op elektronische gegevensdragers opgeslagen data niet van dit onderzoek zijn
uitgezonderd.[17]
Een kwestie van andere orde is, of artikel 94 Sv een voldoende grondslag vormt
om een inmenging in het privéleven van de betrokkene te rechtvaardigen als met
het Hansken een compleet beeld wordt verkregen van het leven van de gebruiker
van de gegevensdrager.[18] Op die onderliggende kwestie
zal in hoofdstuk 4 uitvoerig worden ingegaan.
1.3.3 Automatic Number Plate Recognition (ANPR)
1.3.3 Automatic Number Plate Recognition (ANPR)
Het
WODC omschrijft Automatic Number Plate Recognition (ANPR) als een techniek
waarmee kentekens van rijtuigen met behulp van camera’s automatisch worden gelezen.
In real-time worden de kentekens vergeleken met een referentielijst, die
kentekens bevat van gestolen voertuigen, voertuigen die bij een misdrijf zijn
gebruikt of van voertuigen van personen die door de politie worden gezocht.[19] Het Real Time
Intelligence Center kan in de ANPR het kenteken van een gestolen auto
opgeven en bij het traceren van het voertuig een melding doorzetten om
ontdekking van de diefstal op heterdaad mogelijk te maken. Is een delict
gepleegd met een gestolen voertuig, dan kunnen UMTS-data van de route die het
gestolen voertuig heeft afgelegd worden geanalyseerd om de mobiele telefoon van
de inzittende(n) te traceren.
ANPR kan worden ingezet om verdacht gedrag te profileren. Real-time alerting met behulp van iTrechter houdt in dat opsporingsambtenaren op grond van ervaringsregels gedragspatronen samenstellen, die zij in de applicatie van ANPR laden, waarna de ANPR overeenkomsten met deze gedragspatronen meldt. Een ‘parkeerplaatshopper’, de automobilist binnen korte tijd naar verschillende parkeerplaatsen langs een bepaalde route verplaatst, kan volgens het gedragspatroon in ANPR worden geprofileerd als mogelijke ladingdief.
ANPR is niet alleen een Big Data-analysemethode om op basis van historische gegevens (tijdstippen, locaties, kentekens) de opsporing van begane delicten te ondersteunen, het instrument kan ook worden ingezet als intelligence led-methode. In een praktijkvoorbeeld van het WODC worden Oost-Europese chauffeurs die ’s nachts met een gehuurde auto op bedrijventerreinen arriveren, geprofileerd in het kader van de opsporing van inbrekers die op bedrijventerreinen toeslaan. Autoverhuurders geven kentekens van auto’s die zij verhuurd hebben aan Oost-Europeanen, door aan het dataverwerkingscentrum van de politie. In de Secure Lane worden burgers ingeschakeld om observaties uit te voeren zodra een aan de hand van het kenteken van de huurauto geïdentificeerde Oost-Europeaan het bedrijventerrein op komt rijden. De private toezichthouders geven de data van hun observatieapparatuur (opgeslagen beveiligingsbeelden) door aan het dataverwerkingscentrum. Het doel van alle manieren waarop ANPR wordt ingezet, van real-time herkenning en alerting tot profilering, is het vergroten van de efficiëntie van de inzet van politieambtenaren bij de opsporing van delicten.
ANPR kan worden ingezet om verdacht gedrag te profileren. Real-time alerting met behulp van iTrechter houdt in dat opsporingsambtenaren op grond van ervaringsregels gedragspatronen samenstellen, die zij in de applicatie van ANPR laden, waarna de ANPR overeenkomsten met deze gedragspatronen meldt. Een ‘parkeerplaatshopper’, de automobilist binnen korte tijd naar verschillende parkeerplaatsen langs een bepaalde route verplaatst, kan volgens het gedragspatroon in ANPR worden geprofileerd als mogelijke ladingdief.
ANPR is niet alleen een Big Data-analysemethode om op basis van historische gegevens (tijdstippen, locaties, kentekens) de opsporing van begane delicten te ondersteunen, het instrument kan ook worden ingezet als intelligence led-methode. In een praktijkvoorbeeld van het WODC worden Oost-Europese chauffeurs die ’s nachts met een gehuurde auto op bedrijventerreinen arriveren, geprofileerd in het kader van de opsporing van inbrekers die op bedrijventerreinen toeslaan. Autoverhuurders geven kentekens van auto’s die zij verhuurd hebben aan Oost-Europeanen, door aan het dataverwerkingscentrum van de politie. In de Secure Lane worden burgers ingeschakeld om observaties uit te voeren zodra een aan de hand van het kenteken van de huurauto geïdentificeerde Oost-Europeaan het bedrijventerrein op komt rijden. De private toezichthouders geven de data van hun observatieapparatuur (opgeslagen beveiligingsbeelden) door aan het dataverwerkingscentrum. Het doel van alle manieren waarop ANPR wordt ingezet, van real-time herkenning en alerting tot profilering, is het vergroten van de efficiëntie van de inzet van politieambtenaren bij de opsporing van delicten.
In
2011 is de Raffinaderij, een programma voor datagedreven rechercheren (IGP)
geïntroduceerd naar aanleiding van het Holitna-onderzoek.[20] Onder het sinds 2014
geldende motto ‘Gegevens zijn de kern’ worden in de Raffinaderij data afkomstig
uit verschillende Big Data-analysemethoden bijeengebracht;[21] het gaat onder meer om
data afkomstig van onderzoek aan in beslag genomen gegevensdragers in Hansken,
telefoontaps, internetdata, en gegevens van ANPR. Het is niet de bedoeling om
de Raffinaderij in te zetten voor profilering en risicotaxatie. Evenmin is het
de bedoeling om ongerichte datamining geautomatiseerde besluitvorming toe te
passen in de Raffinaderij.[22] De uitgangspunten van de
Raffinaderij verschillen daarmee met die van iColumbo, waar ongerichte
datamining wel kan worden uitgevoerd. De Raffinaderij is een middel om analyses
te verfijnen en om patronen tussen (reeds geanalyseerde) data bloot te leggen;
de analyses worden in real-time aan de opsporingsambtenaren aangeboden, om een
proactieve opsporing mogelijk te maken.[23]
[1] WRR, Big Data in een
vrije en veilige samenleving, Den Haag/Amsterdam 2016, p. 44; E.J.
Koops e.a, Juridische scan open brononderzoek. Een analyse op hoofdlijnen
van de juridische aspecten van de iRN/iColumbo-infrastructuur en HDIeF-tools,
Tilburg: TILT 2012, p. 7.
[2] Te raadplegen via
https://www.nctv.nl/binaries/deel-projectvoorstel-ontwikkeling-icolumbo-alternatief_tcm31-30337.pdf.
[3] S. Brinkhoff,
‘Datamining in een veranderende wereld van opsporing en vervolging’, Tijdschrift voor Bijzonder Strafrecht en
Handhaving 2017/12-4, p. 225.
[4] P. de Beijer,
‘Internet gedreven innoveren vergroot veiligheid’, Magazine nationale veiligheid en crisisbeheersing, 2013/2, p. 18.
[5] E.J. Koops e.a, Juridische
scan open brononderzoek. Een analyse op hoofdlijnen van de juridische aspecten
van de iRN/iColumbo-infrastructuur en HDIeF-tools, Tilburg: TILT 2012, p.
12.
[6] Activiteit 4 van
‘iRN Open Internet Monitor Netwerk’, via
https://www.nctv.nl/binaries/deel-projectvoorstel-ontwikkeling-icolumbo-alternatief_tcm31-30337.pdf.
[7] WRR, Big Data in een vrije en veilige samenleving,
Den Haag/Amsterdam 2016, p. 72.
[8] S. Brinkhoff, ‘Big
Data datamining door de politie: ijkpunten voor een toekomstige
opsporingsmethode’, NJB 2016/5-20, p.
1401.
[9]
https://nl.linkedin.com/jobs/view/forensische-lead-software-engineer-hansken-at-ministerie-van-justitie-en-veiligheid-351619758.
[10]
https://www.forensischinstituut.nl/forensisch-onderzoek/h/hansken (laatstelijk
geraadpleegd op 19 juni 2019).
[11]
https://www.politieacademie.nl/onderwijs/onderwijsaanbod/pages/opleiding.aspx?code=9303705
(laatstelijk geraadpleegd op 19 juni 2019).
[12] ‘Boevenberichten
ontsleuteld’, Opportuun 2 mei 2018-02.
[13] ‘Bits en bites
toegankelijk voor tactiek’, Blauw 30 april 2016-04, p. 32-37.
[14] ‘Bij het NFI kan
Harm van Beek écht met de inhoud aan de slag’, Nederlands Forensisch Instituut,
https://www.forensischinstituut.nl/over-het-nfi/werken-bij-het-nfi/worden-zij-jouw-nieuwe-collegas/harm-van-beek.
[15] Vgl. Rb.
Amsterdam, 19 april 2018, ECLI:NL:GHAMS:2018:2504 (Onderzoek Tandem
II-dataset in Hansken), r.o. 3.10.
[16] Gerechtshof
Amsterdam, 13 november 2015, ECLI:NL:GHAMS:2015:5007.
[17] HR 29 maart 1994,
ECLI:NL:HR:1994:AD2076.
[18] HR 4 april 2017,
ECLI:NL:HR:2017:588 (Onderzoek Smartphone), r.o. 2.6.
[19] G. Homburg e.a., ‘ANPR: Toepassingen en ontwikkelingen’,
eindrapport WODC 2016, p. 11.
[20] M. den Hengst, T. ten Brink en J. ter Mors, ‘Informatiegestuurd
politiewerk in de praktijk’, Politieacademie 2017, p. 254.
[21] S. den Hengst en
I. Walraven, ‘Datagovernance bij de Rijksoverheid’, RADIO-Module 2
oktober 2018, presentatie via
https://www.it-academieoverheid.nl/documenten/presentaties/2018/10/02/presentatie-politie-over-data-governance-bij-de-rijksoverheid,
slides 26 en 40.
[22] M. den Hengst, T.
ten Brink en J. ter Mors, ‘Informatiegestuurd politiewerk in de praktijk’,
Politieacademie 2017, p. 257.
[23] Vgl.
https://socialmediadna.nl/informatiegestuurd-politiewerk-in-de-praktijk/
(geraadpleegd op 21 juni 2019).
