EP2832074A1 - Procédé de masquage des données composant un profil utilisateur associé à un noeud d'un réseau - Google Patents

Procédé de masquage des données composant un profil utilisateur associé à un noeud d'un réseau

Info

Publication number
EP2832074A1
EP2832074A1 EP13711894.9A EP13711894A EP2832074A1 EP 2832074 A1 EP2832074 A1 EP 2832074A1 EP 13711894 A EP13711894 A EP 13711894A EP 2832074 A1 EP2832074 A1 EP 2832074A1
Authority
EP
European Patent Office
Prior art keywords
node
user profile
data structure
elements
representative
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Withdrawn
Application number
EP13711894.9A
Other languages
German (de)
English (en)
Inventor
Anne-Marie Kermarrec
Sébastien GAMBS
Mohammad Nabil ALAGGAN
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Universite de Rennes 1
Institut National de Recherche en Informatique et en Automatique INRIA
Original Assignee
Universite de Rennes 1
Institut National de Recherche en Informatique et en Automatique INRIA
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Universite de Rennes 1, Institut National de Recherche en Informatique et en Automatique INRIA filed Critical Universite de Rennes 1
Publication of EP2832074A1 publication Critical patent/EP2832074A1/fr
Withdrawn legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/40—Business processes related to social networking or social networking services
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/40—Business processes related to social networking or social networking services
    • G06Q10/42—Determination of affinities or common interests between users
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/2866—Architectures; Arrangements
    • H04L67/30—Profiles
    • H04L67/306—User profiles
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
    • H04L9/06—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols the encryption apparatus using shift registers or memories for block-wise or stream coding, e.g. DES systems or RC4; Hash functions; Pseudorandom sequence generators
    • H04L9/0643—Hash functions, e.g. MD5, SHA, HMAC or f9 MAC

Definitions

  • the present invention relates to a method of masking data comprising a user profile associated with a node of a network, and a method for estimating the similarity between a first node and a second node of a network, each node having a profile. associated user.
  • the invention lies in the field of privacy in networks, including distributed networks.
  • a distributed network is formed of nodes, each node being associated with a user and having an associated user profile, composed of a subset of elements present among a set of possible elements, relating to particularities or preferences. of the user.
  • Various applications use the user profile, for example to create groups of users with common interests or for recommendation systems, able to offer a user new products that meet his interests.
  • Such applications require calculating a similarity between user profiles to determine their proximity in the sense of the data or preferences expressed in the user profiles.
  • An object of the invention is to propose a method of masking the data comprising a user profile, making it possible to obtain a representation of a user profile that offers guarantees in terms of confidentiality while presenting a good utility for a similarity calculation. between profiles associated with the nodes of a network.
  • the invention relates to a method of masking data comprising a user profile associated with a node of a network, a user profile being composed of a subset of elements present among a set of possible elements.
  • the method of the invention comprises the following steps: obtaining an initial data structure comprising a predetermined number of bits, a said bit being able to take one of two possible values, the initial data structure being representative of the elements present in the user profile, and
  • the method of the invention makes it possible to obtain a masked data structure representative of the elements present in the user profile, which respects a predetermined level of confidentiality.
  • the obtaining step comprises the application of a filtering operation on said subset of present elements making it possible to obtain a probabilistic data structure representative of the presence of elements in the user profile among the set possible elements with a certain level of certainty;
  • said filtering operation is a Bloom filtering, associating a number M of binary values with said subset of elements present, the M binary values being obtained by successive application and independent of K hash functions, each hash function performing a pseudo-random association between an element present in the user profile and a corresponding bit which is set to a first binary value among the two possible binary values;
  • said confidentiality parameter is a differential confidentiality parameter ⁇ relative to the confidentiality of the bits of said initial data structure, and said probability value is between 1 / (1 + exp (e)) and 0.5;
  • said confidentiality parameter also depends on the number K of hash functions applied, and said probability value is between 1 / (1 + exp (e / K)) and 0.5.
  • the invention relates to a similarity estimation method between a first node and a second node of a network, each node having an associated user profile, a user profile consisting of a subset of elements among a set of possible elements.
  • the estimation method comprises the steps of: obtaining an initial data structure or a masked data structure obtained by applying a masking method as briefly described above, representative of the user profile associated with the first node,
  • the similarity estimate can be implemented on any node of the network, insofar as the similarity estimate is made from the obtained masked data structures.
  • the similarity estimate is implemented on various nodes of the network, as in a peer-to-peer distributed system, this eliminates the need for a central server performing all the calculations.
  • the similarity estimation method according to the invention may have one or more of the following features:
  • the estimation step comprises calculating a scalar product between said initial data structure and said masked data structure;
  • a masked data structure representative of the user profile associated with the first node is obtained.
  • FIG. 1 is an example of a network implementing the invention
  • FIG. 2 is a diagram representing the functional blocks of a device able to implement a data masking method and / or a similarity estimation method according to the invention
  • FIG. 3 is a flowchart representative of the steps implemented for the masking of the data composing a user profile according to one embodiment of the invention.
  • FIG. 4 is a flowchart representative of the steps implemented in a similarity estimation method according to one embodiment of the invention.
  • FIG. 1 schematically represents a network 1 according to one embodiment of the invention, consisting of nodes 2, 4, 6, each node of the network being able to communicate with the other nodes of the network and having an associated user profile.
  • a network according to the invention is in practice made up of any number of nodes, the number of nodes being able to evolve dynamically.
  • a node of the network is implemented by a programmable device of the personal computer type, having computing capabilities and connection capabilities to a communications network.
  • nodes 2, 4, 6 are connected via the Internet.
  • the nodes 2, 4, 6 of the network 1 each have an identifier, the identifiers being denoted respectively A, B and C.
  • Each node has an associated user profile, composed of a subset of elements among a set of possible elements.
  • the set of possible elements is finished or not.
  • the present elements designate addresses of type URL
  • Each node calculates and stores an initial representation of the associated user profile, noted respectively P A for the node A, P B for the node B, and P c for the node C.
  • This initial representation also called private profile, is computed deterministic.
  • each node calculates and stores a masked representation of the associated user profile, also called public profile, denoted respectively P * A for the node A, P * B for the node B, and P * c for the node C, the calculation being performed according to one of the embodiments of the invention explained in detail below with reference to FIG. 3.
  • This masked representation is probabilistic, a level of uncertainty being introduced on the elements constituting it, so as to preserve the confidentiality and to prevent a third party from deriving the elements present in the user profile from its hidden representation.
  • the hidden representations can be published, that is to say transmitted to other nodes of the network 1, while guaranteeing the confidentiality and a level of security compared to malicious attacks seeking to recover the data of the user profile hidden or hidden.
  • Initial representations are private representations, which are stored locally on each node and are not made public. As illustrated by the arrows shown in FIG. 1, the respective nodes send the masked representation of their profile to other nodes of the network. Each node is able to calculate a similarity value according to a predetermined similarity measure, between a masked profile representation received from another node and its own initial representation, as explained in detail below.
  • each node transmits its public profile to a central server or to another node of the network that performs the similarity calculations between two public profiles, and therefore in their masked representation.
  • the node A receives the masked representations of the nodes B and C
  • the node B receives the masked representations of the nodes A and C.
  • Each of the nodes A and B is able to calculate similarity values between nodes, and to provide these values to client applications for example. These nodes A and B then play a server role in the network 1.
  • the node A can estimate the similarities s (A, B) and s (A, C) from P A , P * B and P * c
  • the node B can estimate the similarities s (B, A ) and s (B, C) from P B , P * A and P * c .
  • Node C does not receive a hidden representation of other nodes so can not perform similarity calculation. Node C plays a client role.
  • Each node of a network according to the invention is implemented on a programmable device, such as a computer, the main functional blocks of which are schematically represented in FIG.
  • the programmable device 10 also comprises information storage means 18, for example registers, capable of storing executable code instructions allowing the software implementation of a data masking method and / or a method for storing the data. similarity estimation according to the invention.
  • the programmable device 10 comprises communication means 20 with a communications network.
  • the various functional blocks of the device 10 described above are for example connected via a communication bus 22.
  • FIG. 3 illustrates the main steps of an embodiment of the method for masking the data representative of a user profile associated with an N node of a network according to the invention, implemented by a central processing unit 16 of a device 10 associated with the node N.
  • Such a masking method is for example implemented at each update of the user profile associated with the node N by the user, for example each time the user expresses a new preference.
  • such a masking method is implemented periodically or on demand.
  • the elements present in the user profile of the node N are recovered. These elements are stored in a memory 18 of the device 10.
  • the identifier is a number associated with a present element.
  • a Bloom filter is a compact probabilistic structure of data representation, making it possible to determine with a certain probability that an element is present in a set of data.
  • the number M of bits of the data structure P N is fixed, whatever the number S of elements present in the user profile PU (N).
  • Each hash function performs a mapping between an element present in the user profile PU (N) and an index i between 0 and M-1, and the value of the binary element of index i, b ,, is set to 1, or more generally to a first value among the two possible values.
  • the taking into account of a new element present p s + i or addition of an element of the user profile is done by the successive and independent application of each of the K hash functions h (p s + i), and setting to 1 the designated bits of the data structure P N , independently of the values already taken by the bits b, of the data structure.
  • the data structure P N obtained by Bloom filter can also be used to check the presence or absence of an element p k in the user profile associated with the node N. If at least one bit corresponding to a bit position obtained by the K hash functions applied with the element p k is equal to 0, the element p k is certainly absent from the user profile.
  • a uniform variable X is drawn in the interval [0, 1]
  • the probabilistic inversion operation is applied only on a subset of the bits of the initial data structure, for example on a binary element b, out of two, or on a subset of d binary elements of the initial data structure also chosen pseudo-randomly.
  • a data structure P * N corresponding to a masked representation of the user profile is thus obtained at the end of step 34.
  • exp represents the exponential function and Pr [A] the probability of an event A.
  • a binary element b has the value 0 or 1.
  • the probability value p is computed to provide privacy at the level of the elements p, present in the user profile from which the data structure is computed. For this, the number K of hash functions is also taken into account.
  • a confidentiality parameter ⁇ is defined by the following equations:
  • Step 34 is followed by a step 36 of publication in the network of the masked representation P * N calculated.
  • Bloom to obtain an initial representation in the form of an initial data structure, then the application of a probabilistic inversion operation to obtain a masked representation with an associated level of confidentiality.
  • step 34 of applying a probabilistic inversion operation is applied to this vector P N , as explained above.
  • Step 34 is followed by an optional step, not shown in FIG. 3, of application of a Bloom filter after the probabilistic inversion operation.
  • FIG. 4 illustrates the steps of a similarity estimation method between nodes of a distributed network having associated user profiles according to one embodiment of the invention.
  • the similarity estimation method is implemented on a first node A of the distributed network, which performs the similarity estimation between its own associated user profile and the user profile associated with a second network node B .
  • the calculated data structures are used as detailed above with reference to FIG. 3, that is, the initial data structure P A of the node A and the masked P * B data structure representative of the Node B.
  • the similarity estimation method is implemented by a central processing unit 16 of a programmable device 10 associated with the node A.
  • the node A receives, from the node B, a masked data structure P * B representative of the elements present in the user profile of the node B.
  • a masked data structure or Public Profile P * B of Node B provides a guarantee of confidentiality with a predetermined level of confidentiality.
  • the node A recovers an initial data structure P A representative of the user profile associated with this node A. It is not necessary to use the masked data structure P * A, because the node A does not need to guarantee confidentiality since the calculations are performed on this node.
  • the initial data structure P A is calculated as explained above with reference to FIG. 3, or retrieved in a memory 18 of the programmable device 10 if it has been calculated previously.
  • the data representations are computed by applying Bloom filtering and then applying a probabilistic inversion operation to obtain a masked data structure.
  • a similarity estimation calculation between the user profiles of the nodes A and B is performed.
  • P B As node A does not have the private profile of node B, P B , only a similarity estimate from the two present data structures, P A and P * B respectively , can be calculated.
  • the estimator of the similarity between the node A and the node B is calculated from the scalar product between P A and P * B.
  • the dot product is equivalent to a cosine similarity measure (or "cosine similarity" in English) for binary vectors.
  • SP * that is, an estimator whose expectation is equal to the expectation of the scalar product between P A and P B .
  • an unbiased estimator is computed on the basis of a binary sum BS between the representative data structures of profiles P A and P * B :
  • a similarity estimate between nodes A and B is obtained on node A, from the public profile of node B and the private profile of node A.
  • each of the nodes A and B sends its public profile, respectively P * A and P * B , to a central server or to a third node, different from the nodes A and B, which performs a similarity estimation calculation between the user profiles of the A and B nodes.
  • the various similarity estimators explained above have good performance for obtaining nodes similar to a given node, that is to say having a user profile close to the user profile of the given node.
  • a user profile is both masked to ensure its confidentiality and ensure that it can be distributed to a third party without risk of revealing its private data, while remaining usable for similarity calculations between profiles users.

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Operations Research (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Power Engineering (AREA)
  • Computer Security & Cryptography (AREA)
  • Computing Systems (AREA)
  • Computer And Data Communications (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

L'invention concerne un procédé de masquage des données composant un profil utilisateur associé à un noeud d'un réseau, un profil utilisateur étant composé d'un sous-ensemble d'éléments présents parmi un ensemble d'éléments possibles. Le procédé de masquage comporte une étape d'obtention (32) d'une structure de données initiale comportant un nombre prédéterminé d'éléments binaires, un dit élément binaire pouvant prendre une valeur parmi deux valeurs possibles, la structure de données initiale étant représentative des éléments présents dans le profil utilisateur, et, pour au moins une partie desdits éléments binaires, une étape d'application (34) d'une opération probabiliste d'inversion de la valeur dudit élément binaire, fonction d'une valeur de probabilité calculée à partir d'un paramètre de confidentialité prédéterminé, permettant d'obtenir une structure de données masquée représentative des éléments présents dans le profil utilisateur. L'invention concerne également un procédé d'estimation de similarité entre un premier noeud et un deuxième noeud d'un réseau utilisant au moins une structure de données masquée obtenue par le procédé de masquage de données.

Description

Procédé de masquage des données composant un profil utilisateur associé à un nœud d'un réseau
La présente invention concerne un procédé de masquage des données composant un profil utilisateur associé à un nœud d'un réseau, et un procédé d'estimation de la similarité entre un premier nœud et un deuxième nœud d'un réseau, chaque nœud ayant un profil utilisateur associé.
L'invention se situe dans le domaine du respect de la vie privée dans les réseaux, notamment les réseaux distribués.
De nos jours, la communication via Internet est largement généralisée, et de nombreux réseaux distribués sont créés sur la base des données et préférences émanant des utilisateurs, comme par exemple les réseaux sociaux. Typiquement, un tel réseau distribué est formé de nœuds, chaque nœud étant associé à un utilisateur et ayant un profil utilisateur associé, composé d'un sous-ensemble d'éléments présents parmi un ensemble d'éléments possibles, relatifs aux particularités ou aux préférences de l'utilisateur.
Diverses applications utilisent le profil utilisateur, par exemple pour créer des groupes d'utilisateurs ayant des intérêts communs ou pour des systèmes de recommandation, aptes à proposer à un utilisateur de nouveaux produits conformes à ses intérêts. De telles applications nécessitent de calculer une similarité entre profils utilisateurs afin de déterminer leur proximité au sens des données ou préférences exprimées dans les profils utilisateur.
Il est connu, dans un réseau centralisé dans lequel les nœuds représentatifs des utilisateurs sont considérés comme des clients, d'utiliser un serveur central pour effectuer un tel calcul de similarité. Cela pose deux types de problèmes, d'une part un problème de confidentialité des données constituant le profil utilisateur, et d'autre part, un problème de puissance de calcul à mettre en œuvre par un tel serveur central effectuant les calculs de similarité.
Un objectif de l'invention est de proposer un procédé de masquage des données composant un profil utilisateur, permettant d'obtenir une représentation d'un profil utilisateur qui présente des garanties en termes de confidentialité tout en présentant une bonne utilité pour un calcul de similarité entre profils associés aux nœuds d'un réseau.
A cet effet, l'invention concerne, selon un premier aspect, un procédé de masquage des données composant un profil utilisateur associé à un nœud d'un réseau, un profil utilisateur étant composé d'un sous-ensemble d'éléments présents parmi un ensemble d'éléments possibles. Le procédé de l'invention comporte les étapes suivantes : - obtention d'une structure de données initiale comportant un nombre prédéterminé d'éléments binaires, un dit élément binaire pouvant prendre une valeur parmi deux valeurs possibles, la structure de données initiale étant représentative des éléments présents dans le profil utilisateur, et
- pour au moins une partie desdits éléments binaires, application d'une opération probabiliste d'inversion de la valeur dudit élément binaire, fonction d'une valeur de probabilité dépendante d'un paramètre de confidentialité prédéterminé, permettant d'obtenir une structure de données masquée représentative des éléments présents dans le profil utilisateur.
Avantageusement, le procédé de l'invention permet d'obtenir une structure de données masquée représentative des éléments présents dans le profil utilisateur, qui respecte un niveau de confidentialité prédéterminé.
Le procédé de masquage des données selon l'invention peut présenter une ou plusieurs des caractéristiques ci-dessous :
- l'étape d'obtention comprend l'application d'une opération de filtrage sur ledit sous-ensemble d'éléments présents permettant d'obtenir une structure probabiliste de données représentative de la présence d'éléments dans le profil utilisateur parmi l'ensemble d'éléments possibles avec un niveau de certitude associé ;
- ladite opération de filtrage est un filtrage de Bloom, associant un nombre M de valeurs binaires audit sous-ensemble d'éléments présents, les M valeurs binaires étant obtenues par application successive et indépendante de K fonctions de hachage, chaque fonction de hachage réalisant une association pseudo-aléatoire entre un élément présent dans le profil utilisateur et un élément binaire correspondant qui est mis à une première valeur binaire parmi les deux valeurs binaires possibles ;
- ledit paramètre de confidentialité est un paramètre de confidentialité différentielle ε relatif à la confidentialité des éléments binaires de ladite structure de données initiale, et ladite valeur de probabilité est comprise entre 1/(1 +exp(e)) et 0,5 ;
- ledit paramètre de confidentialité dépend en outre du nombre K de fonctions de hachage appliqué, et ladite valeur de probabilité est comprise entre 1/(1 +exp(e/K)) et 0,5.
Selon un deuxième aspect, l'invention concerne un procédé d'estimation de similarité entre un premier nœud et un deuxième nœud d'un réseau, chaque nœud ayant un profil utilisateur associé, un profil utilisateur étant composé d'un sous-ensemble d'éléments présents parmi un ensemble d'éléments possibles. Le procédé d'estimation comporte les étapes de : -obtention d'une structure de données initiale ou d'une structure de données masquée obtenue par application d'un procédé de masquage tel que brièvement décrit ci- dessus, représentative du profil utilisateur associé au premier nœud,
-réception d'une structure de données masquée représentative du profil utilisateur associé au deuxième nœud obtenue par application d'un procédé de masquage tel que brièvement décrit ci-dessus, et
-estimation d'une valeur de similarité entre lesdits premier nœud et deuxième nœud en fonction desdites structures de données.
Avantageusement, l'estimation de similarité peut être mise en œuvre sur un nœud quelconque du réseau, dans la mesure où l'estimation de similarité se fait à partir des structures de données masquées obtenues. En particulier lorsque l'estimation de similarité est mise en œuvre sur divers nœuds du réseau, comme dans un système distribué de type pair-à-pair, cela permet de s'affranchir du besoin d'un serveur central effectuant tous les calculs.
Le procédé d'estimation de similarité selon l'invention peut présenter une ou plusieurs des caractéristiques ci-dessous :
- il est mis en œuvre sur ledit premier nœud, et à l'étape d'obtention, une structure de données initiale représentative du profil utilisateur associé au premier nœud est obtenue ;
- l'étape d'estimation comporte le calcul d'un produit scalaire entre ladite structure de données initiale et ladite structure de données masquée ;
- il est mis en œuvre sur un nœud du réseau différent desdits premier nœud et deuxième nœud, et à l'étape d'obtention, une structure de données masquée représentative du profil utilisateur associé au premier nœud est obtenue.
D'autres caractéristiques et avantages de l'invention ressortiront de la description qui en est donnée ci-dessous, à titre indicatif et nullement limitatif, en référence aux figures annexées, parmi lesquelles :
-la figure 1 est un exemple de réseau mettant en œuvre l'invention,
-la figure 2 est un schéma représentant les blocs fonctionnels d'un dispositif apte à mettre en œuvre un procédé de masquage de données et/ou un procédé d'estimation de similarité selon l'invention,
-la figure 3 est un organigramme représentatif des étapes mises en œuvre pour le masquage des données composant un profil utilisateur selon un mode de réalisation de l'invention, et
-la figure 4 est un organigramme représentatif des étapes mises en œuvre dans un procédé d'estimation de similarité selon un mode de réalisation de l'invention. La figure 1 représente schématiquement un réseau 1 selon un mode de réalisation de l'invention, constitué de nœuds 2, 4, 6, chaque nœud du réseau étant apte à communiquer avec les autres nœuds du réseau et ayant un profil utilisateur associé.
Bien évidemment, un réseau selon l'invention est en pratique constitué d'un nombre quelconque de nœuds, le nombre de nœuds pouvant évoluer dynamiquement.
En pratique, un nœud du réseau est mis en œuvre par un dispositif programmable de type ordinateur personnel, ayant des capacités de calcul et des capacités de connexion à un réseau de communications. Par exemple, les nœuds 2, 4, 6 sont connectés via le réseau Internet.
Les nœuds 2, 4, 6 du réseau 1 ont chacun un identifiant, les identifiants étant notés respectivement A, B et C.
Chaque nœud a un profil utilisateur associé, composé d'un sous-ensemble d'éléments présents parmi un ensemble d'éléments possibles. L'ensemble d'éléments possibles est fini ou pas.
Par exemple, les éléments présents désignent des adresses de type URL
(« Uniform Resource Locator ») de documents pour lesquels l'utilisateur a exprimé une préférence.
Chaque nœud calcule et mémorise une représentation initiale du profil utilisateur associé, notée respectivement PA pour le nœud A, PB pour le nœud B, et Pc pour le nœud C. Cette représentation initiale, appelée également profil privé, est calculée de manière déterministe.
Par ailleurs, chaque nœud calcule et stocke une représentation masquée du profil utilisateur associé, appelée également profil public, notée respectivement P* A pour le nœud A, P* B pour le nœud B, et P* c pour le nœud C, le calcul étant effectué selon un des modes de réalisation de l'invention explicités en détail ci-après en référence à la figure 3. Cette représentation masquée est probabiliste, un niveau d'incertitude étant introduit sur les éléments la constituant, de manière à préserver la confidentialité et à empêcher qu'un tiers puisse déduire les éléments présents dans le profil utilisateur à partir de sa représentation masquée.
Ainsi, les représentations masquées peuvent être publiées, c'est-à-dire transmises à d'autres nœuds du réseau 1 , tout en garantissant la confidentialité et un niveau de sécurité par rapport à des attaques malveillantes cherchant à retrouver les données du profil utilisateur masquées ou dissimulées. Les représentations initiales sont des représentations privées, qui sont stockées localement sur chaque nœud et ne sont pas rendues publiques. Comme illustré par les flèches représentées sur la figure 1 , les nœuds respectifs envoient la représentation masquée de leur profil à d'autres nœuds du réseau. Chaque nœud est apte à calculer une valeur de similarité selon une mesure de similarité prédéterminée, entre une représentation masquée de profil reçue d'un autre nœud et sa propre représentation initiale, comme expliquée en détail ci-après.
En variante, chaque nœud transmet son profil public à un serveur central ou à un autre nœud du réseau qui effectue les calculs de similarité entre deux profils publics, donc dans leur représentation masquée.
Dans l'exemple de la figure 1 , le nœud A reçoit les représentations masquées des nœuds B et C, le nœud B reçoit les représentations masquées des nœuds A et C.
Chacun des nœuds A et B est apte à calculer des valeurs de similarité entre nœuds, et à fournir ces valeurs à des applications clientes par exemple. Ces nœuds A et B jouent alors un rôle de serveur dans le réseau 1 .
Par exemple, le nœud A peut estimer les similarités s(A, B) et s(A, C) à partir de PA, P*B et P*c, et le nœud B peut estimer les similarités s(B, A) et s(B,C) à partir de PB, P* A et P* c.
Le nœud C ne reçoit pas de représentation masquée d'autres nœuds donc ne peut pas effectuer de calcul de similarité. Le nœud C joue un rôle de client.
Chaque nœud d'un réseau selon l'invention est mis en œuvre sur un dispositif programmable, tel qu'un ordinateur, dont les principaux blocs fonctionnels sont schématiquement représentés à la figure 2.
Ainsi, un dispositif programmable 10 apte à mettre en œuvre l'invention comprend un écran 12, un moyen 14 de saisie des commandes d'un utilisateur, par exemple un clavier, pouvant être intégré dans un écran tactile, une unité centrale de traitement 16, apte à exécuter des instructions de programme de commande lorsque le dispositif programmable est mis sous tension. Le dispositif programmable 10 comporte également des moyens de stockage d'informations 18, par exemple des registres, aptes à stocker des instructions de code exécutable permettant la mise en œuvre logicielle d'un procédé de masquage des données et/ou d'un procédé d'estimation de similarité selon l'invention. De plus, le dispositif programmable 10 comporte des moyens de communication 20 avec un réseau de communications.
Les divers blocs fonctionnels du dispositif 10 décrits ci-dessus sont par exemple connectés via un bus de communication 22.
La figure 3 illustre les principales étapes d'un mode de réalisation du procédé de masquage des données représentatives d'un profil utilisateur associé à un nœud N d'un réseau selon l'invention, mis en œuvre par une unité centrale de traitement 16 d'un dispositif 10 associé au nœud N.
Un tel procédé de masquage est par exemple mis en œuvre à chaque mise à jour du profil utilisateur associé au nœud N par l'utilisateur, par exemple à chaque fois que l'utilisateur exprime une nouvelle préférence.
En variante, un tel procédé de masquage est mis en œuvre périodiquement ou à la demande.
Dans une première étape 30, les éléments présents dans le profil utilisateur du nœud N sont récupérés. Ces éléments sont stockés dans une mémoire 18 du dispositif 10. Par exemple, le profil utilisateur est composé de S éléments PU(N)={p1 ,..., ps}, qui sont des éléments présents, chaque élément présent ayant un identifiant unique associé. Par exemple, l'identifiant est un numéro associé à un élément présent.
Ensuite, à l'étape suivante 32, une représentation initiale du profil utilisateur est générée, sous forme de structure de données PN={b0, bM-i} comportant un nombre prédéterminé M d'éléments binaires, c'est-à-dire des éléments pouvant prendre une valeur parmi deux valeurs possibles {Va, Vb}.
Dans le mode de réalisation préféré, les valeurs possibles sont Va=0, Vb=1 , donc chaque b, est égal à 0 ou à 1 , et la structure de données initiale PN est obtenue en appliquant un filtre de Bloom sur les éléments présents p. dans le profil utilisateur PU(N).
De manière connue, un filtre de Bloom est une structure probabiliste compacte de représentation des données, permettant de déterminer avec une certaine probabilité qu'un élément est présent dans un ensemble de données.
Le nombre M d'éléments binaires de la structure de données PN est fixe, quelque soit le nombre S d'éléments présents dans le profil utilisateur PU(N).
Pour obtenir la structure de données initiale par filtre de Bloom, un nombre K de fonctions de hachage (en anglais « hash functions ») est utilisé. Chaque fonction de hachage réalise une mise en correspondance entre un élément présent dans le profil utilisateur PU(N) et un indice i compris entre 0 et M-1 , et la valeur de l'élément binaire d'indice i, b,, est mise à 1 , ou plus généralement à une première valeur parmi les deux valeurs possibles.
En pratique, une fonction de hachage h appliquée à un élément présent pk effectue un tirage pseudo-aléatoire avec comme racine l'identifiant unique de pk, modulo M, ce qui permet d'obtenir une valeur numérique : h(pk)=l. L'élément b, de la structure de données initiale est alors mis à la valeur 1 : b,=1 .
La prise en compte d'un nouvel élément présent ps+i ou addition d'un élément du profil utilisateur se fait par l'application successive et indépendante de chacune des K fonctions de hachage h(ps+i), et la mise à la valeur 1 des bits désignés de la structure de données PN, indépendamment des valeurs déjà prises par les bits b, de la structure des données.
Par ailleurs, la structure de données PN obtenue par filtre de Bloom est également utilisable pour vérifier la présence ou non d'un élément pk dans le profil utilisateur associé au nœud N. Si au moins un bit correspondant à une position binaire obtenue par les K fonctions de hachage appliquées avec l'élément pk est égal à 0, l'élément pk est avec certitude absent du profil utilisateur.
Par contre, le fait que tous les bits correspondant à une position binaire obtenue par les K fonctions de hachage appliquées avec l'élément pk sont égaux à 1 ne permet de déduire la présence de l'élément pk dans le profil utilisateur qu'avec une certaine probabilité, car il est possible que des collisions se présentent. Ainsi, une structure obtenue par filtrage de Bloom est représentative des éléments présents dans le profil utilisateur avec un niveau de certitude associé.
Ensuite, à l'étape 34, on obtient une représentation masquée du profil utilisateur, notée = {v0 ,...,vM_l }, par application d'une opération probabiliste d'inversion (ou 'flip' en anglais) d'une ou plusieurs valeurs binaires de la structure de données précédemment obtenue.
Dans le mode de réalisation préféré, pour chaque bit b, de la structure de données initiale, on applique une inversion de la valeur binaire ou pas, selon le résultat d'un tirage aléatoire, avec une probabilité p.
On effectue un tirage d'une variable uniforme X, dans l'intervalle [0 ,1 ]
Le principe de l'opération d'inversion flip de la valeur de l'élément binaire b, est le suivant :
Si X≤ p alors v; = flip(b{ ) = l - b,
Sinon, v; = flip(b, ) = b, .
De manière plus générale, si X≤ p , l'élément binaire bi change de valeur et prend l'autre valeur possible, sinon il reste inchangé.
Selon une alternative, l'opération probabiliste d'inversion n'est appliquée que sur un sous-ensemble des éléments binaires de la structure de données initiale, par exemple sur un élément binaire b, sur deux, ou bien sur un sous-ensemble d'éléments binaires de la structure de données initiale choisis également de manière pseudo-aléatoire.
Une structure de données P* N, correspondant à une représentation masquée du profil utilisateur est ainsi obtenue à l'issue de l'étape 34. L'opération probabiliste d'inversion est appliquée avec une probabilité p. Il apparaît clairement que la valeur de p a un fort impact sur le niveau de confidentialité obtenu, et aussi sur le niveau d'utilité pour des calculs de similarité de la représentation masquée obtenue. En effet, une valeur de p=1/2 aboutit à un résultat aléatoire, qui préserve totalement la confidentialité mais dans ce cas la représentation masquée n'est d'aucune utilité pour un calcul de similarité.
Il est important de déterminer une valeur de probabilité p avec un niveau de confidentialité prédéterminé, selon une métrique de confidentialité choisie, tout en préservant un niveau d'utilité suffisant.
En utilisant la métrique de confidentialité différentielle, en anglais « differential privacy », définie dans l'article « Differential privacy : a survey of results », par C. Dwork, publié dans Proceedings of the 5th International Conférence on Theory and Applications of Models of Computation, Xi'an, China, 25-29 Avril 2008, pages 1 -19, on peut calculer p en fonction du paramètre de confidentialité ε relatif à la confidentialité de chaque élément binaire b, par :
exp(-f) · Pr[flip(l)] = b, ]≤ Pr[flip(0) = b, ]≤ exp(f ) · Pr[flip(l) = bj
où exp représente la fonction exponentielle et Pr[A] la probabilité d'un événement A. Un élément binaire b, a la valeur 0 ou 1 .
La confidentialité e de chaque élément binaire b, selon cette métrique de confidentialité est assurée pour une valeur de probabilité p telle que : < /? <— .
1 + exp(£) 2
Dans un mode de réalisation alternatif, la valeur de probabilité p est calculée pour assurer une confidentialité au niveau des éléments p, présents dans le profil utilisateur à partir duquel la structure de données est calculée. Pour cela, le nombre K de fonctions de hachage est également pris en compte.
La métrique suivante est utilisée. Soient deux profils PU1 et PU2 qui ne diffèrent que par un seul élément p,, présent dans PU1 et absent dans PU2. On note PNi et PN2 les structures de données initiales obtenues par filtrage de Bloom associées à ces profils, et P*NI et P*N2 les structures de données masquées obtenues par application d'une opération probabiliste d'inversion selon le mode de réalisation décrit ci-dessus.
Un paramètre de confidentialité ε est défini par les équations suivantes :
exp(-£) Pr[p{ G P* 2]≤ Pr[p{ G P*, ]≤ exp(£) Pr[p{ G P* 2 ]
exp(-£) Pr[/?,. E P;, ] < Pr[Pi G PN * 2 ]≤ exp(f) Pr[/?; G Pm * ]
La confidentialité de chaque élément présent p, selon cette métrique de confidentialité est assurée pour une valeur de probabilité p telle que : < p≤— où K est le nombre de fonctions de hachage utilisé dans le filtrage
1 + expie / K) 2
de Bloom.
L'étape 34 est suivie d'une étape 36 de publication dans le réseau de la représentation masquée P* N calculée.
Le mode de réalisation décrit ci-dessus comporte l'application d'un filtrage de
Bloom pour obtenir une représentation initiale sous forme de structure de données initiale, puis l'application d'une opération probabiliste d'inversion pour obtenir une représentation masquée avec un niveau de confidentialité associé.
Selon un mode de réalisation alternatif, si l'ensemble P d'éléments possibles p, dans un profil utilisateur est dénombrable et fini, égal à un nombre G d'éléments possibles, à l'étape 32 la représentation initiale du profil utilisateur est obtenue par génération d'une structure de données initiale sous forme d'un vecteur de taille G, indiquant la présence ou l'absence d'un élément dans le profil utilisateur : ,...,bG] où b,=1 si l'élément p, est présent dans le profil utilisateur, et b,=0 si l'élément p, est absent du profil utilisateur.
Dans ce mode de réalisation alternatif, l'étape 34 d'application d'une opération probabiliste d'inversion est appliquée sur ce vecteur PN, de la manière expliquée ci- dessus. L'étape 34 est suivie d'une étape optionnelle, non représentée sur la figure 3, d'application d'un filtre de Bloom après l'opération probabiliste d'inversion.
La figure 4 illustre les étapes d'un procédé d'estimation de similarité entre nœuds d'un réseau distribué ayant des profils utilisateur associés selon un mode de réalisation de l'invention. Dans ce mode de réalisation le procédé d'estimation de similarité est mis en œuvre sur un premier nœud A du réseau distribué, qui effectue l'estimation de similarité entre son propre profil utilisateur associé et le profil utilisateur associé à un deuxième nœud B du réseau.
Pour effectuer l'estimation de similarité on utilise, dans ce mode de réalisation, les structures de données calculées comme détaillé ci-dessus en référence à la figure 3, c'est-à-dire la structure de données initiale PA du nœud A et la structure de données masquée P* B représentative du profil du nœud B.
Le procédé d'estimation de similarité est mis en œuvre par une unité centrale de traitement 16 d'un dispositif programmable 10 associé au nœud A.
Dans une première étape 40 le nœud A reçoit, en provenance du nœud B, une structure de données masquée P* B représentative des éléments présents dans le profil utilisateur du nœud B. Comme expliqué précédemment, la structure de données masquée ou profil public P* B du nœud B présente une garantie de confidentialité avec un niveau de confidentialité prédéterminé.
Ensuite à l'étape 42, le nœud A récupère une structure de données initiale PA représentative du profil utilisateur associé à ce nœud A. Il n'est pas nécessaire d'utiliser la structure de données masquée P* A, car le nœud A n'a pas besoin de garantir une confidentialité dans la mesure où les calculs sont effectués sur ce nœud.
En pratique, la structure de données initiale PA est calculée comme expliqué ci- dessus en référence à la figure 3, ou récupérée dans une mémoire 18 du dispositif programmable 10 si elle a été calculée précédemment.
Dans le mode de réalisation préféré, les représentations de données sont calculées par application d'un filtrage de Bloom, puis par application d'une opération probabiliste d'inversion pour obtenir une structure de données masquée.
A l'étape suivante 44, un calcul d'estimation de similarité entre les profils utilisateurs des nœuds A et B est effectué. Le nœud A ne disposant pas du profil privé du nœud B, PB, seule une estimation de similarité à partir des deux structures de données présentes, respectivement PA et P* B, peut être calculée.
Selon un mode de réalisation, l'estimateur de la similarité entre le nœud A et le nœud B est calculé à partir du produit scalaire entre PA et P* B. Le produit scalaire est équivalent à une mesure de similarité cosinus (ou « cosine similarity » en anglais) pour des vecteurs binaires.
Si on note PA = {b0 ,...,bM_l } et P *B = {v0 ,...,vM_1 }, le produit scalaire SP est :
M-l
SP =∑biVi
Afin d'obtenir un estimateur sans biais, SP*, c'est-à-dire un estimateur dont l'espérance est égale à l'espérance du produit scalaire entre PA et PB, la formule suivante est appliquée :
M-l M-l s(A, B) = SP* =
1 - 2/7
En variante, un estimateur sans biais est calculé sur la base d'une somme binaire BS entre les structures de données représentatives des profils PA et P* B :
o n M-l
BS * = ~ p_ y
l - 2/> «
Ainsi, une estimation de similarité entre les nœuds A et B est obtenue sur le nœud A, à partir du profil public du nœud B et du profil privé du nœud A. En variante, chacun des nœuds A et B envoie son profil public, respectivement P* A et P* B, à un serveur central ou à un nœud tiers, différent des nœuds A et B, qui effectue un calcul d'estimation de similarité entre les profils utilisateurs des nœuds A et B. Dans ce cas, il est également possible d'obtenir un estimateur SP* non-biaisé pour le calcul de la similarité, où P *A = {u0 ,...,uM_l } et P *B = {v0 ,...,vM_l } :
- !)/>(∑!/,. +∑v,. ) + Si5
s(A, B) = SP* ;=o ;=o
(i - 2Py 12
M-l M-l M-l
Avec SP = np2 + (p - 2/?2 )(∑w; +∑ν; ) + (1 - 4/? + 4/?2 )∑¾;ν;
i=0 i=0 i=0
Avantageusement, les divers estimateurs de similarité explicités ci-dessus ont de bonnes performances pour obtenir des nœuds similaires à un nœud donné, c'est-à-dire ayant un profil utilisateur proche du profil utilisateur du nœud donné.
Ainsi, grâce à l'invention, un profil utilisateur est à la fois masqué pour garantir sa confidentialité et assurer qu'on peut le distribuer à un tiers sans risque de dévoiler ses données privées, tout en restant utilisable pour des calculs de similarité entre profils utilisateurs.

Claims

REVENDICATIONS
1 .- Procédé de masquage des données composant un profil utilisateur associé à un nœud d'un réseau mis en œuvre par un dispositif programmable, un profil utilisateur (PU(N)) étant composé d'un sous-ensemble d'éléments présents parmi un ensemble d'éléments possibles, caractérisé en ce qu'il comporte les étapes de:
- obtention (32) d'une structure de données initiale (PN) comportant un nombre prédéterminé d'éléments binaires, un dit élément binaire pouvant prendre une valeur parmi deux valeurs possibles, la structure de données initiale étant représentative des éléments présents dans le profil utilisateur (PU(N)), et
- pour au moins une partie desdits éléments binaires, application (34) d'une opération probabiliste d'inversion de la valeur dudit élément binaire, fonction d'une valeur de probabilité dépendante d'un paramètre de confidentialité prédéterminé, permettant d'obtenir une structure de données masquée (P* N) représentative des éléments présents dans le profil utilisateur.
2.- Procédé selon la revendication 1 , caractérisé en ce que l'étape d'obtention comprend l'application d'une opération de filtrage sur ledit sous-ensemble d'éléments présents permettant d'obtenir une structure probabiliste de données représentative de la présence d'éléments dans le profil utilisateur parmi l'ensemble d'éléments possibles avec un niveau de certitude associé.
3.- Procédé selon la revendication 2, caractérisé en ce que ladite opération de filtrage est un filtrage de Bloom, associant un nombre M de valeurs binaires audit sous- ensemble d'éléments présents, les M valeurs binaires étant obtenues par application successive et indépendante de K fonctions de hachage, chaque fonction de hachage réalisant une association pseudo-aléatoire entre un élément présent dans le profil utilisateur et un élément binaire correspondant qui est mis à une première valeur binaire parmi les deux valeurs binaires possibles.
4. - Procédé selon l'une des revendications précédentes, caractérisé en ce que ledit paramètre de confidentialité est un paramètre de confidentialité différentielle ε relatif à la confidentialité des éléments binaires de ladite structure de données initiale, et en ce que ladite valeur de probabilité est comprise entre 1 /(1 +exp(e)) et 0,5.
5. - Procédé selon la revendication 3, caractérisé en ce que ledit paramètre de confidentialité dépend en outre du nombre K de fonctions de hachage appliqué, et en ce que ladite valeur de probabilité est comprise entre 1 /(1 +exp(e/K)) et 0,5.
6. - Procédé d'estimation de similarité entre un premier nœud (A) et un deuxième nœud (B) d'un réseau mis en œuvre par un dispositif programmable, chaque nœud ayant un profil utilisateur associé, un profil utilisateur étant composé d'un sous-ensemble d'éléments présents parmi un ensemble d'éléments possibles, caractérisé en ce qu'il comporte les étapes de :
-obtention (42) d'une structure de données initiale (PA) ou d'une structure de données masquée (P* A) obtenue par application d'un procédé conforme à l'une quelconque des revendications 1 à 5, représentative du profil utilisateur associé au premier nœud (A),
-réception (40) d'une structure de données masquée (P* B) représentative du profil utilisateur associé au deuxième nœud (B) obtenue par application d'un procédé conforme à l'une quelconque des revendications 1 à 5, et
-estimation (44) d'une valeur de similarité entre lesdits premier nœud (A) et deuxième nœud (B) en fonction desdites structures de données.
7. - Procédé d'estimation de similarité selon la revendication 6, caractérisé en ce qu'il est mis en œuvre sur ledit premier nœud (A) et en ce qu'à l'étape d'obtention (42), une structure de données initiale (PA) représentative du profil utilisateur associé au premier nœud (A) est obtenue.
8. - Procédé d'estimation de similarité selon la revendication 7, caractérisé en ce que l'étape d'estimation (44) comporte le calcul d'un produit scalaire entre ladite structure de données initiale (PA) et ladite structure de données masquée (P*B).
9. - Procédé d'estimation de similarité selon la revendication 6, caractérisé en ce qu'il est mis en œuvre sur un nœud du réseau différent desdits premier nœud (A) et deuxième nœud (B), et en ce qu'à l'étape d'obtention (42), une structure de données masquée (P* A) représentative du profil utilisateur associé au premier nœud (A) est obtenue.
EP13711894.9A 2012-03-27 2013-03-22 Procédé de masquage des données composant un profil utilisateur associé à un noeud d'un réseau Withdrawn EP2832074A1 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR1252716A FR2988944B1 (fr) 2012-03-27 2012-03-27 Procede de masquage des donnees composant un profil utilisateur associe a un noeud d'un reseau.
PCT/EP2013/056133 WO2013144031A1 (fr) 2012-03-27 2013-03-22 Procédé de masquage des données composant un profil utilisateur associé à un noeud d'un réseau

Publications (1)

Publication Number Publication Date
EP2832074A1 true EP2832074A1 (fr) 2015-02-04

Family

ID=47997468

Family Applications (1)

Application Number Title Priority Date Filing Date
EP13711894.9A Withdrawn EP2832074A1 (fr) 2012-03-27 2013-03-22 Procédé de masquage des données composant un profil utilisateur associé à un noeud d'un réseau

Country Status (4)

Country Link
US (1) US20170154112A1 (fr)
EP (1) EP2832074A1 (fr)
FR (1) FR2988944B1 (fr)
WO (1) WO2013144031A1 (fr)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10977322B2 (en) * 2015-11-09 2021-04-13 WP Company, LLC Systems and methods for recommending temporally relevant news content using implicit feedback data
CN115461745B (zh) * 2020-10-05 2026-03-24 谷歌有限责任公司 具有计数向量的布隆过滤器的元估计的方法和系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See references of WO2013144031A1 *

Also Published As

Publication number Publication date
WO2013144031A1 (fr) 2013-10-03
FR2988944B1 (fr) 2014-12-05
FR2988944A1 (fr) 2013-10-04
US20170154112A1 (en) 2017-06-01

Similar Documents

Publication Publication Date Title
EP3414701B1 (fr) Procédé et dispositif d&#39;anonymisation de données stockées dans une base de données
EP3345175A1 (fr) Méthode d&#39;interrogation confidentielle d&#39;un service géodépendant par cryptographie homomorphe
EP2953291B1 (fr) Stockage distribue securise par calcul multipartite
FR3018934A1 (fr) Procede d&#39;enrolement de donnees dans une base pour la protection desdites donnees
CA2895189C (fr) Signature de groupe utilisant un pseudonyme
CA2778847C (fr) Identification par controle de donnees biometriques d&#39;utilisateur
WO2013135846A1 (fr) Procede de cryptage d&#39;une pluralite de donnees en un ensemble securise
EP2832074A1 (fr) Procédé de masquage des données composant un profil utilisateur associé à un noeud d&#39;un réseau
EP3493459B1 (fr) Procédé de partage d&#39;une clé servant à dériver des clés de session pour crypter et authentifier des communications entre un objet et un serveur
WO2018096237A1 (fr) Procédé de chiffrement cherchable
EP2979222A1 (fr) Procede de stockage de donnees dans un systeme informatique effectuant une deduplication de donnees
EP3143505B1 (fr) Architecture de correlation d&#39;evenements pour la surveillance de supercalculateur
WO2012085215A1 (fr) Procede et systeme pour l&#39;authentification multi-modale multi-seuil utilisant le partage de secret
FR3030079A1 (fr) Moyens pour determiner un niveau de pertinence d’une ressource dans un systeme de traitement d’informations
EP1897267B1 (fr) Proceédé pour disposer d&#39;un lien de communication sécurisé entre un utilisateur et une entité
EP4246880A1 (fr) Protection d&#39;une clef secrete
FR2912529A1 (fr) Couplage d&#39;un programme informatique ou de donnees a un systeme de reference et verification associee.
EP4397019A1 (fr) Procédé de détermination d&#39;une topologie d&#39;interconnexion entre commutateurs d&#39;un réseau de communication, produit programme d&#39;ordinateur et dispositif correspondants
FR2987711A1 (fr) Delegation de calculs cryptographiques
WO2013127619A1 (fr) Méthode d&#39;inventaire de réseau
WO2011015768A1 (fr) Procede de recherche d&#39;une entite a l&#39;aide d&#39;un dispositif verificateur et dispositifs associes
FR3085093A1 (fr) Procede et dispositif de generation de parametre(s) d&#39;un protocole cryptographique asymetrique a partir d&#39;une blockchain, procede et appareil de cryptage ou de decryptage et programme d&#39;ordinateur
FR3017734A1 (fr) Recommandation de produits d&#39;un catalogue a partir d&#39;un produit selectionne et d&#39;un moteur de recherche
WO2008132382A1 (fr) Procede de generation d&#39;un alea a partir d&#39;une donnee biometrique
FR3038473A1 (fr) Procede de traitement cryptographique de donnees et programme d&#39;ordinateur associe

Legal Events

Date Code Title Description
PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

17P Request for examination filed

Effective date: 20140923

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO RS SE SI SK SM TR

AX Request for extension of the european patent

Extension state: BA ME

DAX Request for extension of the european patent (deleted)
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE APPLICATION IS DEEMED TO BE WITHDRAWN

18D Application deemed to be withdrawn

Effective date: 20181002