WO2022269161A1 - Procédé d'échange sécurisé de données - Google Patents

Procédé d'échange sécurisé de données Download PDF

Info

Publication number
WO2022269161A1
WO2022269161A1 PCT/FR2022/051122 FR2022051122W WO2022269161A1 WO 2022269161 A1 WO2022269161 A1 WO 2022269161A1 FR 2022051122 W FR2022051122 W FR 2022051122W WO 2022269161 A1 WO2022269161 A1 WO 2022269161A1
Authority
WO
WIPO (PCT)
Prior art keywords
obj
objects
operator
operators
subset
Prior art date
Application number
PCT/FR2022/051122
Other languages
English (en)
Inventor
Gaëlle CANDEL
Original Assignee
Banks And Acquirers International Holding
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 Banks And Acquirers International Holding filed Critical Banks And Acquirers International Holding
Publication of WO2022269161A1 publication Critical patent/WO2022269161A1/fr

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
    • G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
    • G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/285—Selection of pattern recognition techniques, e.g. of classifiers in a multi-classifier system
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Definitions

  • DESCRIPTION TITLE Secure data exchange process.
  • the present invention relates to the field of the secure exchange of data, in particular of secret data. It is known to exchange data via a network comprising terminal nodes configured to communicate via a centralized communication system, or via communication nodes connected according to a mesh network, of the Internet type for example.
  • the terminal nodes correspond to electronic devices, for example office computers, having: - a network connection, - a database - a data acquisition interface
  • the nodes of the communication network are routers or servers allowing the transmission of data between the various terminal nodes. They work automatically, and are not directly operated by humans. They correspond, for example, to computers “in the cloud”, located in data centers whose position is undetermined.
  • An operator ie a person capable of, or a machine configured to, carry out technical operations, for example the acquisition of business technical data using an acquisition interface, places the acquired business data in the database.
  • the database is thus used to store the history of the data obtained by the operator.
  • Terminal nodes interface between the physical world and the digital world.
  • Information is collected about one or more physical objects at this interface.
  • Collection can be manual or automated, for example a connected object equipped with one or more sensors configured for the acquisition of business data.
  • the sensors can be multiple (scanner, spectroscope, multimeter, etc.).
  • Collection can also be digital, ie taking the form of access to one or more databases
  • Business data is acquired over time and its quantity and quality change over time depending on practice and the operator experience.
  • An operator refers to his history as an objective basis to improve his precision in the execution of his trade and/or to improve the repeatability and/or the reliability of his diagnoses.
  • the problems in setting up a mutual assistance network of experts are multiple: 1. Ignorance of the existence of a network of peers dedicated to one's area of expertise, because these networks are often private. 2. the cost of joining the network: membership costs are not necessarily adapted to the expected benefits of the network. 3. Insufficient quality of the network: in private systems, a control can be carried out to guarantee the quality of the participants. However, this is not always the norm, let alone in open systems that anyone can join. 4. Confidentiality of data: data may be of a confidential nature or relating to natural persons, associated with regulatory compliance constraints concerning personal data, or simply expensive to recover.
  • the object of the invention is therefore to propose a solution to all or part of these problems, by opening access to the network to all operators; for this, the method according to the invention makes it possible to benefit indirectly from the expertise of the peer operators by preserving the confidentiality of the predictions obtained by the peers on the data exchanged.
  • the method allows the operators to exchange between them the data necessary to improve the quality of the prediction of the classes attributed to the objects measured by each of them, without the classes predicted by each of the operators being disclosed on the network, only the similarity factors between the measured objects being disclosed.
  • the invention comprises one or more of the following characteristics, alone or in a technically acceptable combination.
  • the method comprises a step of recording the measurements carried out in a local database of the operator.
  • the similarity factor is a value between 0 and 1.
  • the similarity factor is 0 or 1.
  • the similarity factor between the object and the other object corresponds to a sum, for each class among all the possible classes, of the product of the probability for the object to belong to said class, and of the probability for the other object to belong to that class.
  • the probability that the object and said other object belong to the same class is determined according to the following formula: where n is a number of similarity factors p l' i,j determined by other operators for the pair, said similarity factors having been received at the reception step from at least one other operator, to which is added 1, corresponding to the other similarity factor p l i,j determined by the operator for the pair.
  • the number n is between 10 and 20.
  • the update step is repeated at least once, replacing ⁇ (l) ⁇ , ⁇ by prediction previously obtained, as many times as necessary until the updated classes converge, without further exchange of similarity factor.
  • the step of selecting the subset of objects is carried out randomly.
  • the other object from the subset of other objects is selected by the at least one other operator to determine at least one similarity factor p l′ i,j received in step receiving, among another subset of the subset of other objects, the other subset being determined by the other operator on the basis of a determined distance between the object and the other object.
  • the objects of the other subset of the subset of other objects are the closest neighbors of the object according to the determined distance.
  • the operator updates the new class ⁇ assigned to the object, using only the k best pairs of objects comprising the object and another object of the subset, the k best pairs being determined on the basis of a criterion of relevance of the pairs of objects , the relevance criterion of a pair of objects being a number of similarity factors received for said pair of objects during the reception step from the other operators.
  • the operators are repairers of technical objects, in which the objects of the plurality of objects are the technical objects to be repaired by the operators, in which the at least one parameter measured on the objects by the operators corresponds to at least one technical characteristic of the technical objects to be repaired, and in which the similarity factor between the object and the other object is equal to 1 if the object and the other object have the same type of failure, for example if the same part must be changed on the object and on the other object.
  • the repairer can implement the method to improve the quality of his diagnosis without communicating to his peers his diagnosis on the various objects to be repaired.
  • the operators are transaction authorization devices, in which the objects of the plurality of objects are cards, virtual or physical, in which the at least one parameter measured on the objects by the operators corresponds to at least a history of transactions carried out with a card, and in which the similarity factor between the object and the other object is 1 if the object and the other object have a similar transaction history.
  • the authorization device C1 can implement the method to improve the quality of its decision to authorize or refuse the transaction without communicating to its peers its diagnosis on different cards, when it is not in able to query the bank, due to lack of access to the banking network.
  • the invention also relates to a computer program product downloadable from a communication network and/or stored on a computer-readable medium and/or executable by a microprocessor.
  • the computer-readable medium and/or executable by a microprocessor comprises program code instructions for the execution of a secure data exchange method according to one of the embodiments described above, when it is run on a computer.
  • the invention further relates to an information medium readable by a data processor and comprising instructions of a computer program as mentioned above.
  • the information carrier can be any entity or device capable of storing the program.
  • the medium may include a storage medium, such as a ROM, for example a CD RO or a microelectronic circuit ROM, or else a magnetic recording medium, for example a floppy disk or a hard disk.
  • the information medium can be a transmissible medium such as an electronic or optical signal, which can be conveyed via an electrical or optical cable, by radio or by other means.
  • the program according to the invention can in particular be downloaded from an Internet-type network.
  • the information medium may be an integrated circuit in which the program is incorporated, the circuit being adapted to execute or to be used in the execution of the method in question.
  • the invention is implemented by means of software and/or hardware components.
  • module may correspond in this document to a software component, a hardware component or a set of hardware and software components.
  • a software component corresponds to one or more computer programs, one or more sub-programs of a program, or more generally to any element of a program or software capable of implementing a function or a set of functions, as described below for the module concerned.
  • Such a software component is executed by a data processor of a physical entity (terminal, server, etc.) and is capable of accessing the hardware resources of this physical entity (memories, recording media, communication bus, electronic cards inputs/outputs, user interfaces, etc.).
  • a hardware component corresponds to any element of a hardware assembly (or hardware) able to implement a function or a set of functions, according to what is described below for the module concerned. It can be a hardware component that can be programmed or has an integrated processor for executing software, for example an integrated circuit, a smart card, a memory card, an electronic card for executing firmware ( firmware), etc According to another aspect, the invention also relates to an electronic device comprising a processor configured to implement the computer program described above. For its good understanding, an embodiment and / or implementation of the invention is described with reference to the attached drawings representing, by way of non-limiting example, an embodiment or implementation respectively of a device and/or a method according to the invention.
  • FIGS. 1 is a schematic representation of a data exchange network between operators configured to implement the method according to the invention, said representation illustrating more particularly the step of transmission of the technical parameters measured on technical objects, by a operator to other operators.
  • FIG. 2 is a schematic representation of the data exchange network between operators configured to implement the method according to the invention, said representation illustrating more particularly the reception step, by the operator at the origin of the transmission of the technical parameters, similarity factors from other operators.
  • FIGS. 3 is a complete schematic representation of the steps of the method according to the invention. As this is very schematically illustrated in FIGS.
  • the method 100 aims to allow operators C1, C2, C3, C4 to exchange between them the data necessary for improving the quality of their prediction concerning technical objects obj_i, obj_j, obj_k measured by each of the operators C1, C2, C3, C4, without the classes predicted by each of the operators C1, C2, C3, C4 concerning the different objects obj_i, obj_j, obj_k are disclosed on the network, only similarity factors between the measured objects being disclosed.
  • the particular expertise of each operator, associated with the prediction algorithm that it implements is preserved, without this preventing it from benefiting, at least indirectly, from the expertise of these peer operators to improve its prediction.
  • At least one operator C1 among the operators C1, C2, C3, C4, is equipped with sensors, which observes thanks to these sensors various unknown technical objects obj_i, obj_j, obj_k by carrying out the measurement of various technical parameters on these technical objects obj_i, obj_j, obj_k thanks to the sensors it has; the parameters measured by the sensors relate to a field of expertise of the peer operators C1, C2, C3, C4.
  • the operators C1, C2, C3, C4 are further configured to predict a class among a set of classes (y i ), associated with the measured technical objects, on the basis of the measured parameters, according to a classification method specific to the expertise specific business of each of the operators C1, C2, C3, C4, the specific business expertise that each of the operators C1, C2, C3, C4 does not wish to disclose.
  • the operators are also configured to communicate with each other via an extended network, of the Internet type for example, so as to allow the at least one operator C1 to transmit to the other operators the technical parameters measured on the technical objects considered, and to receive information from some of the other operators C2, C3, C4 who will have contributed to the method 100.
  • the operators C1, C2, C3, C4 are repairers of technical objects , for example vehicles, computers, or household appliances, or any other type of complex device.
  • the technical objects obj_i, obj_j, obj_k are the objects to be repaired by operators C1, C2, C3, C4; the parameters measured on the objects obj_i, obj_j, obj_k by the operator C1 correspond to the technical characteristics of the technical objects obj_i, obj_j, obj_k to be repaired.
  • the technical characteristics measured are a state, GOOD, or HS, of the components, in particular hard disk, fan, connectors, and/or a battery charge characteristic.
  • the technical characteristics considered can be discrete or continuous.
  • the technical characteristics measured are a capacity, a number of operating cycles, a duration of use of the softener, a scaling characteristic , etc.
  • the operators C1, C2, C3, C4 are authorization devices for a transaction, in which the objects of the plurality of objects are cards, for example cards chip, for example of the bank card type; the parameters measured here correspond to a history of transactions carried out with the card at the place of the transaction, for example at a merchant.
  • the description of the method 100 will now be made with reference to FIG. 3.
  • the method 100 comprises the following steps implemented by the operator C 1 : - measuring 101 at least one parameter on each object among a plurality of objects (obj_i, obj_j, obj_k), Optionally the measured parameters are recorded 101bis by the operator C1, over the long term, in the database, for example on a local disk D1.
  • the method 100 further comprises the following steps implemented by the operator C 1 : - for each class among a set (y i ) of classes, assign 102, to each object of the plurality of objects obj_i, obj_j, obj_k , a class (y 1 i ) attributed to the object obj_i by the operator C 1 on the basis of the at least one parameter.
  • - for an object obj_i select 103 a subset of other objects obj_j; the category predicted by the operator C1 for the object obj_i must not be disclosed on the public network.
  • the recovery by C1 of the classification results of its peers C2 , C3, C4, is done in a roundabout way.
  • the operator C1 chooses, randomly for example, other objects j from among the objects of the plurality of objects obj_i, obj_j, obj_k already measured and possibly recorded in the database, ie other observed objects previously, which the operator has already classified before. - communicate 104 to the other operators the at least one parameter measured on the object obj_i and the at least one parameter measured on the other objects of the subset of other objects obj_j.
  • the result of the classification of the object i by the operator C1 is not exchanged on the network; the data transmitted are only the parameters measured by the operator C1 on each object obj_i from among the plurality of objects obj_i, obj_j, obj_k and each other object obj_j from the subset of other objects obj_j.
  • the method 100 further comprises the following steps implemented by the operator C 1 : - receiving 105 from at least one other operator C2 , C3, C4 at least one similarity factor p l' i,j determined by the at least one other operator C l' among the plurality of other operators C2 , C3, C4, for at least one pair of objects obj_i, obj_j, the at least one pair of objects obj_i, obj_j comprising the object obj_i and another object obj_j from the subset of other objects obj_j; thus the initial sender node, in other words the operator C1, recovers similarity factors, represented in FIG.
  • a similarity factor p l' i,j represented in FIG. by a triple (i, j, 1 or 0).
  • the similarity factor can be binary; the similarity factor is then equal to 1 or 0, depending on whether the class of the object obj_i is similar or dissimilar to the class of the other object obj_j, i and j referring to the index of the two objects considered in the data transmitted.
  • the operator C l' compares the parameters measured on the object obj_i, with the parameters measured on the other objects obj_j that it has also received from the operator C1, and for each pair of objects with indices respectively i and j, the operator C l' determines 104 the similarity factor p l' i,j between the object obj_i, and the other object obj_j, attributed by the operator C l' .
  • the information resulting from this comparison will for example be represented in FIG.
  • the other object obj_j from the subset of other objects obj_j is selected, by the at least one other operator C l' , to determine at least one similarity factor pl' i, j received by operator C1 at reception step 105, from among another subset of the subset of other objects obj_j, the other subset being determined by the other operator C l' on the basis of a determined distance between the object obj_i and the other object obj_j.
  • the other objects obj_j of the other subset are the nearest neighbors of the object obj_i according to the determined distance.
  • a threshold is determined on a number of objects obj_j of the other subset of objects obj_j. More particularly, the similarity factor is a value between 0 and 1. Even more particularly, the similarity factor is 0 or 1. According to one mode of implementation, the similarity factor between the object obj_i and the other object obj_j corresponds to a sum, for each class among all the possible classes, of the product of the probability for the object obj_i of belonging to said class, and of the probability for the other object obj_j of belonging to said class.
  • This average similarity score corresponds to an average probability, for a couple or a pair of objects obj_i, obj_j, of being of the same class. Thanks to the average similarity score, the operator C1 can determine a new class assigned to the object i with a better confidence index than the class initially assigned to the object i by the operator C1 with his expertise alone.
  • the method 100 thus comprises the following step implemented by the operator C 1 : - for the at least one pair of objects obj_i, obj_j, determining 107 a probability that the object obj_i and the other object obj_j of the subset of objects obj_j belong to the same class, according to the similarity factor p 1 i,j determined by the operator C 1 between the object obj_i and the other object obj_j and on the other similarity factor p the i,j determined by the at least one other operator C2 , C3, C4 ' for the at least one pair of objects obj_i, obj_j.
  • the method allows the operators to exchange between them the data necessary to improve the quality of the prediction of the classes attributed to the objects measured by each of them, without the classes predicted by each of the operators being disclosed on the network, only the similarity factors between the measured objects being disclosed.
  • the probability that the object (obj_i) and said object (obj_j) of the subset of objects (obj_j) belong to the same class is determined according to the following formula: [Math 1] where n is a number cumulating a number of other similarity factors p l' i,j determined by the operators C2, C3, C4 other than C1 for the pair obj_i, obj_j, plus one, corresponding to the similarity factor p 1 i ,j determined by operator C 1 for the pair obj_i, obj_j.
  • the number n is between 10 and 20. If the number n is too low, the accuracy of the determined probability will be insufficient.
  • the method further comprises a step 108 of updating the class assigned to the object obj_i, on the basis of the probability of belonging to the same class, determined 107 for the at least one pair of objects obj_i, obj_j.
  • the update step is repeated at least once, replacing ⁇ (l) ⁇ , ⁇ by the prediction previously obtained thanks to the formula ⁇ (l) ⁇ , as many times as necessary until the updated classes converge, without further exchange of similarity factor between the operators
  • the invention also relates to a computer program product downloadable from a communications network and/or stored on a computer-readable medium and/or executable by a microprocessor.
  • the computer-readable and/or microprocessor-executable medium includes program code instructions for executing a method for secure data exchange according to one of the modes of implementation described above, when it is executed on a computer.
  • the invention also relates to an electronic device comprising a processor configured to implement the computer program described above. It will be noted that the electronic device can for example be a computer or a payment terminal.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioethics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Computer Hardware Design (AREA)
  • Computer Security & Cryptography (AREA)
  • Software Systems (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

L'invention concerne un procédé (100) d'échange sécurisé de données entre une pluralité d'opérateurs (Cl) configurés pour communiquer entre eux par l'intermédiaire d'un réseau non protégé. Le procédé (100) comprend les étapes suivantes : - mesurer (101) au moins un paramètre sur chaque objet parmi une pluralité d'objets (obj_i, obj_j, obj_k), - attribuer (102) à chaque objet (obj_i, obj_j, obj_k) une classe (yIi) attribuée à l'objet (obj_i), - pour un objet (obj_i), sélectionner (103) un sous-ensemble d'autres objets (obj_j), - communiquer (104) aux autres opérateurs de paramètres mesurés - recevoir (105) au moins un facteur de similarité pl'i,j , - déterminer (106) un autre facteur de similarité pl i,j entre l'objet (obj_i) et ledit autre objet (obj_j) - déterminer (107) une probabilité que l'objet (obj_i) et ledit objet (obj_j) du sous- ensemble d'objets (obj_j) appartiennent à une même classe, - mise à jour (108) de la classe attribuée à l'objet (obj_i).

Description

DESCRIPTION TITRE : Procédé d’échange sécurisé de données. La présente invention concerne le domaine de l’échange sécurisé de données, en particulier de données secrètes. Il est connu d’échanger des données via un réseau comprenant des nœuds terminaux configurés pour communiquer via un système de communication centralisé, ou via des nœuds de communication connectés selon un réseau maillé, de type internet par exemple. Les nœuds terminaux correspondent à des dispositifs électroniques, par exemple des ordinateurs de bureautique, disposant: - d’une connexion réseau, - d’une base de donnée - d’une interface d’acquisition des données Les nœuds du réseau de communication sont des routeurs ou serveurs permettant la transmission de données entre les différents nœuds terminaux. Ils fonctionnent de façon automatique, et ne sont pas opérés par des humains de façon directe. Ils correspondent par exemple à des ordinateurs “dans le cloud”, localisés dans des centres de données dont la position est indéterminée. Alors qu’il est usuel d’avoir un schéma de communication via un serveur central, l’utilisation d’un réseau pair à pair a plusieurs avantages, notamment : - une meilleure résilience aux pannes; si un des serveurs venait à être défectueux, un nœud terminal pourrait toujours échanger avec le réseau via un autre serveur grâce à la redondance du réseau. - une absence de monopole sur le réseau ; un serveur unique est possédé par une seule entité qui peut décider de transmettre ou de ne pas transmettre certains messages. Par la disponibilité de plusieurs serveurs centraux, les nœuds terminaux peuvent choisir l’un ou l’autre pour un meilleur accès. Un opérateur, i.e. une personne capable de, ou une machine configurée pour, réaliser des opérations techniques, par exemple l’acquisition de données techniques métiers en utilisant une interface d’acquisition, met en base de données les données métiers acquises. La base de données sert ainsi à stocker l’historique des données obtenues par l’opérateur. Les nœuds terminaux font l’interface entre le monde physique et le monde numérique. Des informations sont collectées sur un ou plusieurs objets physiques au niveau de cette interface. La collecte peut être manuelle ou automatisée, par exemple un objet connecté muni d’un ou plusieurs capteurs configurés pour l’acquisitions des données métiers. Les capteurs peuvent être multiples (scanner, spectroscope, multimètre, …). La collecte peut aussi être numérique, i.e. prenant la forme d’un accès à une ou plusieurs bases de données Les données métiers sont acquises au cours du temps et leur quantité ainsi que leur qualité évoluent dans le temps en fonction de la pratique et de l’expérience de l’opérateur. Un opérateur se réfère à son historique comme base objective pour améliorer sa précision dans l’exécution de son métier et/ou pour améliorer la répétabilité et/ou la fiabilitié de ses diagnostics. Cependant, l’opérateur peut manquer de connaissance sur certains sujets et l’aide de ces pairs peut lui être bénéfique pour améliorer la qualité ou la précision du diagnostic. Les problèmes dans la constitution d’un réseau d’entraide d’experts sont multiples : 1. la méconnaissance de l’existence d’un réseau de pairs dédié à son domaine d’expertise, car ces réseaux sont souvent privés. 2. le coût de l’adhésion au réseau: les coûts d’adhésion ne sont pas forcément adaptés aux bénéfices attendus du réseau. 3. la qualité insuffisante du réseau: dans les systèmes privés, un contrôle peut être effectué pour garantir la qualité des participants. Cependant, ce n’est pas toujours la norme, et encore moins dans les systèmes ouverts que n’importe qui peut rejoindre. 4. la confidentialité des données: les données peuvent être de nature confidentielle ou concernant des personnes physiques, associées à des contraintes de conformité à la réglementation concernant les données personnelles, ou tout simplement coûteuses à récupérer. Il n’est pas souhaitable que des personnes ne contribuant pas puisse s’approprier les données. L’invention a donc pour but de proposer une solution à tout ou partie de ces problèmes, en ouvrant l’accès au réseau à tous les opérateurs ; pour cela le procédé selon l’invention permet de bénéficier indirectement de l’expertise des opérateurs pairs en préservant la confidentialité des prédictions obtenues par les pairs sur les données échangées. A cet effet, la présente invention concerne un procédé d’échange sécurisé de données entre une pluralité d’opérateurs configurés pour communiquer entre eux par l’intermédiaire d’un réseau non protégé, avec l=1 à N, le procédé comprenant les étapes suivantes mise en œuvre par un opérateur de la pluralité d’opérateurs étant configuré pour : - mesurer au moins un paramètre sur chaque objet parmi une pluralité d’objets, - pour chaque classe parmi un ensemble de classes, attribuer à chaque objet une classe attribuée à l’objet par l’opérateur, sur la base de l’au moins un paramètre, - pour un objet, sélectionner un sous-ensemble d’autres objets, - communiquer aux autres opérateurs l’au moins un paramètre mesuré sur l’objet et l’au moins un paramètre mesuré sur les autres objets du sous-ensemble d’autres objets, - recevoir en provenance d’au moins un autre opérateur au moins un facteur de similarité pl’ i,j déterminé par l’au moins un autre opérateur pour au moins une paire d’objets comprenant l’objet et un autre objet du sous-ensemble d’autres objets, - déterminer un autre facteur de similarité pl i,j entre l’objet et ledit autre objet - pour l’au moins une paire d’objets, déterminer une probabilité que l’objet et ledit objet du sous-ensemble d’objets appartiennent à une même classe, en fonction de l’autre facteur de similarité pl i,j déterminé par l’opérateur entre l’objet et ledit objet et du facteur de similarité pl’ i,j déterminé par l’au moins un autre opérateur pour l’au moins une paire d’objets - mise à jour de la classe attribuée à l’objet, sur la base de la probabilité déterminée pour l’au moins une paire d’objets. Selon ces dispositions, le procédé permet aux opérateurs d’échanger entre eux les données nécessaires à l’amélioration de la qualité de la prédiction des classes attribuées aux objets mesurés par chacun d’eux, sans que les classes prédites par chacun des opérateurs ne soient divulguées sur le réseau, seuls les facteurs de similarité entre les objets mesurés étant divulgués. Selon un mode de mise en œuvre, l’invention comprend une ou plusieurs des caractéristiques suivantes, seules ou en combinaison techniquement acceptable. Selon un mode de mise en œuvre, le procédé comprend une étape d’enregistrement des mesures réalisées dans une base de données locale de l’opérateur. Selon un mode mise en œuvre, le facteur de similarité est une valeur comprise entre 0 et 1. Selon un mode de mise en œuvre, le facteur de similarité vaut 0 ou 1. Selon un mode de mise en œuvre, le facteur de similarité entre l’objet et l’autre objet correspond à une somme, pour chaque classe parmi toutes les classes possibles, du produit de la probabilité pour l’objet d’appartenir à ladite classe, et de la probabilité pour l’autre objet d’appartenir à ladite classe. Selon un mode de mise en œuvre, la probabilité que l’objet et ledit autre objet appartiennent à la même classe est déterminée selon la formule suivante :
Figure imgf000007_0001
où n est un nombre de facteurs de similarité pl’ i,j déterminés par d’autres opérateurs pour la paire, lesdits facteurs de similarité ayant été reçus à l’étape de réception en provenance d’au moins un autre opérateur, auquel est ajouté 1, correspondant à l’autre facteur de similarité pl i,j déterminé par l’opérateur pour la paire. Selon un mode de mise en œuvre, le nombre n est compris entre 10 et 20. Si le nombre n est trop faible la précision de la probabilité déterminée sera insuffisante. Si le nombre n est trop grand le coût de communication sur le réseau augmente inutilement et trop d’informations sont révélées concernant les prédictions d’un opérateur particulier. Selon un mode de mise en œuvre, la classe attribuée à l’objet (obj_i) est mise à jour selon la formule suivante: [Math 2]
Figure imgf000008_0001
dans laquelle : - est la nouvelle classe attribuée à l’objet (obj_i) après l’étape de mise à jour ; -
Figure imgf000008_0003
est la classe attribuée à l’objet (obj_i) avant l’étape de mise à jour - C est l’ensemble (yi) des classes attribuables, - k est le nombre de facteurs de similarité produits par les différents opérateurs (Cl) pour l’objet (obj_i), - δ( y,c) = 1 si y=c Selon un mode de mise en œuvre, l’étape de mise à jour est répété au moins une fois, en remplaçant ^(ℓ) ^,^ par la prédiction
Figure imgf000008_0002
précédemment obtenue, autant de fois que nécessaire jusqu’à ce que les classes mises à jour convergent, sans nouvel échange de facteur de similarité. Selon un mode de mise en œuvre, l’étape de sélection du sous-ensemble d’objets est réalisée aléatoirement. Selon un mode de mise en œuvre, l’autre objet du sous-ensemble d’autres objets est sélectionné, par l’au moins un autre opérateur pour déterminer au moins un facteur de similarité pl’ i,j reçu à l’étape de réception, parmi un autre sous-ensemble du sous-ensemble d’autres objets, l’autre sous-ensemble étant déterminé par l’autre opérateur sur la base d’une distance déterminée entre l’objet et l’autre objet. Selon un mode de mise en œuvre, les objets de l’autre sous-ensemble du sous- ensemble d’autres objets sont les plus proches voisins de l’objet selon la distance déterminée. Selon un mode de mise en œuvre, l’opérateur met à jour la nouvelle classe ^
Figure imgf000009_0001
attribuée à l’objet, en n’utilisant les k meilleures paires d’objets comprenant l’objet et un autre objet du sous-ensemble, les k meilleures paires étant déterminées sur la base d’un critère de pertinence des paires d’objets, le critère de pertinence d’une paire d’objets étant un nombre de facteurs de similarités reçus pour ladite paire d’objets au cours de l’étape de réception en provenance des autres opérateurs. Selon un mode de mise en œuvre, les opérateurs sont des réparateurs d’objets techniques, dans lequel les objets de la pluralité d’objets sont les objets techniques à réparer par les opérateurs, dans lequel l’au moins un paramètre mesuré sur les objets par les opérateurs correspond à au moins une caractéristique technique des objets techniques à réparer, et dans lequel le facteur de similarité entre l’objet et l’autre objet vaut 1 si l’objet et l’autre objet ont le même type de panne, par exemple si la même pièce doit être changée sur l’objet et sur l’autre objet. Selon ces dispositions le réparateur peut mettre en œuvre le procédé pour améliorer la qualité de son diagnostic sans communiquer à ses pairs son diagnostic sur les différents objets à réparer. Selon un mode de mise en œuvre, les opérateurs sont des dispositifs d’autorisation d’une transaction, dans lequel les objets de la pluralité d’objets sont des cartes, virtuelles ou physiques, dans lequel l’au moins un paramètre mesuré sur les objets par les opérateurs correspond à au moins un historique des transactions réalisées avec une carte, et dans lequel le facteur de similarité entre l’objet et l’autre objet vaut 1 si l’objet et l’autre objet ont un historique de transaction similaire. Selon ces dispositions le dispositif d’autorisation C1 peut mettre en œuvre le procédé pour améliorer la qualité de sa décision d’autorisation ou refus de la transaction sans communiquer à ses pairs son diagnostic sur différentes cartes, alors qu’il n’est pas en mesure d’interroger la banque, faute d’accès au réseau bancaire. Selon un aspect, l’invention concerne également un produit programme d’ordinateur téléchargeable depuis un réseau de communication et/ou stocké sur un support lisible par ordinateur et/ou exécutable par un microprocesseur. Le support lisible par ordinateur et/ou exécutable par un microprocesseur comprend des instructions de code de programme pour l’exécution d’un procédé d’échange sécurisé de données selon l’un des modes de mise en œuvre décrit ci-avant, lorsqu’il est exécuté sur un ordinateur. L’invention concerne en outre un support d’informations lisible par un processeur de données et comportant des instructions d’un programme d’ordinateur tel que mentionné ci-dessus. Le support d’informations peut être n’importe quelle entité ou dispositif capable de stocker le programme. Par exemple, le support peut comporter un moyen de stockage, tel qu’une ROM, par exemple un CD RO ou une ROM de circuit microélectronique, ou encore un moyen d’enregistrement magnétique, par exemple une disquette ou un disque dur. D’autre part, le support d’informations peut être un support transmissible tel qu’un signal électronique ou optique, qui peut être acheminé via un câble électrique ou optique, par radio ou par d’autres moyens. Le programme selon l’invention peut être en particulier téléchargé sur un réseau de type Internet. Alternativement, le support d’information peut être un circuit intégré dans lequel le programme est incorporé, le circuit étant adapté pour exécuter ou pour être utilisé dans l’exécution du procédé en question. Selon un mode de réalisation, l’invention est mise en œuvre au moyen de composants logiciels et/ou matériels. Dans cette optique, le terme « module » peut correspondre dans ce document aussi bien à un composant logiciel, qu’à un composant matériel ou à un ensemble de composants matériels et logiciels. Un composant logiciel correspond à un ou plusieurs programmes d’ordinateur, un ou plusieurs sous-programmes d’un programme, ou de manière plus générale à tout élément d’un programme ou d’un logiciel apte à mettre en œuvre une fonction ou un ensemble de fonctions, selon ce qui est décrit ci- dessous pour le module concerné. Un tel composant logiciel est exécuté par un processeur de données d’une entité physique (terminal, serveur, etc) et est susceptible d’accéder aux ressources matérielles de cette entité physique (mémoires, supports d’enregistrement, bus de communication, cartes électroniques d’entrées/sorties, interfaces utilisateur, etc). De la même manière, un composant matériel correspond à tout élément d’un ensemble matériel (ou hardware) apte à mettre en œuvre une fonction ou un ensemble de fonctions, selon ce qui est décrit ci-dessous pour le module concerné. Il peut s’agir d’un composant matériel programmable ou avec processeur intégré pour l’exécution de logiciel, par exemple un circuit intégré, une carte à puce, une carte à mémoire, une carte électronique pour l’exécution d’un micrologiciel (firmware), etc. Selon un autre aspect, l’invention concerne également un dispositif électronique comprenant un processeur configuré pour mettre en œuvre le programme d’ordinateur décrit ci-avant. Pour sa bonne compréhension, un mode de réalisation et/ou de mise en oeuvre de l’invention est décrit en référence aux dessins ci-annexés représentant, à titre d’exemple non limitatif, une forme de réalisation ou de mise en œuvre respectivement d’un dispositif et/ou d’un procédé selon l’invention. Les mêmes références sur les dessins désignent des éléments similaires ou des éléments dont les fonctions sont similaires. [Fig. 1] est une représentation schématique d’un réseau d’échange de données entre opérateurs configurés pour mettre en œuvre le procédé selon l’invention, ladite représentation illustrant plus particulièrement l’étape de transmission des paramètres techniques mesurés sur des objets techniques, par un opérateur vers les autres opérateurs. [Fig. 2] est une représentation schématique du réseau d’échange de données entre opérateurs configurés pour mettre en œuvre le procédé selon l’invention, ladite représentation illustrant plus particulièrement l’étape de réception, par l’opérateur à l’origine de la transmission des paramètres techniques, des facteurs de similarité en provenance des autres opérateurs. [Fig. 3] est une représentation schématique complète des étapes du procédé selon l’invention. Comme cela est très schématiquement illustré sur les figures 1 et 2, le procédé 100 selon l’invention a pour but de permettre à des opérateurs C1, C2, C3, C4 d’échanger entre eux les données nécessaires à l’amélioration de la qualité de leur prédiction concernant des objets techniques obj_i, obj_j, obj_k mesurés par chacun des opérateurs C1, C2, C3, C4, sans que les classes prédites par chacun des opérateurs C1, C2, C3, C4 concernant les différents objets obj_i, obj_j, obj_k ne soient divulguées sur le réseau, seuls des facteurs de similarité entre les objets mesurés étant divulgués. Ainsi l’expertise particulière de chaque opérateur, associée l’algorithme de prédiction qu’il met en œuvre, est préservée, sans que cela l’empêche de bénéficier, au moins indirectement, de l’expertise de ces opérateurs pairs pour améliorer sa prédiction. Pour mettre en œuvre le procédé 100, au moins un opérateur C1 parmi les opérateurs C1, C2, C3, C4, est équipé de capteurs, qui observe grâce à ces capteurs différents objets techniques inconnus obj_i, obj_j, obj_k en réalisant la mesure de différents paramètres techniques sur ces objets techniques obj_i, obj_j, obj_k grâce aux capteurs dont il dispose ; les paramètres mesurés par les capteurs sont relatifs à un domaine d’expertise des opérateurs pairs C1, C2, C3, C4. Les opérateurs C1, C2, C3, C4 sont en outre configurés pour prédire une classe parmi un ensemble de classes (yi), associée aux objets techniques mesurés, sur la base des paramètres mesurés, selon un procédé de classification propre à l’expertise métier spécifique de chacun des opérateurs C1, C2, C3, C4, l’expertise métier spécifique que chacun des opérateurs C1, C2, C3, C4 ne souhaite pas divulguer. Les opérateurs sont en outre configurés pour communiquer entre eux via un réseau étendu, de type internet par exemple, de manière à permettre à l’au moins un opérateur C1 de transmettre aux autres opérateurs les paramètres techniques mesurés sur les objets techniques considérés, et de recevoir des informations en provenance de certains des autres opérateurs C2, C3, C4 qui auront contribué au procédé 100. Selon un exemple particulier de mise en œuvre du procédé 100, les opérateurs C1, C2, C3, C4 sont des réparateurs d’objets techniques, par exemple des véhicules, des ordinateurs, ou encore des appareils électroménagers, ou tout autre type d’appareil complexe. Les objets techniques obj_i, obj_j, obj_k sont les objets à réparer par les opérateurs C1, C2, C3, C4 ; les paramètres mesurés sur les objets obj_i, obj_j, obj_k par l’opérateur C1 correspondent à des caractéristiques techniques des objets techniques obj_i, obj_j, obj_k à réparer. Par exemple, si les objets techniques obj_i, obj_j, obj_k sont des ordinateurs les caractéristiques techniques mesurées sont un état, BON, ou HS, des composants, notamment disque dur, ventilateur, connectique, et/ou une caractéristique de charge de la batterie. Les caractéristiques techniques considérées peuvent être discrètes ou continues. Selon un autre exemple, si les objets techniques obj_i, obj_j, obj_k sont des équipements électroménagers, les caractéristiques techniques mesurées sont un une capacité, un nombre de cycle de fonctionnement, une durée d’usage de l’adoucisseur, une caractéristique d’entartrage, etc…. Selon un autre exemple de mise en œuvre du procédé 100, les opérateurs C1, C2, C3, C4 sont des dispositifs d’autorisation d’une transaction, dans lequel les objets de la pluralité d’objets sont des cartes, par exemple des cartes à puce, par exemple de type carte bancaire ; les paramètres mesurés ici correspondent à un historique des transactions réalisées avec la carte sur le lieu de la transaction, par exemple chez un commerçant. La description du procédé 100 va maintenant être faite en référence à la figure 3. Ainsi, comme indiqué ci-avant, le procédé 100 comprend les étapes suivantes mise en œuvre par l’opérateur C1 : - mesurer 101 au moins un paramètre sur chaque objet parmi une pluralité d’objets (obj_i, obj_j, obj_k), Optionnellement les paramètres mesurés sont enregistrés 101bis par l’opérateur C1, sur le temps long, en base de données, par exemple sur un disque local D1. Le procédé 100 comprend en outre les étapes suivantes mise en œuvre par l’opérateur C1 : - pour chaque classe parmi un ensemble (yi) de classes, attribuer 102, à chaque objet de la pluralité d’objets obj_i, obj_j, obj_k, une classe (y1 i) attribuée à l’objet obj_i par l’opérateur C1 sur la base de l’au moins un paramètre. - pour un objet obj_i, sélectionner 103 un sous-ensemble d’autres objets obj_j; la catégorie prédite par l’opérateur C1 pour l’objet obj_i ne doit pas être divulguée sur le réseau publique. La récupération par C1 des résultats de classification de ses pairs C2, C3, C4, est faite de manière détournée. Pour ce faire, l’opérateur C1 choisi, aléatoirement par exemple, d’autres objets j parmi les objets de la pluralité d’objets obj_i, obj_j, obj_k déjà mesurés et éventuellement enregistrés dans la base de donnée, i.e. d’autres objets observés précédemment, que l’opérateur a déjà classifié auparavant. - communiquer 104 aux autres opérateurs l’au moins un paramètre mesuré sur l’objet obj_i et l’au moins un paramètre mesuré sur les autres objets du sous- ensemble d’autres objets obj_j. Ainsi, le résultat de la classification de l’objet i par l’opérateur C1 n’est pas échangé sur le réseau ; les données transmises sont seulement les paramètres mesurés par l’opérateur C1 sur chaque objet obj_i parmi la pluralité d’objets obj_i, obj_j, obj_k et chaque autre objet obj_j du sous- ensemble d’autres objets obj_j. Le procédé 100 comprend en outre les étapes suivantes mise en œuvre par l’opérateur C1 : - recevoir 105 en provenance d’au moins un autre opérateur C2, C3, C4 au moins un facteur de similarité pl’ i,j déterminé par l’au moins un autre opérateur Cl’ parmi la pluralité d’autres opérateurs C2, C3, C4, pour au moins une paire d’objets obj_i, obj_j, l’au moins une paire d’objets obj_i, obj_jcomprenant l’objet obj_i et un autre objet obj_j du sous-ensemble d’autres objets obj_j; ainsi le nœud émetteur initial, autrement dit l’opérateur C1, récupère des facteurs de similarité, représentés sur la figure 2 par des triplets de similarité, produits par les autres opérateurs C2, C3, C4 du réseau des pairs de l’opérateur C1 qui ont contribué à l’échange. Plus précisément, pour chaque combinaison d’objets obj_i, obj_j, où l’autre objet obj_j est choisi dans le sous-ensemble sélectionné à l’étape de sélection 103, un facteur de similarité pl’ i,j représenté sur la figure 2 par un triplet (i, j, 1 ou 0). Par exemple, le facteur de similarité peut être binaire; le facteur de similarité est alors égal à 1 ou 0, selon que la classe de l’objet obj_i est similaire ou dissimilaire à la classe de l’autre objet obj_j, i et j référant à l’indice des deux objets considérés dans les données transmises. Ainsi, l’opérateur Cl’ compare les paramètres mesurés sur l’objet obj_i, aux paramètres mesurés sur les autres objets obj_j qu’il a également reçus en provenance de l’opérateur C1, et pour chaque paire d’objets d’indices respectifs i et j, l’opérateur Cl’ détermine 104 le facteur de similarité p l’i,j entre l’objet obj_i, et l’autre objet obj_j, attribuée par l’opérateur Cl’. L’information résultant de cette comparaison sera par exemple représentée sur la figure 2 par le triplet de similarité (i, j, p l’ i,j =0/1,) ; de sorte que le triplet de similarité (i, j, pl’ i,j =1) signifie que l’opérateur Cl’ a déterminé que l’objet obj_i est similaire à l’objet obj_j; de sorte que la paire de similarité (i, j, p l’ i,j =0) signifie que l’opérateur Cl’ a déterminé que l’objet obj_i est dissimilaire à l’objet obj_j. Selon un exemple particulier de mise en oeuvre, l’autre objet obj_j du sous- ensemble d’autres objets obj_j est sélectionné, par l’au moins un autre opérateur Cl’, pour déterminer au moins un facteur de similarité pl’i,j reçu par l’opérateur C1 à l’étape de réception 105, parmi un autre sous-ensemble du sous-ensemble d’autres objets obj_j, l’autre sous-ensemble étant déterminé par l’autre opérateur Cl’ sur la base d’une distance déterminée entre l’objet obj_i et l’autre objet obj_j. Selon un mode de mise en œuvre, les autres objets obj_j de l’autre sous- ensemble sont les plus proches voisins de l’objet obj_i selon la distance déterminée. Selon un mode de mise en œuvre, un seuil est déterminé sur un nombre de d’objets obj_j de l’autre sous-ensemble d’objets obj_j. Plus particulièrement, le facteur de similarité est une valeur comprise entre 0 et 1. Encore plus particulièrement, le facteur de similarité vaut 0 ou 1. Selon un mode de mise en œuvre, le facteur de similarité entre l’objet obj_i et l’autre objet obj_j correspond à une somme, pour chaque classe parmi toutes les classes possibles, du produit de la probabilité pour l’objet obj_i d’appartenir à ladite classe, et de la probabilité pour l’autre objet obj_j d’appartenir à ladite classe. Ces données, reçues par l’opérateur C1, pour chacune des paires obj_i, obj_j sont agrégées par l’opérateur C1 de manière à obtenir un score de similarité moyen entre ces deux objets. Ce score de similarité moyen correspond à une probabilité moyenne, pour un couple ou une paire d’objets obj_i, obj_j, d’être de la même classe. Grâce au score de similarité moyen, l’opérateur C1 peut déterminer une nouvelle classe attribuée à l’objet i avec un indice de confiance meilleur que la classe initialement attribuée à l’objet i par l’opérateur C1 avec sa seule expertise. Le procédé 100 comprend ainsi l’étape suivante mise en œuvre par l’opérateur C1: - pour l’au moins une paire d’objets obj_i, obj_j, déterminer 107 une probabilité que l’objet obj_i et l’autre objet obj_j du sous-ensemble d’objets obj_j appartiennent à une même classe, en fonction du facteur de similarité p1 i,j déterminé par l’opérateur C1 entre l’objet obj_i et l’autre objet obj_j et de l’autre facteur de similarité pl’ i,j déterminé par l’au moins un autre opérateur C2, C3, C4’ pour l’au moins une paire d’objets obj_i, obj_j. Selon ces dispositions, le procédé permet aux opérateurs d’échanger entre eux les données nécessaires à l’amélioration de la qualité de la prédiction des classes attribuées aux objets mesurés par chacun d’eux, sans que les classes prédites par chacun des opérateurs ne soient divulguées sur le réseau, seuls les facteurs de similarité entre les objets mesurés étant divulgués. Par exemple, la probabilité que l’objet (obj_i) et ledit objet (obj_j) du sous- ensemble d’objets (obj_j) appartiennent à la même classe est déterminée selon la formule suivante : [Math 1]
Figure imgf000018_0001
où n est un nombre cumulant un nombre d’autres facteurs de similarité pl’ i,j déterminés par les opérateurs C2, C3, C4 autres que C1 pour la paire obj_i, obj_j, plus un, correspondant au facteur de similarité p1 i,j déterminés par l’opérateur C1 pour la paire obj_i, obj_j. Selon un mode de mise en œuvre, le nombre n est compris entre 10 et 20. Si le nombre n est trop faible la précision de la probabilité déterminée sera insuffisante. Si le nombre n est trop grand le coût de communication sur le réseau augmente inutilement et trop d’informations sont révélées concernant les prédictions d’un opérateur particulier. Le procédé comprend en outre une étape de mise à jour 108 de la classe attribuée à l’objet obj_i, sur la base de la probabilité d’appartenance à une même classe, déterminée 107 pour l’au moins une paire d’objets obj_i, obj_j. Par exemple, la classe attribuée à l’objet obj_i est mise à jour selon la formule suivante: [Math 2]
Figure imgf000019_0001
dans laquelle : - ^^(ℓ) ^ est la nouvelle classe attribuée à l’objet obj_i après l’étape de mise à jour ; - ^(ℓ) ^,^ est la classe attribuée à l’objet obj_i avant l’étape de mise à jour - C est l’ensemble (yi) des classes attribuables, - k est le nombre de facteurs de similarité produits par les différents opérateurs C1, C2, C3, C4 pour l’objet obj_i, - δ(y,c) = 1 si y=c et δ(y,c) = 0 si y différent de c Selon un mode de mise en œuvre, l’étape de mise à jour est répété au moins une fois, de préférence autant de fois que nécessaire jusqu’à ce que les classes mises à jour convergent. Selon un mode de mise en œuvre, l’étape de mise à jour est répété au moins une fois, en remplaçant ^(ℓ) ^,^ par la prédiction
Figure imgf000019_0002
précédemment obtenue grâce à la formule ^^(ℓ) ^ , autant de fois que nécessaire jusqu’à ce que les classes mises à jour convergent, sans nouvel échange de facteur de similarité entre les opérateurs Selon un aspect, l’invention concerne également un produit programme d’ordinateur téléchargeable depuis un réseau de communication et/ou stocké sur un support lisible par ordinateur et/ou exécutable par un microprocesseur. Le support lisible par ordinateur et/ou exécutable par un microprocesseur comprend des instructions de code de programme pour l’exécution d’un procédé d’échange sécurisé de données selon l’un des modes de mise en œuvre décrit ci-avant, lorsqu’il est exécuté sur un ordinateur. Selon un autre aspect, l’invention concerne également un dispositif électronique comprenant un processeur configuré pour mettre en œuvre le programme d’ordinateur décrit ci-avant. On notera que le dispositif électronique peut être par exemple un ordinateur ou un terminal de paiement.

Claims

REVENDICATIONS 1. Procédé (100) d’échange sécurisé de données entre une pluralité d’opérateurs (Cl) configurés pour communiquer entre eux par l’intermédiaire d’un réseau non protégé, avec l=1 à N, le procédé (100) comprenant les étapes suivantes mise en œuvre par un opérateur (Cl) de la pluralité d’opérateurs étant configuré pour : - mesurer (101) au moins un paramètre sur chaque objet parmi une pluralité d’objets (obj_i, obj_j, obj_k), - pour chaque classe parmi un ensemble (yi) de classes, attribuer (102) à chaque objet (obj_i, obj_j, obj_k) une classe (yl i) attribuée à l’objet (obj_i) par l’opérateur Cl, sur la base de l’au moins un paramètre, - pour un objet (obj_i), sélectionner (103) un sous-ensemble d’autres objets (obj_j), - communiquer (104) aux autres opérateurs l’au moins un paramètre mesuré sur l’objet (obj_i) et l’au moins un paramètre mesuré sur les autres objets du sous-ensemble d’autres objets (obj_j), - recevoir (105) en provenance d’au moins un autre opérateur (Cl’) au moins un facteur de similarité pl’ i,j déterminé par l’au moins un autre opérateur (Cl’) pour au moins une paire d’objets (obj_i, obj_j) comprenant l’objet (obj_i) et un autre objet (obj_j) du sous-ensemble d’autres objets (obj_j), - déterminer (106) un autre facteur de similarité pl i,j entre l’objet (obj_i) et ledit autre objet (obj_j) - pour l’au moins une paire d’objets (obj_i, obj_j), déterminer (107) une probabilité que l’objet (obj_i) et ledit objet (obj_j) du sous-ensemble d’objets (obj_j) appartiennent à une même classe, en fonction de l’autre facteur de similarité pl i,j déterminé par l’opérateur Cl entre l’objet (obj_i) et ledit objet (obj_j) et du facteur de similarité pl’ i,j déterminé par l’au moins un autre opérateur (Cl’) pour l’au moins une paire d’objets (obj_i, obj_j) - mise à jour (108) de la classe attribuée à l’objet (obj_i), sur la base de la probabilité déterminée pour l’au moins une paire d’objets (obj_i, obj_j).
2. Procédé (100) selon la revendication 1, dans lequel la probabilité que l’objet (obj_i) et ledit autre objet (obj_j) appartiennent à la même classe est déterminée selon la formule suivante :
Figure imgf000022_0001
où n est un nombre de facteurs de similarité pl’ i,j déterminés par d’autres opérateurs (Cl’) pour la paire (obj_i, obj_j), lesdits facteurs de similarité ayant été reçus à l’étape de réception en provenance d’au moins un autre opérateur (Cl’), auquel est ajouté 1, correspondant à l’autre facteur de similarité pli,j déterminé par l’opérateur (Cl) pour la paire (obj_i, obj_j).
3. Procédé (100) selon l’une des revendications 1 ou 2, dans lequel l’étape de sélection (103) du sous-ensemble d’objets (obj_j). est réalisée aléatoirement.
4. Procédé (100) selon l’une des revendications 1 à 3, dans lequel l’autre objet (obj_j) du sous-ensemble d’autres objets (obj_j) est sélectionné, par l’au moins un autre opérateur (Cl’) pour déterminer au moins un facteur de similarité pl’ i,j reçu à l’étape de réception (105), parmi un autre sous-ensemble du sous-ensemble d’autres objets (obj_j), l’autre sous-ensemble étant déterminé par l’autre opérateur (Cl’) sur la base d’une distance déterminée entre l’objet (obj_i) et l’autre objet (obj_j).
5. Procédé (100) selon l’une des revendications 1 à 4, dans lequel les opérateurs sont des réparateurs d’objets techniques, dans lequel les objets de la pluralité d’objets sont les objets techniques à réparer par les opérateurs, dans lequel l’au moins un paramètre mesuré sur les objets par les opérateurs correspond à au moins une caractéristique technique des objets techniques à réparer, et dans lequel le facteur de similarité entre l’objet (obj_i) et l’autre objet (obj_j) vaut 1 si l’objet (obj_i) et l’autre objet (obj_j) ont le même type de panne, par exemple si la même pièce doit être changée sur l’objet (obj_i) et sur l’autre objet (obj_j).
6. Procédé (100) selon l’une des revendications 1 à 4, dans lequel les opérateurs sont des dispositifs d’autorisation d’une transaction, dans lequel les objets de la pluralité d’objets sont des cartes, dans lequel l’au moins un paramètre mesuré sur les objets par les opérateurs correspond à au moins un historique des transactions réalisées avec une carte, et dans lequel le facteur de similarité entre l’objet (obj_i) et l’autre objet (obj_j) vaut 1 si l’objet (obj_i) et l’autre objet (obj_j) ont un historique de transaction similaire.
7. Produit programme d’ordinateur téléchargeable depuis un réseau de communication et/ou stocké sur un support lisible par ordinateur et/ou exécutable par un microprocesseur, caractérisé en ce qu’il comprend des instructions de code de programme pour l’exécution d’un procédé d’échange sécurisé de données selon l’une des revendications 1 à 6, lorsqu’il est exécuté sur un ordinateur.
8. Dispositif électronique comprenant un processeur configuré pour mettre en œuvre le programme d’ordinateur selon la revendication précédente.
PCT/FR2022/051122 2021-06-25 2022-06-13 Procédé d'échange sécurisé de données WO2022269161A1 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR2106838A FR3124615B1 (fr) 2021-06-25 2021-06-25 Procédé d’échange sécurisé de données.
FRFR2106838 2021-06-25

Publications (1)

Publication Number Publication Date
WO2022269161A1 true WO2022269161A1 (fr) 2022-12-29

Family

ID=78086432

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/FR2022/051122 WO2022269161A1 (fr) 2021-06-25 2022-06-13 Procédé d'échange sécurisé de données

Country Status (2)

Country Link
FR (1) FR3124615B1 (fr)
WO (1) WO2022269161A1 (fr)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160103901A1 (en) * 2014-10-08 2016-04-14 Nec Laboratories America, Inc. Parallelized Machine Learning With Distributed Lockless Training

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160103901A1 (en) * 2014-10-08 2016-04-14 Nec Laboratories America, Inc. Parallelized Machine Learning With Distributed Lockless Training

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
FRED A L N ET AL: "Combining Multiple Clusterings Using Evidence Accumulation", IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE, IEEE COMPUTER SOCIETY, USA, vol. 27, no. 6, 1 June 2005 (2005-06-01), pages 835 - 850, XP011132794, ISSN: 0162-8828, DOI: 10.1109/TPAMI.2005.113 *

Also Published As

Publication number Publication date
FR3124615B1 (fr) 2023-06-16
FR3124615A1 (fr) 2022-12-30

Similar Documents

Publication Publication Date Title
EP2409167A2 (fr) Procédé et dispositif de filtrage de courbes de consommation électrique et d'allocation de consommation à des classes d'appareils
EP3035647A1 (fr) Procède de choix d'au moins un service et dispositif associe
CN113190757A (zh) 多媒体资源推荐方法、装置、电子设备及存储介质
FR3084181A1 (fr) Procede de coordination d'une pluralite de serveurs de gestion d'equipements
EP4396732A1 (fr) Procédé et système de configuration de réseaux de neurones d'un ensemble de noeuds d'un réseau de communication
EP2537286B1 (fr) Procédé d'authentification biométrique, système d'authentification et programme correspondant
FR2802673A1 (fr) Procede et dispositif de supervision evolutive
WO2022269161A1 (fr) Procédé d'échange sécurisé de données
EP3859473B1 (fr) Dispositif électronique de calcul et de diffusion centralisés d'état(s) d'un aéronef, ensemble avionique, procédé, et programme d'ordinateur associés
FR3076034A1 (fr) Collecte de donnees d'historique de transaction sur un terminal
EP3081949A1 (fr) Procédé de détection de fraudes dans un réseau de fourniture d'électricité
EP3385899A1 (fr) Procédé de détection en temps réel d'une scène par un appareil et appareil correspondant
WO2021009364A1 (fr) Procédé d'identification de données aberrantes dans d'un jeu de données d'entrée acquises par au moins un capteur
WO2011151569A1 (fr) Procede de routage pseudo-dynamique dans un cluster comprenant des liens de communication statiques et programme d'ordinateur mettant en oeuvre ce procede
FR2854753A1 (fr) Procede de distribution de documents numeriques multi-resolutions
FR3102873A1 (fr) Procédé de désagrégation d’une courbe de charge électrique
EP3000224B1 (fr) Procédé d'auto-adaptation d'une qualité de signal, dispositifs et programme d'ordinateur correspondants
FR3067501B1 (fr) Procede de traitement de la courbe de charge
WO2024083978A1 (fr) Procédé de traitement d'une requête d'exécution d'un service dans un réseau de communication, procédé de validation de la requête, entité intermédiaire, entité de validation, système et programme d'ordinateur correspondants
EP3861616A1 (fr) Estimation d'une grandeur physique par un système de mesure distribué
WO2020128246A1 (fr) Procédé de détermination d'un chemin de transmission de données, et dispositif correspondant
FR3126576A1 (fr) Procédé de détermination d’une topologie d’interconnexion entre commutateurs d’un réseau de communication, produit programme d’ordinateur et dispositif correspondants.
CN115495629A (zh) 基于人工智能的数据可视化处理方法、系统及云平台
FR3086083A1 (fr) Procede d'analyse des dysfonctionnements d'un systeme et dispositifs associes
FR3103601A1 (fr) Procédé de classification d’une empreinte biométrique représentée par une image d’entrée

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 22735024

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 22735024

Country of ref document: EP

Kind code of ref document: A1