Secure Outsourced Data Analytics
Analyse Sécurisée de Données Externalisées
Résumé
The goal of this document is to summarize my research activities since my recruitment as a Maître de Conférences in 2016. Most of my research in this period has been dedicated to addressing the data security concerns that occur when outsourcing some data to the cloud and then performing some computations (such as evaluating a query or a machine learning algorithm) on the data directly in the cloud. I focused on the honest-but-curious cloud model i.e., that executes tasks dutifully, but tries to gain as much information as possible. I contributed to: (i) secure evaluation of SPARQL queries on outsourced graphs, as well as synthetic generation of graphs and queries; (ii) secure protocols for sequential machine learning algorithms, with an emphasis on multi-armed bandits; (iii) secure MapReduce protocols for matrix multiplication and relational query evaluation. Our approach consists of developing distributed and secure protocols that combine existing algorithms with cryptographic schemes (such as AES and Paillier) and secure multi-party computations. Our protocols guarantee the same result as the standard, non-secure algorithms while enjoying desirable security properties.
Le but de ce document est de résumer mes activités de recherche depuis mon recrutement en tant que Maître de Conférences en 2016. La plupart de mes recherches pendant cette période ont été consacrées aux problèmes de sécurité des données qui apparaissent lors de l'externalisation des données dans le cloud, suivie par certains calculs (tels que l'évaluation d'une requête ou d'un algorithme d'apprentissage automatique) directement dans le cloud. Je me suis concentré sur le modèle de cloud honnête-mais-curieux, c'est-à-dire qui exécute les tâches consciencieusement, mais essaie d'apprendre le plus d'informations possible. J'ai contribué à: (i) l'évaluation sécurisée de requêtes SPARQL sur des graphes externalisés, et sur la génération synthétique de graphes et requêtes; (ii) des protocoles sécurisés pour les algorithmes d'apprentissage automatique séquentiel, en mettant l'accent sur les bandits; (iii) des protocoles MapReduce sécurisés pour le produit matriciel et l'évaluation des requêtes relationnelles. Notre approche consiste à développer des protocoles distribués et sécurisés qui combinent des algorithmes existants avec des techniques cryptographiques (telles que AES et Paillier) et du calcul multipartite sécurisé. Nos protocoles garantissent le même résultat que les algorithmes standard non-sécurisés tout en bénéficiant de propriétés de sécurité.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|