Privacy management in connected environments
Gestion de la vie privée dans les environnements connectés
Résumé
Recent years have witnessed rapid progress in enabling technologies for data sensing, communication and mining, paving the way for the phenomenal growth of smart connected environments (e.g., smart buildings, cities, factories). These environments are currently providing interesting and useful applications that help users in their everyday tasks (e.g. increasing comfort, reducing energy consumption). However, such applications require to collect, exchange, store, and process large amount of fine-granular data that is often privacy-sensitive for their users (e.g., location, energy-consumption), as its analysis allows data consumers to reveal sensitive information about them, such as their health conditions and preferences.Consequently, involving users in the management of their privacy is nowadays receiving extensive attention. Nonetheless, various improvements are still required. For instance, how to raise user awareness of the privacy risks involved in their data sharing and/or imposed by their environments. Moreover, how to enable users to assess their situations and make optimal data utility-privacy decisions accordingly.In this thesis, we focus on six main challenges: (1) representing diverse user contexts with a high semantic expressiveness power; (2) performing a holistic (all-data-inclusive) context-based privacy risk reasoning; (3) achieving user-centric privacy management; (4) making optimal context-based privacy decisions; (5) coping with the inter-context data dependency; and (6) delivering scalability and efficiency in order to assist the user in a variety of situations.To address these challenges, we first present an ontology-based data model capable of representing various user contexts with high-level information coverage. Following that, we introduce a context-aware semantic reasoning approach for privacy risk inference that provides a dynamic/contextual overview of risks tailored to the user's expertise. Then, to enable optimal management of data utility-privacy trade-offs, we propose a user-centric multi-objective approach for context-aware privacy management that provides dynamic best data protection strategies to be implemented based on user situations and preferences. Finally, we propose a new stochastic gradient descent solution for privacy-preserving during protection transitions, which gives an additional layer of protection against data inference attacks.The aforementioned contributions are regrouped in one global generic and extensible framework for context-aware privacy management.
Ces dernières années, les technologies de détection, communication et gestion de données ont connu de progrès rapides, ouvrant la voie à la croissance phénoménale des environnements connectés intelligents (bâtiments, villes intelligentes). Ces environnements fournissent actuellement des applications intéressantes et utiles qui aident les utilisateurs dans leurs tâches quotidiennes (augmenter le confort, réduire la consommation d'énergie). Cependant, de telles applications nécessitent de collecter, échanger, stocker et traiter une grande quantité de données à granularité fine qui sont souvent sensibles pour leurs utilisateurs (localisation, consommation d'énergie), surtout que leurs analyses permettent aux consommateurs de données de révéler des informations sensibles (état de santé, préférences des utilisateurs).Par conséquent, l'implication des utilisateurs dans la gestion de leur vie privée reçoit aujourd’hui énormément d'attention. Néanmoins, diverses améliorations sont encore nécessaires. Par exemple, comment sensibiliser les utilisateurs aux risques liés à leur vie privée impliqués dans le partage de leurs données et/ou imposés par leurs environnements. De plus, comment permettre aux utilisateurs d'évaluer leurs situations et de prendre des décisions optimales en matière d'utilité et de confidentialité de données en conséquence.Dans cette thèse, nous nous concentrons sur six défis principaux: (1) représenter des contextes diversifiés de l'utilisateur avec une haute puissance d'expressivité sémantique ; (2) effectuer un raisonnement holistique (toutes données incluses) et contextuel sur les risques en matières de vie privée ; (3) parvenir à une gestion de vie privée centrée sur l'utilisateur ; (4) prendre des décisions contextuelles optimales liées à la protection de la vie privée ; (5) gérer la dépendance des données inter-contextuelles ; et (6) fournir une solution évolutive et efficace afin d'assister l'utilisateur dans diverses situations.Pour ce faire, nous présentons d'abord un modèle de données basé sur une ontologie capable de représenter divers contextes utilisateur avec une couverture d'informations de haut niveau. Ensuite, nous introduisons une approche de raisonnement sémantique qui fournit un aperçu dynamique/contextuel des risques en matière de vie privée, adapté à l'expertise de l'utilisateur. Ensuite, pour permettre une gestion contextuelle optimale des compromis entre l'utilité et la confidentialité des données, nous proposons une approche multi-objectifs, centrée sur l'utilisateur, qui fournit d’une manière dynamique les meilleures stratégies de protection de données à mettre en œuvre en fonction des situations et préférences des utilisateurs. Enfin, nous proposons une nouvelle solution de descente de gradient stochastique pour assurer la protection de la vie privée des utilisateurs lors des transitions des niveaux de protection associés à leurs données. Cette solution offre ainsi une couche supplémentaire de protection contre les attaques par inférence de données.Les contributions susmentionnées sont regroupées dans un framework global générique et extensible pour la gestion contextuelle de la protection de la vie privée.
| Origine | Version validée par le jury (STAR) |
|---|