Anonymisation dans le contexte des graphes de connaissances - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2022

Anonymization in the context of knowledge graphs

Anonymisation dans le contexte des graphes de connaissances

Maxime Thouvenot
  • Fonction : Auteur
  • PersonId : 1280126
  • IdRef : 271622679

Résumé

The advent of the Internet as it appeared in the 1990s allowed an increase in terms of data exchanges in proportions never seen before. This evolution in terms of volume, speed and diversity has reached its climax with the emergence of the Big Data phenomenon a little over ten years ago.Information is now, more than ever, an extremely valuable resource, stored mainly inside data centers in order to be analyzed so as to produce even more new knowledge. Alongside Big Data, the last decade has also seen the birth of the Open Data movement advocating for more transparency and data sharing from public and private actors.This resulted in more publications and the setting up of various platforms to help make resources more easily accessible to the general public, e.g. data.gouv.However, a major problem is that a significant part of this data may relate to individuals and correspond to "sensitive" information such as salary, sexual orientation, religion, etc. Faced with this challenge, anonymization quickly established itself as an essential computational process. First a subject tackled by the mathematical statistics community in the 80s/90s, computer scientists eventually took over at the turn of the 2000s, their work resulting in the creation of many privacy principles/models eg k-anonymity, l-diversity, differential privacy and so on.No matter the method one chooses, they must always address the issue of finding a trade-off between what is called data privacy and data utility. On the one hand, the dataset must be transformed in such a way as to prevent the establishment of any link between sensitive information and an individual, but on the other hand, this must not be done to the detriment of the analyzes which could be run on top of the data. Several anonymization approaches have already been proposed, however, the majority of them only consider the problem in the context of databases following the relational data model. Graph-based models have in comparison been the subject of much less research, more specifically those concerning the RDF data model. During the time of this thesis, our work has mainly focused on the anonymization of knowledge graphs, in particular by adapting techniques originally developed for the relational model. At first, we adapted a technique called anatomy, the principle of which consists in removing the direct link between an entity and its sensitive attribute, and extended it by integrating semantic aspects.This work was subsequently expanded upon with the integration of another confidentiality principle, namely k-anonymity. We defend the validity of using both approaches simultaneously by explaining how this can be used to prevent some attacks. We also propose 2 algorithms to apply k-anonymity over an RDF graph.Finally, we present a system placed on top of an RDF-store in order to anonymize knowledge graphs. In accordance with the principles of "privacy-by-design", we take the side that anonymization is a delicate task that should not be the responsibility of engineers but be integrated directly into a DBMS. By relying on a partitioning strategy coupled with an access control mechanism, we make a distinction between, on the one hand, non-anonymized sensitive data, accessible only to privileged users, and on the other, their anonymized counterpart which is publicly released. The anonymization is delegated to another component capable of tracking the various updates which occured in the data in order to anonymize the graph accordingly
L'avènement d'Internet tel qu'il est apparu dans les années 1990 a permis la mise en place d'échanges de données dans des proportions comme jamais vu auparavant. Cette évolution en termes de volume, de vitesse et de diversité au niveau des échanges a atteint son paroxysme avec l'émergence du phénomène Big Data il y a un peu plus d'une quinzaine d'années. L'information est aujourd'hui une ressource extrêmement précieuse, stockée principalement à l'intérieur de data-centers afin d'être analysée dans le but de générer encore plus de nouvelles connaissances. Parallèlement au Big Data, la dernière décennie a également vu naître le mouvement Open Data plaidant pour davantage de transparence et de partage des données de la part des acteurs publics et privés. Cela s'est traduit par la publication d'un plus large nombre de jeux de données ainsi que la mise en ligne de plusieurs plateformes permettant de rendre plus accessibles des ressources pouvant relever de l'intérêt général e.g. data.gouv. Néanmoins, un problème de taille est qu'une partie non négligeable de ces données peuvent concerner des individus et correspondre à ce que l'on appelle des informations "sensibles" telles que le salaire, l'orientation sexuelle, la religion, etc. Face à ce défi, l'anonymisation s'est vite imposée comme un processus de calcul essentiel. D'abord un sujet abordé par la communauté des statistiques mathématiques dans les années 80/90, les informaticiens s'en sont emparés au tournant des années 2000, leur travail aboutissant à la création de nombreux principes de confidentialité e.g. k-anonymity, l-diversity, differential privacy, etc. Pour chaque méthode se pose la difficulté de trouver un compromis entre la confidentialité des données et leur utilité. D'un côté, le jeu de données doit être transformé de manière à empêcher l'établissement de tout lien entre une information sensible et un individu mais de l'autre, cela ne doit pas se faire au détriment de la capacité à analyser le jeu. Des approches ont déjà été proposées cependant la majorité d'entre elles tentent de traiter le problème dans le contexte de bases de données suivant le modèle de données relationnel. Les modèles basés sur les graphes ont en comparaison fait l'objet de beaucoup moins de travaux, en particulier ceux concernant le modèle de données RDF. Dans le cadre de cette thèse, nos recherches ont principalement porté sur l'anonymisation de graphe des connaissances (knowledge graphs) notamment par l'adaptation de techniques développées à l'origine pour le modèle relationnel.Dans un premier temps, nous avons repris une technique nommée anatomie, dont le principe consiste à supprimer le lien direct entre une entité et son attribut sensible, et l'avons étendu en y intégrant des aspects sémantiques. Ce travail a par la suite été approfondi avec l'intégration d'un autre principe de confidentialité, à savoir k-anonymity. Nous défendons le bien-fondé d'utiliser les 2 approches simultanément en expliquant de quelle manière cela peut permettre de prévenir un certain nombre d'attaques. Nous proposons également 2 algorithmes pour appliquer k-anonymity sur un graphe RDF. Pour finir, nous présentons un système placé au-dessus d'un RDF-store afin d'anonymiser des graphes de connaissance. Conformément aux principes du "privacy-by-design", nous prenons le parti que l'anonymisation est une tâche délicate qui ne devrait pas relever de la responsabilité des ingénieurs mais être intégrée directement au sein d'un SGBD. En nous reposant sur une stratégie de partitionnement couplé à un mécanisme de contrôle d'accès, nous établissons une distinction entre d'un côté des données sensibles non-anonymisées, accessibles uniquement à des utilisateurs privilégiés, et de l'autre, leur équivalent anonymisé, publié publiquement. L'anonymisation est déléguée à un autre composant capable de suivre les différentes modifications appliquées aux données au fur et à mesure afin de les anonymiser en conséquence
Fichier principal
Vignette du fichier
TH2022UEFL2070.pdf (6.74 Mo) Télécharger le fichier
Origine : Version validée par le jury (STAR)

Dates et versions

tel-04195071 , version 1 (04-09-2023)

Identifiants

  • HAL Id : tel-04195071 , version 1

Citer

Maxime Thouvenot. Anonymisation dans le contexte des graphes de connaissances. Informatique et langage [cs.CL]. Université Gustave Eiffel, 2022. Français. ⟨NNT : 2022UEFL2070⟩. ⟨tel-04195071⟩
69 Consultations
32 Téléchargements

Partager

Gmail Facebook X LinkedIn More