Méthode et outil d’anonymisation des données sensibles

Method and tool for anonymization sensitive data

• Auteur / Autrice : Feten Ben Fredj
• Direction : Isabelle Comyn-Wattiau, Nadira Lammari, Faiez Gargouri
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 03/07/2017
• Etablissement(s) : Paris, CNAM en cotutelle avec Université de Sfax (Tunisie). Faculté des Sciences économiques et de gestion
• Ecole(s) doctorale(s) : École doctorale Informatique, télécommunications et électronique de Paris
• Partenaire(s) de recherche : Laboratoire : Centre d'études et de recherche en informatique et communications (Paris) - Multimedia, InfoRmation Systems and Advanced Computing Laboratory (Sfax, Tunisie)
• Jury : Président / Présidente : Régine Laleau
• Jury : Examinateurs / Examinatrices : Nadira Lammari, Jacky Akoka, Sonia Ayachi Ghannouchi
• Jury : Rapporteurs / Rapporteuses : Esma Aïmeur, Ahmed Hadj Kacem

Mots clés

Mots clés contrôlés

Ontologies (informatique)

Traces numériques

Informatique

Algorithmes

Protection de l'information (informatique)

Mots clés libres

Protection de la vie privée

Anonymisation

Guidage

Approche guidée par les modèles

Ontologie

Privacy

Anonymization

Guidelines

Model-driven approach

Ontology

Résumé

L’anonymisation des données personnelles requiert l’utilisation d’algorithmes complexes permettant de minimiser le risque de ré-identification tout en préservant l’utilité des données. Dans cette thèse, nous décrivons une approche fondée sur les modèles qui guide le propriétaire des données dans son processus d’anonymisation. Le guidage peut être informatif ou suggestif. Il permet de choisir l’algorithme le plus pertinent en fonction des caractéristiques des données mais aussi de l’usage ultérieur des données anonymisées. Le guidage a aussi pour but de définir les bons paramètres à appliquer à l’algorithme retenu. Dans cette thèse, nous nous focalisons sur les algorithmes de généralisation de micro-données. Les connaissances liées à l’anonymisation tant théoriques qu’expérimentales sont stockées dans une ontologie.

Personal data anonymization requires complex algorithms aiming at avoiding disclosure risk without losing data utility. In this thesis, we describe a model-driven approach guiding the data owner during the anonymization process. The guidance may be informative or suggestive. It helps the data owner in choosing the most relevant algorithm given the data characteristics and the future usage of anonymized data. The guidance process also helps in defining the best input values for the algorithms. In this thesis, we focus on generalization algorithms for micro-data. The knowledge about anonymization is composed of both theoretical aspects and experimental results. It is managed thanks to an ontology.