[PDF] Adoption implantation et generalisation dune nouvelle technologie

View - Download Adoption implantation et generalisation dune nouvelle technologie

Previous PDF

Next PDF

>G A/, i2H@yRd3jNed ?iiTb,ffi?2b2bX?HXb+B2M+2fi2H@yRd3jNed am#KBii2/ QM k Jv kyR3 >GBb KmHiB@/Bb+BTHBM`v QT2M ++2bb `+?Bp2 7Q` i?2 /2TQbBi M/ /Bbb2KBMiBQM Q7 b+B@

2MiB}+ `2b2`+? /Q+mK2Mib- r?2i?2` i?2v `2 Tm#@

HBb?2/ Q` MQiX h?2 /Q+mK2Mib Kv +QK2 7`QK

i2+?BM; M/ `2b2`+? BMbiBimiBQMb BM 6`M+2 Q` #`Q/- Q` 7`QK Tm#HB+ Q` T`Bpi2 `2b2`+? +2Mi2`bX /2biBMû2 m /ûT¬i 2i ¨ H /BzmbBQM /2 /Q+mK2Mib b+B2MiB}[m2b /2 MBp2m `2+?2`+?2- Tm#HBûb Qm MQM-

Tm#HB+b Qm T`BpûbX

62i2Ó "2Ó 6`2IM

hQ +Bi2 i?Bb p2`bBQM, (+bX*_)X *QMb2`piQB`2 MiBQMH /2b `ib 2i K2iB2`b @ *LJc lMBp2`bBiû /2 a7t UhmMBbB2VX 6+mHiû /2b 1

DE SFAX

THÈSE présentée par

Feten BEN FREDJ

soutenue 3 Juillet 2017 pour obtenir le grade deDocteur du Conservatoire National des Arts et Métiers

Discipline/ Spécialité

données sensibles

THÈSE dirigée par :

PR. Isabelle Wattiau

DR. Nadira Lammari PR. Faiez Gargouri

PR. Esma AIMEUR

PR. Ahmed HADJ KACEM

JURY :

PR. Régine LALPrésident de jury, Professeur, Paris

DR. Sonia AYACHI CHANNOUCHI

2 encouragé Helmi

Khadijaet mon fils .

Heykel, sa femme Nadia Fares Mehdi

Mouna.

ce travai 3 Rem eenseignant ièrement à Nadira et Isabelle pour le leurs

é de faire partie de mon jury de thèse.

s 4

Résumé

OTS-CLES

5

Résumé en anglais

Personal data anonymization requires complex algorithms aiming at avoiding disclosure risk without lo

6

Table des matières

Résumé en anglais

Table des matières

Liste des tableaux

Liste des figures

Liste des annexes

Chapitre 1 Introduction

1. Contexte et problématique de la thèse

2. Résumé des contributions de la thèse

3. Organisation du document

Chapitre 2-

1 Notions préliminaires

anonymisation de micro

4 Modèles de protection de la vie privée

4.1 Le modèle de k

4.2 Le modèle de l

4.3 Le modèle de t

5.1 La généralisation (Samarati 2001)

5.2 La suppression (Lawrence H. 1980)

5.3 La micro

5.4 La technique de "

5.5 La technique "

5.8 Le recodage global

5.9 Les techniques de "

5.10 Le bruit aléatoire (Brand 2002)

6. Synthèse

7. Conclusion

7

1. Les algorithmes de généralisation de micro

(LeFevre, DeWitt, et Ramakrishnan 2005)

1.8. Les algorithmes "

1.9 Evaluation de la performance des algorithmes de généralisation

2.1. Métriqu

2.2 Métrique DM (Bayardo et Agrawal 2005)

2.3 Métrique CAVG (LeFevre, DeWitt, et Ramakrishnan 2006)(normalized average equivalence class size

2.4 La métrique de précision PREC

2.5 La métrique GenILoss (Iyengar 2002) (Ayala

2.6 La métrique de classification (Iyengar 2002)

l SECRETA

3.6 ARX Data Anonymization Tool

4. Synthèse sur les algorithmes de généralisation de micro

4.1 Caractérisation des algorithmes de généralisation

ntation des algorithmes

5. Synthèse sur les outils dédiés à la généralisation de micro

6. Conclusion

Chapitre 4 Not

2.

2.1 Nos abstractions par paramétrage des algorithmes de généralisation

8

3. Val

4. Conclusion

Chapitre 5-

maine

1.1 La méthode "

(Fernández

1.4 Le cadre méthodologique NeOn

1.5 Discussion

4. Phase de conceptualisation

6. Conclusion

1. Présentation générale de MAGGO

2.2 La régression

3. Etape

4. s candidates

4.1 Construction des signatures pertinentes

4.2 Evaluation théorique globale des signatures pertinentes

5.

1. Présentation du prototype

1.1 Principales composantes de la plateforme

1.2 Les outils et les technologies utilisées

1.3 Description des modules

2. Les interfaces de la plateforme

3.2 Procédure

3.3 Résultats

9

Chapitre 8 conclusion

Chapit

Bibliographie

10

Liste des tableaux

TABLEAU 1.

TABLEAU 2

TABLEAU 3.

TABLEAU 4.

TABLEAU 5.

TABLEAU 6.

TABLEAU 7.

TABLEAU 8.

TABLEAU 9. APPLICATION DE LA SUTABLEAU 7.

TABLEAU

TABLEAU 11. 'E LA TECHNIQUE DE MI

TABLEAU 12.

TABLEAU 13.

TABLEAU 14.

TABLEAU 15. TABLE ISSUE DU SLICI

TABLEAU 16. ͩ'SSION

TABLEAU 17. RECODAGE'

TABLEAU 18. 'RE

TABLEAU 19.

TABLEAU 20.

TABLEAU 21.

TABLEAU 22. 'SATION ET MPVP CIBLE

TABLEAU 23. '

TABLEAU 24. TABLE ORIGINALE

TABLEAU 25. 'd/KE@-

TABLEAU 26. DETECTION DES ENRE

TABLEAU 27. 'ATION DE DATAFLY SU

TABLEAU 28. DONNEES GENERALISE

TABLEAU 29. LA TABLE DE GENERA

TABLEAU 30. LA TABLE ORIGINALE

TABLEAU 31. 'LGOR

TABLEAU 32. 'ME TDS

TABLEAU 33. '

TABLEAU 34. 'ALGORITHME TDS

TABLEAU 35. FIGURE 24

TABLEAU 36.

TABLEAU 37͘'E GENERALISEE

TABLEAU 38͘'E ANONYME

11

TABLEAU 39.

TABLEAU 40.

TABLEAU 41.

TABLEAU 42. 'S ALGORITHMES MEDIAN

TABLEAU 43. UNE TYPOLOGIE DU

TABLEAU 44. 'MISATION

TABLEAU 45. SYNTHESE DES DONNE'

TABLEAU 46. 'ON DE MICRO

TABLEAU 47.

TABLEAU 49. '^'Z>^^/&/d/KE[

TABLEAU 51. '

TABLEAU 52.

12

Liste des

FIGURE 1.

FIGURE 2.

FIGURE 3.TAXONOMIE DES MODEL'IE PRIVEE

FIGURE 4. 'UT VILLE

FIGURE 5. HIERARCHIE DE GENERA'UT AGE

FIGURE 6. LE MODELE DES TECH'ON

FIGURE 7. 'TTRIBUT SEXE

FIGURE 8. 'RIBUT CODE POSTAL

FIGURE 9. LA HIERARCHIE DE G'ddZ/hdE/sh[dhDE

FIGURE 10͘'ђ-

FIGURE 11. '

FIGURE 12.

FIGURE 13. TREILLIS DE GENERA

FIGURE 14͘'MARATI

FIGURE 15. TREILLIS DES ATTRI'ETUDES DE LA DEUXIEM

FIGURE 16͘'NITO

FIGURE 17.

FIGURE 18. '͞ ͟

FIGURE 19. TABLEAU 30

FIGURE 20. 'N SPECIALISATION

FIGURE 21.

FIGURE 22. '

FIGURE 23. 'LGORITHME MEDIAN MON

FIGURE 24. 'HME MEDIAN MONDRIAN

FIGURE 25. 'MONDRIAN

FIGURE 26. 'N MONDRIAN

FIGURE 27. LSD MONDRIAN

FIGURE 28. -

FIGURE 29. 'ATION DE CAT (XIAO,

FIGURE 30. 'd/KE[Zy

FIGURE 32͘'ALISATION DE TYPE DO

FIGURE 33͘'RALISATION DE TYPE S

FIGURE 34. 'LISATION DE TYPE MUL

FIGURE 35. ''NYMISATION

FIGURE 36͘'TION

FIGURE 37. '

FIGURE 38. 'EAU

13

FIGURE 39. 'ORITHME DATAFLY

FIGURE 40. 'ORITHME µ

FIGURE 41. 'ORITHME SAMARATI

FIGURE 42. 'ORITHME INCOGNITO

FIGURE 43. 'ORITHME "

FIGURE 44. 'ORITHME TDS

FIGURE 45. 'ORITHME MEDIAN MONDR

FIGURE 46. 'ORITHME INFOGAIN MON

FIGURE 47. 'ORITHME LSD MONDRIAN

FIGURE 48.

FIGURE 49. ABSTRACTION HOMOGE'HME DATAFLY

FIGURE 50. '

FIGURE 51. 'E _ARGUS

FIGURE 52. 'E BOTTOM UP GENERALI

FIGURE 53. ABSTRACTION DE LA

FIGURE 54.

FIGURE 55. ABSTRACTION HOMOG'THME DE SAMARATI

FIGURE 56. 'E INCOGNITO

FIGURE 57.

FIGURE 58.

FIGURE 59. '

FIGURE 60. '

FIGURE 61. '

FIGURE 62

FIGURE 63. '

FIGURE 64 'ION DE CONNAISSANCES

FIGURE 65.

FIGURE 66 FIGURE 65

FIGURE 67

FIGURE 68.'N

FIGURE 69 'ON (EXTRAIT)

FIGURE 70. ISATION

FIGURE 71. FIGURE 70

FIGURE 72. DIAGRAMME UML DU PROON

FIGURE 73. LES CONCEPTS ET LE'ITHMES

FIGU͘'ON EXTRAITES DU TABLEAU 40

FIGURE 75. INSTANCIATION DU GRAFIGURE 73 FIGURE 74

FIGURE 76. DIAGRAMME UML DES 'NYMISATION

FIGURE 77. MODELE CONCEPTUEL 'FUSION

14

FIGURE 78. SCHEMA DE TRANSFORMA'ͬ

FIGURE 79. 'IE OTA EN O

FIGURE 80.

FIGURE 81. TYPE DE GUIDAGE A 'PROCHE

FIGURE 82. 'ION

FIGURE 83͘'ARCHIE AHP EX

FIGURE 84. 'ISON SEMANTIQUE DE L

FIGURE 85. COMPARAISON DES CR

FIGURE 86.

FIGURE 87. 'ISATION

FIGURE 88. ' 'TION

FIGURE 89. '

FIGURE 90. SOUS'LA CONSTRUCTION DES

FIGURE 91.

FIGURE 92. 'OUR LA HIERARCHIE DE

FIGURE 93. HIERARCHIE DES EXI

FIGURE 94. SOUS'LA CONSTRUCTION DES

FIGURE 95. '

FIGURE 96.

FIGURE 97.

FIGURE

FIGURE 'LES DE REGRESSION

FIGURE. LE CONTEXTE PROPOS'

FIGURE 113.

FIGURE 114. 'TE

FIGURE 115. LES GROUPES DES PART

FIGURE 116. 'RIBUT AGE

FIGURE 117. 'Z/hdE/sh[dh

15

FIGURE 118. 'RIBUT SEXE

16

Liste des annexes

ANNEXES

ANNEXE A EXECUTION D

ANNEXE B EVALUATION

ANNEXE C EVALUATION '

17

FOMSLPUH 1 ,QWURGXFWLRQ

1. Conte

Il est connu et reconnu que les données jouent un rôle important dans le développement de la science et de

es so nté à la d' 1. 2 l'ensemble de données identifiant et le sujet de vidus et dont la valeur aux entrepri pour des données an offrir des données anonymes de qualité aux professionnels.

1uros annuellement en 2020 (pour

2 Process that removes the association between the identifying data set and the data subject

18 plicabilité

données (tel que les tests ou la publication) et par le type de données à anonymiser (telles que micro et macro

sur

entre données de différentes sources, il est quasiment impossible de garantir une anonymisation qui offrirait un

anonymisation. s pu constater la variété des techniques ces techniques. Des comparaisons spécification se rapproche du code ne t en libre du tem algorithmes implémentés. thode qui puisse concrétiser le processus 19 sous le nom de PPDP (acronyme anglais de "Privacy Preserving Data Publishing). Plus particuliè s u pourrait être remplacée par uneà laquelle

2. Résumé des contributions de la thèse

En réponse à la question de recherche posée ci Une caractérisation fine de chacun des algorithmes de généralisation qui Des descriptions simplifiées des algorithmes de généralisation qui U micro

3. Organisation du document

La suite de ce document est organisée en

données tabulaires. Il rappelle

protection de la vie privée. Le second chapitre (chapitre 3) présente les algorithmes de généralisation les plus

roposées dans la littérature. Il décrit et compare les outils ntributions. 20 généralisation étudiés r 21

SXEOLFDWLRQ

L'avènement du numérique a entrainé la collecte massive de données. Pour exploiter pleinement l'utilité

privée. généralisation.

1 Notions préliminaires

La publication des données préservant la vie privée suit généralement un processus

Figure ) : une phase de collecte et une phase de publication. Elle fait intervenir trois acteurs : un

Figure

22

3. Les

utiles à disposition des destinataires (a priori "bienve destinatairequotesdbs_dbs48.pdfusesText_48

[PDF] outil de jardinage en p

[PDF] outil forme personnalisée photoshop

[PDF] outil rectangle de selection illustrator

[PDF] outils bricolage

[PDF] outils conseiller en insertion professionnelle

[PDF] Outils d'aide ? la décision

[PDF] outils d'aide ? la décision cours ppt

[PDF] outils d'analyse pdf

[PDF] outils d'animation de groupe

[PDF] outils d'optimisation des processus

[PDF] outils de bricolage nom

[PDF] Outils de communication

[PDF] Outils de contrôle de la gestion des stocks

[PDF] outils de la langue

[PDF] OUTILS DE LA LANGUE