Détecter les attaques par inférence impliquant les données de capteurs

Detecting inference attacks involving sensor data

• Auteur / Autrice : Paul Lachat
• Direction : Lionel Brunie, Harald Kosch
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 12/04/2024
• Etablissement(s) : Lyon, INSA en cotutelle avec Universität Passau (Allemagne)
• Ecole(s) doctorale(s) : École doctorale InfoMaths (Lyon ; 2009-....)
• Partenaire(s) de recherche : Membre de : Université de Lyon (2015-....)
• Partenaire(s) de recherche : Laboratoire : LIRIS - Laboratoire d'Informatique en Image et Systèmes d'information (Rhône ; 2003-....) - Laboratoire d'InfoRmatique en Image et Systèmes d'information / LIRIS
• Partenaire(s) de recherche : Equipe de recherche : DRIM - Distribution, Recherche d'Information et Mobilité
• Jury : Président / Présidente : Mario Döller
• Jury : Examinateurs / Examinatrices : Lionel Brunie, Harald Kosch, Mario Döller, Frédéric Cuppens, Alexander Felfernig, Nadia Bennani, Michael Granitzer, Salma Sassi
• Jury : Rapporteur / Rapporteuse : Frédéric Cuppens, Alexander Felfernig

Mots clés

Mots clés contrôlés

Exploration de données

Vie privée

Protection de l'information (informatique)

Mots clés libres

Informatique

Confidentialité des données

Données de capteurs

Détection d’inférence

Modélisation des requêtes

Métadonnées

Exploration de données

Données confidentielles

Informatics

Data privacy

Sensor

Inference dtection system

Query modeling

Metadata

Data mining

Confidential data

Résumé

Le partage et le traitement des informations personnelles avec les organisations sont devenus de plus en plus essentiels pour les interactions sociales. En Europe, selon le RGPD (Règlement Général sur la Protection des Données), elles doivent protéger par conception et par défaut les données collectées. Les Mécanismes de Contrôle d’Accès (MCAs) sont traditionnellement utilisés pour sécuriser les systèmes d’information contre l’accès non autorisé à des données sensibles. Cependant, la disponibilité croissante de données de capteurs motive de nouveaux services à fournir des informations sur les individus. Divers algorithmes d’exploration de données ont été proposés pour inférer de nouvelles données personnelles à partir de données de capteurs. Les données sensibles peuvent être accédées indirectement à l’aide de données non sensibles, telles que des informations inférées à partir de données de capteurs. Par conséquent, le risque de contourner les MCAs pour obtenir des informations à l’aide des données de capteur existe. Nous proposons un système de détection d’inférence basé sur l’analyse des requêtes émises sur une base de données de capteurs. Les connaissances obtenu via ces requêtes, et les canaux d’inférence correspondant à l’utilisation des algorithmes d’exploration de données sur des données de capteur pour inférer les informations des individus, sont décrits grâce à Raw sensor data based Inference ChannEl Model (RICE-M). La détection est effectuée par RICE-M based inference detection System (RICE-Sy). RICE-Sy considère au moment de la requête, la connaissance qu’un utilisateur obtient via une nouvelle requête et a obtenues via son historique de requête, et détermine si cela suffit pour permettre à cet utilisateur d’exploiter un canal. Ainsi, les systèmes de protection de la vie privée peuvent tirer parti des inférences détectées par RICE-Sy, en prenant en compte les informations des individus obtenues par les attaquants via une base de données de capteurs, pour davantage protéger les données collectées.

The collection of personal information by organizations has become increasingly essential for social interactions. Nevertheless, according to the General Data Protection Regulation, the organizations have to protect collected data. Access Control Mechanisms (ACMs) are traditionally used to secure information systems against unauthorized access. The increased availability of personal sensor data motivates new services to offer insights about individuals. Consequently, data mining algorithms (DMAs) have been proposed to infer personal insights from collected sensor data. Although they can be used for genuine purposes, attackers can combine those outcomes with other type of data to further breach individuals’ privacy. Thus, bypassing ACMs thanks to such insights is a concrete problem. In this thesis, we address this problem by analyzing users' queries issued to a sensor database, and by identifying when they obtain sufficient information to infer insights thanks to DMAs. We refer to such a kind of inference as an Inference Attack Involving Sensor Data (IAISD). When attackers query the sensor database, the important information is not so much the exact value of the obtained data points, but rather if the relevant information are obtained according to the conditions of disclosure of DMAs. To fulfill this objective, this thesis consists in three contributions: Raw sensor data based Inference ChannEl Model (RICE-M) models the query history of a querying user which contains information obtained from queries, as well as the conditions of disclosure associated to an insight. RICE-M enables first the modeling of queries issued to a sensor database as a set of metadata units. This set constitutes the query metadata. Second, RICE-M models both the constraints that a user’s knowledge must satisfy to apply an DMA. Those descriptions correspond to the inference channels attackers leverage to perform IAISDs. The second contribution is RICE-M based inference detection System (RICE-Sy). RICE-Sy maintains a history log which keeps track of the queries metadata extracted from the queries a user issues to a sensor database. Upon receiving a new query, the related metadata is extracted and processed by the RICE-Sy. To correctly consider the current user’s knowledge, RICE-Sy retrieves from the history log the metadata units. To efficiently filter units from the history log, we endow RICE-Sy with two conceptual optimizations. The last contribution is a query metadata sequence generator which objective is to evaluate the performance of RICE-Sy. To produce realistic sequences, we identify querying behaviors by analyzing inference attack strategies and the nature of sensor databases. Thanks to the generator outcome, we evaluate RICE-Sy in terms of detection time per query and size of the history log. The results obtained validate the efficiency of our optimization, and demonstrate the feasibility of detecting IAISDs at query-time using RICE-Sy.