Systèmes de traitement et de stockage distribué confidentiels basés sur les TEEs

TEE-based confidential processing systems and distributed storage

• Auteur / Autrice : Aghiles Ait Messaoud
• Direction : Sonia Ben Mokhtar
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 11/06/2025
• Etablissement(s) : Lyon, INSA
• Ecole(s) doctorale(s) : InfoMaths - Informatique et Mathématiques de Lyon
• Partenaire(s) de recherche : Laboratoire : LIRIS - Laboratoire d'InfoRmatique en Image et Systèmes d'information - Laboratoire d'InfoRmatique en Image et Systèmes d'information / LIRIS
• Partenaire(s) de recherche : Equipe de recherche : DRIM - Distribution, Recherche d'Information et Mobilité
• Partenaire(s) de recherche : Membre de : Université de Lyon (2015-....)
• Jury : Président / Présidente : Lionel Brunie
• Jury : Examinateurs / Examinatrices : Sonia Ben Mokhtar, Lionel Brunie, Etienne Riviere, Gaël Thomas, Sara Tucci-Piergiovanni, Rüdiger Kapitza, Anthony Simonet-Boulogne
• Jury : Rapporteurs / Rapporteuses : Etienne Riviere, Gaël Thomas
• DOI : 10.70675/0f7a699bz3ee9z4695z8dc8z261be7ddf508

Mots clés

Mots clés contrôlés

Protection de l'information (informatique)

Mots clés libres

EEF - Environnements d’exécution fiables

Sécurité des données

Confidentialité

Calcul confidentiel

Bases de données

Apprentissage fédéré

Gestion de la sécurité

Mesures de protection

Informatique

Trusted Execution Environment - TEEs

Security

Confidentiality

Confidential computing

Databases

Federated learning

Security management

Protective measures

Informatics

Résumé

Les données sont devenues un moteur essentiel du monde numérique, alimentant l'innovation et les stratégies commerciales. Toutefois, leur manipulation s'accompagne d'importants enjeux de sécurité et d'éthique, car elles peuvent contenir des informations sensibles nécessitant une protection stricte. Toute violation peut entraîner des atteintes à la vie privée, des pertes financières et une perte de confiance. Pour garantir leur sécurité, il est crucial de les protéger dans leurs trois états : en transit, au repos et en cours d'utilisation. Les données en transit doivent être chiffrées pour éviter toute interception, celles au repos sécurisées par des contrôles d'accès stricts et un chiffrement robuste, tandis que celles en cours de traitement nécessitent un environnement protégé pour empêcher tout accès non autorisé. Les environnements d'exécution fiables jouent un rôle clé en isolant les données sensibles, même vis-à-vis des processus système ou du système d'exploitation. Cette recherche se divise en deux parties principales. La première porte sur la sécurisation des données en cours d'utilisation, en étudiant l'apprentissage fédéré comme cas d'usage spécifique. Ce paradigme d'apprentissage automatique préservant la confidentialité reste vulnérable aux attaques visant la mémoire principale des dispositifs clients, pouvant révéler des informations sensibles sur les données utilisées pour l'entraînement du modèle. Face à ces menaces, GradSec a été développé pour sécuriser l'apprentissage fédéré contre ces attaques. Cette solution exploite ARM TrustZone, un environnement d'exécution fiable conçu pour les appareils mobiles, afin de protéger les couches critiques du modèle en fonction des attaques identifiées. La seconde partie traite de la sécurisation des données au repos en s'appuyant sur les bases de données clé-valeur en mémoire, choisies pour leur flexibilité et leur capacité à stocker divers types de données via sérialisation. Une analyse approfondie des bases de données clé-valeur basées sur des environnements d'exécution fiables a mis en évidence leurs architectures et composants fondamentaux, tout en révélant leur vulnérabilité aux attaques par canaux auxiliaires. Pour atténuer ce risque, TruShare a été conçu comme un système de stockage distribué confidentiel combinant environnements d'exécution fiables et partage de secret. En fragmentant les données sensibles entre plusieurs nœuds, cette approche rend les fuites de données beaucoup plus complexes pour un attaquant.Ces travaux de recherche visent à répondre aux défis de la sécurité des données dans des environnements non fiables, en garantissant une confidentialité renforcée aussi bien lors du traitement que du stockage des informations.

Data is the new fuel of the digital landscape, driving innovation, decision-making, and business strategies across industries. In this data-driven world, information has become a powerful asset, but it also comes with great responsibility. Many datasets contain sensitive personal, financial, or corporate information that requires strict protection. Safeguarding this data is crucial, as breaches can lead to significant privacy violations, financial losses, and damage to trust. Therefore, handling data responsibly is not only a matter of security but also of ethics and compliance in today's interconnected world. To ensure robust data security, protection measures must be applied across all three states of data: in transit, at rest, and during processing. Data in transit, moving between systems or across networks, is vulnerable to interception and requires encryption and secure transmission protocols. Data at rest, stored on servers, databases, or other storage media, must be safeguarded with strong encryption, access controls, and physical security measures. Meanwhile, data in use, actively being processed by applications or systems, demands strict access controls, monitoring, and secure computing environments to prevent unauthorized access or leaks. Comprehensive security across these states is essential to maintaining confidentiality in an increasingly data-centric world. In particular, Trusted Execution Environments (TEEs) provide secure, isolated computing environments that protect sensitive data and code in main memory from unauthorized access, even from privileged system processes or the operating system. This research is divided into two main parts. The first part focuses on securing data in use, studying federated learning (FL) as a particular use case for data processing systems. FL is chosen due to its inherent predisposition for privacy-preserving machine learning, despite its susceptibility to security threats. Spyware can monitor the main memory of FL client devices to extract information about the private data used to train the FL model through various leakage attacks. In response to this threat, we developed gs, a TEE-based defense mechanism to secure FL against leakage attacks. gs leverages ARM TrustZone, a TEE for mobile devices, to secure sensitive FL model layers based on each surveyed leakage attack. The second part focuses on securing data at rest, leveraging in-memory key-value stores (KVSs) as a storage medium. The choice of KVSs is driven by their schema-less design, which allows for storing various types of data by serializing them when necessary. In this part, we conducted a comprehensive survey of existing TEE-based KVSs in literature, identifying common architectures and building blocks while emphasizing their vulnerability to side-channel leakage attacks despite TEE protection. To mitigate this vulnerability, we propose s, a confidential distributed KVS that harmoniously combines TEEs and secret sharing to split sensitive data across multiple TEE nodes, making data leakage significantly more challenging for an attacker. These research objectives collectively aim to address security challenges, particularly confidentiality, in untrusted environments where data may be processed and stored.