Services basés sur la localisation préservant la confidentialité : Des approches centralisées aux approches fédérées

Nowadays, the proliferation of handheld devices embedded with multiple mobile sensors and the growth of fast communication and data processing technologies have contributed to the emergence of a wide variety of online services, including location-based services. These services facilitate users' daily lives with a broad range of applications that offer users personalized and customized information about their surroundings according to their location. While these services have undeniably become essential and indispensable to our society today and especially in the future, it is necessary to underline and understand the risks and threats affecting users. Indeed, large amounts of mobility data are being gathered, stored, and processed by service providers or third parties without necessarily the users' consent. As a consequence, users' privacy is threatened, and thus many sensitive information, such as the user's identity, home or workplace address, or even religious beliefs or health status can be inferred and leaked. In this context, it becomes urgent to devise mechanisms that allow users to securely and safely access location-based services without disclosing their private lives. To address this challenge, many efforts aim to enhance privacy by proposing new location privacy protection mechanisms (LPPMs). In this thesis, we first propose MOOD, a centralized user-centric protection system that aims to protect the mobility data of all users and in particular those who are not protected by any individual LPPM. MOOD uses the composition of several LPPMs and incorporates the re-identification risk assessment before publishing the protected data. However, it requires a trusted proxy server to perform both the obfuscation process and the re-identification risk assessment. Although existing protection methods aim to eliminate the trusted proxy server, the privacy risk assessment still needs to centralize the mobility data. That is why we propose SAFER, a novel privacy risk assessment metric, developed on the user side, to estimate how unique a user's mobility data is among a group of participating users. SAFER follows a federated learning approach to build a global knowledge without accessing raw users' mobility data in a central entity. Finally, we propose EDEN, a user-side mobility data protection system that automatically selects the best LPPM and its corresponding configuration that resists the re-identification risk assessment without sending the raw mobility data outside the user's device thanks to the federated learning paradigm.De nos jours, la prolifération des appareils mobiles embarquant de multiples capteurs et la croissance rapide des technologies de communication ont contribué à l'émergence d'une grande variété de services en ligne, dont les services basés sur la localisation. Ces services facilitent la vie quotidienne des utilisateurs en leur offrant des informations personnalisées et customisées sur leur environnement en fonction de leur localisation. Tout en reconnaissant qu'il est indéniable que ces services sont devenus incontournables et indispensables à notre société actuelle et surtout future, il y a lieu de souligner et d'appréhender les risques et les dangers quant à la vie privée des utilisateurs. En effet, de grandes quantités de données de mobilité sont collectées, stockées et traitées par des fournisseurs de services, sans forcément respecter le cadre consenti par les utilisateurs. Par conséquent, la vie privée de ces derniers est menacée et donc plusieurs informations sensibles telles que l'identité de l'utilisateur, son lieu de domicile ou de travail peuvent être inférées de ces données. Dans ce contexte, il devient urgent de concevoir des mécanismes de protection qui permettent aux utilisateurs d'accéder en toute sécurité aux services basés sur la localisation sans la crainte de dévoiler leur intimité. Pour relever ce défi, de nombreux efforts visent à développer des mécanismes de protection appelés « Location Privacy Protection Mechanisms (LPPM)». Dans ce cadre, nous proposons tout d'abord MOOD, un système de protection centralisé centré sur l'utilisateur qui a pour but de protéger les données de mobilité de tous les utilisateurs et, en particulier, les utilisateurs orphelins qui ne sont protégés par aucun LPPM individuel. MOOD utilise la composition de plusieurs LPPM et intègre l'évaluation du risque de réidentification avant de publier les données protégées. Cependant, il requiert un «serveur proxy de confiance» pour procéder à la protection et à l'évaluation du risque de réidentification. Bien que les méthodes de protection actuelles tendent à éliminer ce serveur proxy de confiance, l'évaluation du risque d'atteinte à la vie privée a toujours besoin de centraliser les données de mobilité. Pour cette raison, nous proposons SAFER, une nouvelle mesure d'évaluation du risque de confidentialité, développée du côté utilisateur pour estimer le risque de confidentialité en utilisant l'unicité des données de mobilité appelée « uniqueness ». SAFER suit une approche basée sur l’apprentissage fédéré pour construire une connaissance globale sans avoir accès aux données brutes des utilisateurs de façon centralisée. Enfin, nous proposons EDEN, un système de protection des données de mobilité, développé du côté utilisateur. EDEN sélectionne automatiquement le meilleur LPPM et sa configuration correspondante sans envoyer les données de mobilité brutes en dehors du dispositif de l'utilisateur grâce au paradigme de l’apprentissage fédéré