Protéger la confidentialité de la localisation

L'approche prédominante pour protéger la confidentialité de la localisation des utilisateurs mobiles dans les services géodépendants (LBS) consiste à modifier la localisation réelle des utilisateurs afin de réduire les informations de localisation transmises au fournisseur de services. L'algorithme d'obfuscation de la localisation sous-jacent à un mécanisme efficace de préservation de la confidentialité de la localisation (LPPM) doit prendre en compte trois éléments fondamentaux : les exigences de confidentialité des utilisateurs, les connaissances et capacités de l'adversaire, ainsi que la dégradation maximale tolérée de la qualité de service résultant de l'obfuscation des localisations réelles. Nous proposons la première méthodologie, à notre connaissance, permettant à un concepteur de trouver le LPPM optimal pour un LBS compte tenu des contraintes de qualité de service de chaque utilisateur face à un adversaire déployant l'algorithme d'inférence optimal. Ce LPPM est celui qui maximise la distorsion (erreur) attendue que l'adversaire optimal subit lors de la reconstruction de la localisation réelle d'un utilisateur, tout en respectant l'exigence de qualité de service de l'utilisateur. Nous formalisons l'optimisation mutuelle des objectifs utilisateur-adversaire (confidentialité de la localisation c. exactitude de la localisation) en utilisant le cadre des jeux bayésiens de Stackelberg. Dans ce cadre, nous développons deux programmes linéaires qui génèrent la meilleure stratégie de LPPM et son attaque par inférence optimale correspondante. Notre LPPM optimal centré sur l'utilisateur peut être facilement intégré dans les appareils mobiles des utilisateurs utilisés pour accéder aux LBS. Nous validons l'efficacité de notre méthode issue de la théorie des jeux à l'aide de traces de localisation réelles. Notre évaluation confirme que la stratégie optimale de LPPM est supérieure à une méthode d'obfuscation classique, et que l'attaque de localisation optimale est plus performante qu'une attaque par inférence bayésienne.