Confidentiality and privacy on constrained devices: optimization using heuristic and machine learning algorithms

Résumé

En raison de la fréquence élevée du flux de données pour les appareils IoT, il devient utile de tirer parti des capacités du cloud pour stocker ces données et répondre aux volumes élevés de la demande des utilisateurs. Les statistiques montrent que le nombre d’appareils IoT atteindra cinquante milliards d’ici Taha et al. (2019a). Les applications IoT sont soutenues par des clouds où les données sont stockées et traitées par de gigantesques systèmes de traitement et accessibles uniquement aux utilisateurs autorisés. Le cloud est honnête mais toujours curieux. Dans ce contexte, la confidentialité des données sur les serveurs cloud doit être protégée afin de garantir que seuls les utilisateurs autorisés peuvent y accéder. Cela implique également que même les fournisseurs de services cloud, qui hébergent les données, ne doivent pas les révéler. À cette fin, les données d’entrée doivent d’abord être chiffrées sur les appareils IoT avant d’être transmises dans le cloud. Cela ajoutera des frais de calcul sur les appareils IoT. Dans cette thèse, nous proposons un algorithme qui vise à réduire la surcharge des tâches intensives de chiffrement basé sur des attributs de politique de chiffrement (CP-ABE) sur des dispositifs contraints. Notre programme résout tous les défis susmentionnés en considérant les phases suivantes (1) Notre schéma peut s’adapter intelligemment du cryptage CP-ABE complet au cryptage CP-ABE partiel en fonction du contexte du dispositif contraint, de la complexité de la tâche et de la politique d’accès. Le schéma utilise des techniques d’apprentissage automatique pour décider quand il doit effectuer le chiffrement CP-ABE complet ou partiel. (2) Notre programme prend en compte la fonctionnalité de mobilité des dispositifs contraints (c’est-à-dire OBU dans le réseau VANET). Par conséquent, notre schéma peut réduire le calcul intensif des tâches CP-ABE afin de réduire le temps d’exécution de cette tâche en le divisant et en le répartissant entre les véhicules du cluster. Nous utilisons Kubernetes pour construire le cluster de véhicules et préparer l’infrastructure nécessaire pour exécuter les tâches CP-ABE. (3) Notre schéma considère le multi-objectif en plus de minimiser le temps de la tâche de chiffrement. Nous considérons la limitation des ressources disponibles dans la topologie dynamique telle que VANET. Par conséquent, nous minimisons le nombre de ressources utilisées pour effectuer des tâches CP-ABE en plus de minimiser le temps de l’opération de chiffrement CP-ABE lui-même. Enfin, pour atteindre nos objectifs, nous utilisons des techniques d’apprentissage automatique pour diviser la tâche en sous-tâches en tenant compte des facteurs qui ont un impact sur les frais généraux des tâches. Nous utilisons également l’optimisation des essaims de particules (PSO) dans notre approche pour effectuer le processus de distribution des tâches.

Date	10 févr. 2020
langue originale	Anglais américain
Établissement diplômant	École de technologie supérieure
Superviseur	Chamseddine Talhi (Directeur(-trice))