Toutes les informations sur http://www.netsecure-day.fr/nsd15

3. •
•
•

7. Source: Facebook.com

13. ±

14. 14

18. •
•
•

19. Pub. cibléeProfils
Res. sociauxPhotos
MailBanques
Achats
Capteurs
Localisation
Dissémination
contrôlée
Calculs globaux
anonymes et
participatifs
Analyses croisées
Auto-évaluation

23. https://demo.cozycloud.cc/
https://cozy.io/fr/

24. 24
o
o
o

25. 25

26. 26
Dad says you are
spying on us.
He is not your dad

29. •
•
•
•

30. •
•
•
•
•
•
•

31. 3
1

32. 3
2

33. Cloud
Serveur
Personneldata
Secure
HW
C
33
A

34. Source : Wikipedia
Source : Twitter

37. Alice veut partager des documents avec Bob, d’une façon #simple,
#sécurisée, avec un fort niveau de #privacy.
#simplicity
#simplicity #privacy
#security #privacy
#simplicity #security #privacy

38. 3
8

39. 3
9
Objectif : un partage simple, sécurisé, respectueux de la vie privée,
permettant la synchronisation de documents, et l’expression de
règles puissantes

40. 4
0
•
•
•
•
•
•

41. Decentralized ecosystem needs
interoperability !

42. @paultranvan
@MyCozyCloud
https://cozy.io
contact@cozycloud.cc
https://project.inria.fr/smis/
paul@cozycloud.cc

44. Source : claybennett.com

45. •
•
•
Source : http://leaksource.info

46. •
•
•
•
•
•
•

48. •
•
•
•
•

49. Back
up
Back
up
•
•
•
•
•
•
•
•
•
o
o

50. •
•
•
•

51. •
•
•

52. •
•
•
•

53. •
o
o
•
•
•
•
•

54. •
•
•
•
•
•
•

55. •
•
•

57. Dossiers personnels transverses
• Données individuelles de nature diverse
–Traces de géo-localisation, conso. électrique, exposition au bruit…
–Données admin., sociales, de santé, historique d’achats, d’interactions…
• Nouveaux usages
–Recherches personnelles, dans l’ensemble de l’écosystème personnel
–Croisements de données  quantify-self, comparaison (énergie, discr. tarifaire)
–Extraction d’information transverse  support à la dissémination contrôlée, nudges
• Offerts par le Web personnel, mais controversés en centralisé
–Visées monopolistiques des acteurs du marché de la donnée personnelle
–Procédés controversés : sur-collecte, croisements à la source (cookies…), appariement de
données de différent silos (proche de la dé-anonymisation)
• Challenges scientifiques
–Garanties tangibles de sécurité, besoin de modèles de partage, contrôle d’usage…
–Données hétérogènes : documents, historiques, flux, etc,
57

58. Calculs globaux et anonymes à grande
échelle
• Statistiques, épidémiologiques, Big Data, Data Mining, …
–Seuls les résultats sont révélés, mais pas les données de base
• Approches techniques
–Calculer en centralisant => risque de perte du bénéfice escompté
–Calculer sans centraliser => difficile dans un contexte général (SMC)
–Mais largement facilité grâce au matériel sûr (SMIS)
•1) Collecte des données de base utiles (chiffrées) sur une infrastructure de support
•2) Distribution du traitement sur les serveurs personnels (aide du matériel sécurisé)
•3) Délivrance du résultat en clair au requérant
–Ni l’infrastructure, ni les participants n’apprennent les données de base
• Exemples de calculs possibles à grande échelle (millions)
–Agrégats SQL, traitements Big Data, Map Reduce, SPARK,
–Data Mining (règles d’associations, classification, regroupement, …)
58