Abstract:
Aujourd'hui, de plus en plus les données du réseau social sont rendues publiquement
disponibles à des fins d’analyse des données. Bien que cette analyse soit importante pour les
chercheurs, il peut y avoir un risque de violation de la vie privée des utilisateurs constituant ce
réseau social. Avec peu de connaissances locales sur les individus dans un réseau social, un
adversaire peut réaliser différents types d'attaques. Parmi les informations que peut collecter
un adversaire sur une victime cible, nous trouvons « le voisinage », c'est à dire, quels sont les
voisins de la victime et comment ces voisins sont connectés. Cette information pourra ainsi
aider l’adversaire à identifier la personne même si d'autres informations d'identification sont
supprimées. Dans notre travail, nous avons fait une étude détaillée de l’approche
d’anonymisation proposée par Zhou et Pei [54] contre les attaques de voisinage et nous avons
pu identifier quelques faiblesses concernant l’altération des propriétés structurelles du graphe
anonymisé résultant. Ceci nous a conduit à proposer une nouvelle approche d’anonymisation
des graphes sociaux à publier tout en maintenant l'utilité des données du réseau qui reflète les
propriétés structurelles du graphe original notamment APL. La solution consiste à
implémenter le modèle « k-voisinage » pour garantir que tout individu ne peut pas être
identifié correctement dans le graphe social anonymisé avec une probabilité supérieure à 1/k,
tel que pour chaque sommet appartenant au graphe, il existe au moins (k-1) autres sommets
ayant des voisinages isomorphes. Le but de l’approche proposée est d’une part de protéger les
données publiées contre les attaques de voisinages et de préserver l’utilité du graphe social
anonymisé d’autre part.
