La défense
Pourquoi c'est important Les trois dernières leçons ont montré que les noms reviennent par les empreintes, les quasi-identifiants et les hashes. Voici les outils qui aident vraiment quand tu construis quelque chose qui stocke ou partage des données sur des gens. Chacun est simple, et chacun a un coût que tu dois connaître.
Quatre outils, une idée : partager moins de détails
Pense à une école qui publie des résultats d'examen. Lister la note de chaque élève, même sans les noms, permet aux camarades de deviner qui est qui. Dire « la moyenne de la classe était de 64, et 3 élèves ont eu les meilleures notes » dit aux parents ce dont ils ont besoin avec bien moins de risque. Chaque outil ici en est une version.
1. Le hachage à clé (un sel secret)
Sel : un texte en plus mélangé à l'entrée avant le hachage, pour que le même e-mail donne un hash différent. Quand le sel est un secret détenu par une seule organisation, on l'appelle souvent clé ou poivre (pepper).
HMAC : une façon standard de hacher avec une clé secrète. Python l'a intégrée : hmac.new(key, message, hashlib.sha256).hexdigest().
La table de correspondance de la leçon précédente ne marche que parce que n'importe qui peut calculer sha256(email). Avec une clé secrète, un tiers ne peut pas calculer les hashes des e-mails candidats, donc la table est inutile. Le coût : deux entreprises ne peuvent plus faire correspondre leurs clients sauf si elles partagent la clé, ce qui est souvent exactement le but. Et ça ne protège que contre l'extérieur : qui détient la clé peut encore forcer.
2. Généraliser, puis supprimer : atteindre k
Généralisation : remplacer des valeurs exactes par des valeurs plus grossières : le code postal 40113 devient 4011*, la date de naissance 1987-03-03 devient 1980s.
Des valeurs plus grossières font de plus grands groupes. Mais certains groupes restent minuscules (dans nos données, les personnes de genre X sont rares). Donc la deuxième étape est la suppression : laisser de côté les lignes dont le groupe est plus petit que k. Après les deux étapes, chaque combinaison restante est partagée par au moins k personnes. Choisir k (5 et 10 sont courants) est un jugement sur le risque.
Des limites honnêtes : si les k personnes d'un groupe ont toutes le même diagnostic, le groupe le révèle quand même. Et la suppression retire les personnes les plus rares, dont les données comptent peut-être le plus. Le k-anonymat réduit le risque ; il ne le supprime pas.
3. L'agrégation
Souvent, tu n'as pas du tout besoin de lignes. Publie des comptes : « 212 personnes asthmatiques ». Combine avec la suppression (« ne publie aucun compte inférieur à 10 ») et beaucoup d'attaques disparaissent, car il n'y a aucune ligne à joindre à une liste publique.
4. La confidentialité différentielle, en douceur
Les comptes peuvent encore fuiter. Si le compte d'hier était 212 et celui d'aujourd'hui 213, et que tu sais qu'une personne a rejoint, tu apprends son diagnostic. La confidentialité différentielle ajoute un peu de bruit aléatoire à chaque nombre publié, pour qu'aucune personne seule ne change le résultat d'une façon que quiconque puisse voir.
Confidentialité différentielle (differential privacy) : une promesse que les résultats publiés auraient presque la même allure, que les données d'une personne donnée soient incluses ou non. On y arrive en ajoutant un bruit aléatoire soigneusement dimensionné.
Epsilon : le réglage de confidentialité. Un epsilon plus petit veut dire plus de bruit et plus de confidentialité ; plus grand veut dire plus de précision et moins de confidentialité.
Le bruit classique est la distribution de Laplace avec une échelle de 1 / epsilon. Une astuce élégante la fabrique à partir de deux tirages aléatoires ordinaires : rng.expovariate(epsilon) - rng.expovariate(epsilon). Avec epsilon 1, le compte publié est décalé d'environ 1 en moyenne ; avec epsilon 0,25, d'environ 4. Les moyennes sur de grands groupes restent utiles, car le bruit est petit par rapport à elles et s'annule.
Les tests passent un objet random.Random avec graine sous le nom rng. N'utiliser que cet objet rend ton bruit reproductible, donc la notation est équitable. L'étape 7 va plus loin : les budgets de confidentialité, et ce qui se passe quand tu réponds à beaucoup de questions.
Une idée reçue
« Le bruit ruine les données. » Pour un tout petit groupe, oui, et c'est le but : c'est là que des individus pourraient être exposés. Pour les grands totaux qu'on utilise vraiment, quelques unités de bruit comptent à peine.
Essaie Une fois réussi, appelle noisy_count(212, epsilon, rng) dix fois chacun pour epsilon 2, 0.5 et 0.1. Note l'étendue des réponses. Quel epsilon accepterais-tu pour un rapport sur une ville de 2 000 habitants ?
Dans d'autres langages
JavaScript (Node) :
const { createHmac } = require("crypto");
const keyedHash = (email, key) =>
createHmac("sha256", key).update(email.trim().toLowerCase()).digest("hex");
// Laplace noise from two exponential draws (use a seeded generator for tests)
const expo = (rate, rand) => -Math.log(1 - rand()) / rate;
const noisyCount = (n, eps, rand) => n + expo(eps, rand) - expo(eps, rand);Go :
mac := hmac.New(sha256.New, []byte(key))
mac.Write([]byte(strings.ToLower(strings.TrimSpace(email))))
hash := hex.EncodeToString(mac.Sum(nil))
noisy := float64(count) + r.ExpFloat64()/eps - r.ExpFloat64()/epsRécap
- Une clé secrète (HMAC) empêche les tiers de forcer les e-mails hachés.
- Généralise, puis supprime les petits groupes, pour atteindre le k-anonymat ; ça réduit le risque, pas à zéro.
- Publie des comptes plutôt que des lignes, et cache les petits comptes.
- La confidentialité différentielle ajoute un bruit d'échelle 1/epsilon : les tout petits groupes deviennent flous, les grandes moyennes restent utiles.
Écris keyed_hash(email, key) (le HMAC-SHA256 hexadécimal de l'e-mail normalisé, la clé en UTF-8), generalise(row) (un nouveau dict avec zip = les 4 premiers chiffres plus *, birth_decade comme "1980s", et gender et diagnosis inchangés), suppress_small(rows, columns, k) (garde, dans l'ordre, seulement les lignes dont le groupe de valeurs columns égales a au moins k lignes) et noisy_count(true_count, epsilon, rng) (ajoute un bruit de Laplace d'échelle 1/epsilon tiré uniquement de rng).
Tu as repéré un problème dans cette leçon ? Signale-le · Pose une question sur cette leçon
Cet exercice s'ouvre bientôt
Termine la leçon précédente pour débloquer celle-ci. Tout le cours est gratuit, aucun compte n'est requis, et tu peux lire cette leçon dès maintenant.
Ce navigateur bloque les cookies pour learn.floati.life, donc les leçons que tu as terminées ici ne peuvent pas s'ouvrir dans l'ordre. Autorise les cookies pour ce site et recharge la page.