Privacy-Preserving Quantization Learning for Distributed Detection with Applications to Smart Meters

Résumé : Cette thèse porte sur quelques problèmes de codage de source dans lesquels on souhaite préserver la confidentialité vis à vis d’une écoute du canal. Dans la première partie, nous fournissons des nouveaux résultats fondamentaux sur le codage de source pour la détection (utilisateur légitime) et la confidentialité (vis à vis d’une écoute du canal) en présence d'informations secondaires aux terminaux de réception. Nous proposons plusieurs nouveaux résultats d'optimisation de la région de débit-erreur-équivocation réalisable, et proposons des algorithmes pratiques pour obtenir des solutions aussi proches que possible de l'optimal, ce qui nécessite la conception de quantificateurs en présence d'un eavesdropper. Dans la deuxième partie, nous étudions le problème de l'estimation sécurisée dans un cadre d'utilité-confidentialité où l'utilisateur recherche soit à extraire les aspects pertinents de données complexes ou bien à les cacher vis à vis d'un eavesdropper potentiel. L'objectif est principalement axé sur l'élaboration d'un cadre général qui combine la théorie de l'information et la théorie de la communication, visant à fournir un nouvel outil pour la confidentialité dans les Smart Grids. D'un point de vue théorique, cette recherche a permis de quantifier les limites fondamentales et donc le compromis entre sécurité et performance (estimation / détection).
Liste complète des métadonnées

https://tel.archives-ouvertes.fr/tel-01691554
Contributeur : Abes Star <>
Soumis le : mercredi 24 janvier 2018 - 10:12:06
Dernière modification le : jeudi 5 avril 2018 - 12:30:06
Document(s) archivé(s) le : jeudi 24 mai 2018 - 14:02:10

Fichier

76569_MHANNA_2017_diffusion.pd...
Version validée par le jury (STAR)

Identifiants

  • HAL Id : tel-01691554, version 1

Citation

Maggie Mhanna. Privacy-Preserving Quantization Learning for Distributed Detection with Applications to Smart Meters. Signal and Image Processing. Université Paris-Saclay, 2017. English. 〈NNT : 2017SACLS047〉. 〈tel-01691554〉

Partager

Métriques

Consultations de la notice

386

Téléchargements de fichiers

207