<  Back to the Polytechnique Montréal portal

Integration of Differential Privacy Mechanism to Map-Reduce Platform for Preserving Privacy in Cloud Environments

Melissa Vosough Tehrani

Masters thesis (2020)

[img] Terms of Use: All rights reserved.
Restricted to: Repository staff only until 20 October 2021.
Cite this document: Vosough Tehrani, M. (2020). Integration of Differential Privacy Mechanism to Map-Reduce Platform for Preserving Privacy in Cloud Environments (Masters thesis, Polytechnique Montréal). Retrieved from https://publications.polymtl.ca/5273/
Show abstract Hide abstract

Abstract

Le cloud computing peut être désigné comme utilisant les capacités de ressources matérielles et logicielles basées sur Internet; C’est la tendance de la dernière décennie dans le monde numérique d’aujourd’hui, de plus en plus rapide. Cela a changé le monde qui nous entoure. L’utilisation du cloud est devenue une norme et les utilisateurs transfèrent leurs données vers le cloud à mesure que les données grossissent et qu’il est nécessaire d’accéder aux données à partir de nombreux appareils. Des tonnes de données sont créées chaque jour et toutes les organisations, des instituts scientifiques aux entreprises industrielles, ont pour objectif d’analyser les données et d’en extraire les schémas afin d’améliorer leurs services ou à d’autres fins. Dans l’intervalle, les sociétés d’analyse de données utilisent les informations de millions de personnes et il est de plus en plus nécessaire de garantir la protection de leurs données. Des techniques d’ingénierie sociale aux attaques techniques malveillantes, les données risquent toujours de fuir et nous devrions proposer des solutions pour protéger les données des individus. Dans cette thèse, nous présentons «Parmanix», une plateforme de protection de la confidentialité pour l’analyse de données. Il est basé sur le système MapReduce et fournit des garanties de confidentialité pour les données sensibles dans les calculs distribués sur des données sensibles. Sur cette plate-forme, les fournisseurs de données définissent la politique de sécurité de leurs données. Le fournisseur de calcul peut écrire du code Mapper non approuvé et utiliser l’un des réducteurs de confiance déjà définis dans Parmanix. Comme le système garantit une surcharge acceptable, il n’y aura aucune fuite de données individuelles lors des calculs de la plate-forme.----------ABSTRACT: Cloud computing can be referred to as using the capabilities of hardware and software resources that are based on the Internet; It is the trend of the past decade growing among today’s digital world at a fast pace. It has changed the world around us. Using the cloud has become a norm and people are moving their data to the cloud since data is getting bigger and there is the need to access the data from many devices. Tones of data are creating every day and all the organizations, from science institutes to industrial companies aim to analyze the data and extract the patterns within them to improve their services or for other purposes. In between, information of millions of people is getting used by data analytic companies and there is an increasing need to guarantee the protection of their data. From social engineering techniques to malicious technical attacks, the data is always at the risk of leakage and we should propose solutions to keep an individual’s data protected. In this thesis, we present “Parmanix”, a privacy preserve module for data analytics. It is based on the MapReduce system and provides privacy guarantees for sensitive data in distributed computations on sensitive data. With this module, data providers define the security policy for their data, and computation provider can write untrusted Mapper code and use one of the trusted Reducers that we have already defined within Parmanix. As system guarantees with an acceptable amount of overhead, there would be no leakage of individual’s data through the platform computations.

Open Access document in PolyPublie
Department: Département de génie informatique et génie logiciel
Academic/Research Directors: John Mullins
Date Deposited: 20 Oct 2020 12:10
Last Modified: 20 Oct 2020 12:10
PolyPublie URL: https://publications.polymtl.ca/5273/

Statistics

Total downloads

Downloads per month in the last year

Origin of downloads

Repository Staff Only