<  Back to the Polytechnique Montréal portal

Secure and Privacy-Preserving Cyber-Physical Systems

Kwassi Holali Degue

Ph.D. thesis (2021)

Open Access document in PolyPublie
[img]
Preview
Open Access to the full text of this document
Terms of Use: All rights reserved
Download (1MB)
Show abstract
Hide abstract

Abstract

This thesis studies the problem of privacy-preserving estimator and control design in a multiagentsystem composed of uncertain individual linear systems and the problem of designof undetectable attacks and attack-resilient estimators for cyber-physical systems. Largescalemonitoring and control systems enabling a more intelligent infrastructure increasinglyrely on sensitive data obtained from private agents, e.g., location traces collected from theusers of an intelligent transportation system or medical records collected from patients forintelligent health monitoring. Nevertheless, privacy considerations can make agents reluctantto share the information necessary to improve the performance of an intelligent infrastructure.In order to encourage the participation of these agents, it becomes then critical to designalgorithms that process information in a privacy-preserving way. The first part of this thesisconsider scenarios in which the individual agent systems are linear Gaussian systems andare independent. We revisit the Kalman filtering and Linear Quadratic Gaussian (LQG)control problems, subject to privacy constraints. We aim to enforce differential privacy, aformal, state-of-the-art definition of privacy ensuring that the output of an algorithm is nottoo sensitive to the data collected from any single participating agent. We propose a twostagearchitecture, which first aggregates and combines the individual agent signals beforeadding privacy-preserving noise and post-filtering the result to be published. We show asignificant performance improvement offered by this architecture over input perturbationschemes as the number of input signals increases and that an optimal static aggregation stagecan be computed by solving a semidefinite program. The two-stage architecture, which wedevelop first for Kalman filtering, is then adapted to the LQG control problem by leveragingthe separation principle. We provide numerical simulations that illustrate the performanceimprovements over differentially private algorithms without first-stage signal aggregation.The second part of this thesis considers the problem of privacy-preserving estimator designfor a multi-agent system composed of individual linear time-invariant systems affected byuncertainties whose statistical properties are not available. Only bounds are given a priorifor these uncertainties. We propose a privacy-preserving interval estimator architecture,which releases publicly estimates of lower and upper bounds for an aggregate of the statesof the individual systems. Particularly, we add a bounded privacy-preserving noise to eachparticipant's data before sending it to the estimator. The estimates published by the observerguarantee differential privacy for the agents' data. We provide a numerical simulation thatillustrates the behavior of the proposed architecture.

Résumé

Dans cette thèse de doctorat, nous étudions le problème de conception d'estimateur et decommande préservant la confidentialité de données dans un système multi-algent composéde systèmes individuels linéaires incertains ainsi que le problème de conception d'attaquesfurtives et d'estimateurs résilients aux attaques dans les système cyber-physiques. Les systèmesde surveillance et de commande à grande échelle permettant une infrastructure deplus en plus intelligente s'appuient de plus en plus sur des données sensibles obtenues auprèsd'agents privés. Par exemple, ces systèmes collectent des données de localisation d'utilisateursd'un système de transport intelligent ou des données médicales de patients pour une détectionintelligente d'épidémie. Cependant, les considérations de confidentialité peuvent rendreles agents réticents à partager les informations nécessaires pour améliorer les performancesd'une infrastructure intelligente. Dans le but d'encourager la participation de ces agents, ils'avère important de concevoir des algorithmes qui traitent les données d'une manière quipreserve leur confidentialité.Durant la première partie de cette thèse, nous considérons des scénarios dans lesquels lessystèmes individuels sont indépendants et sont des systèmes linéaires gaussiens. Nous revisitonsles problèmes de filtrage de Kalman et de commande linéaire quadratique gaussienne(LQG), sous contraintes de preservation de la confidentialité. Nous aimerions garantir laconfidentialité differentielle, une définition formelle et à la pointe de la technologie concernantla confidentialité, et qui garantit que la sortie d'un algorithme ne soit pas trop sensibleaux données collectées auprès d'un seul agent. Nous proposons une architecture en deuxétapes, qui agrège et combine d'abord les signaux des agents individuels avant d'ajouter dubruit préservant la confidentialité et post-filtrer le résultat à publier. Nous montrons qu'uneamélioration significative des performances est offerte par cette architecture par rapport auxarchitectures standards de perturbations d'entrée à mesure que le nombre de signaux d'entréeaugmente. Nous prouvons qu'un pré-filtre optimal d'agrégation statique peut être conçu enrésolvant un programme semi-défini. L'architecture en deux étapes, que nous développonsd'abord pour le filtrage de Kalman, est ensuite adaptée au problème de commande LQGen exploitant le principe de séparation. A travers des simulations numériques, nous illustronsles améliorations de performance de notre architecture par rapport aux algorithmes deconfidentialité différentielle qui n'utilisent pas d'agrégation de signal.
Department: Department of Electrical Engineering
Program: Génie électrique
Academic/Research Directors: Jérôme Le Ny
PolyPublie URL: https://publications.polymtl.ca/5589/
Institution: Polytechnique Montréal
Date Deposited: 05 May 2021 11:17
Last Modified: 14 Nov 2022 15:39
Cite in APA 7: Degue, K. H. (2021). Secure and Privacy-Preserving Cyber-Physical Systems [Ph.D. thesis, Polytechnique Montréal]. PolyPublie. https://publications.polymtl.ca/5589/

Statistics

Total downloads

Downloads per month in the last year

Origin of downloads

Repository Staff Only

View Item View Item