• Langue : Anglais
• Discipline : Informatique et applications
• Identifiant : 2025ULILB042
• Type de thèse : Doctorat
• Date de soutenance : 11/12/2025

Résumé en langue originale

Les fuites de données et atteintes à la vie privée soulèvent des inquiétudes croissantes relatives à la protection des informations personnelles. Pour répondre à ces préoccupations, des protocoles cryptographiques appelés calculs multipartites, ou en anglais, Multi-Party Computations (MPC) ont été développés afin de permettre à plusieurs entités d'effectuer conjointement des calculs sur leurs données privées sans les révéler. Ces protocoles ont trouvé des applications notamment dans la lutte contre la fraude fiscale, la santé et l'apprentissage automatique. Cependant, les protocoles MPC existants demeurent insuffisants pour de nombreux scénarios réalistes, en particulier lorsqu'il s'agit de traiter des données de grande dimension ou présentant une structure particulière.Cette thèse se concentre sur les données éparses -- des jeux de données contenant majoritairement des valeurs nulles, qui apparaissent naturellement dans des applications telles que les systèmes de recommandation ou la santé. Alors que les algorithmes pour traiter les données éparses en clair sont bien établis, très peu de protocoles cryptographiques sont optimisés pour ce cadre, ce qui limite l'utilisation de MPC dans les domaines où les données éparses sont la norme.Les contributions centrales de cette thèse introduisent de nouveaux protocoles cryptographiques adaptés à ces données. Nous proposons des protocoles pour la multiplication sécurisée de données éparses, permettant des gains de performance qui rendent possibles des applications jusque-là irréalisables. Nous concevons également de nouveaux algorithmes de Function Secret Sharing (FSS) capables d'effectuer d'agréger des données éparses.Au-delà de ces protocoles, la thèse apporte plusieurs contributions transversales qui interrogent des hypothèses fondamentales et des aspects pratiques des technologies de protection de la vie privée. Nous étudions le rôle des fuites d'information dans les calculs sur données éparses en analysant les fuites dans le chiffrement cherchable, en proposant de nouvelles attaques et en apportant un point de vue statistique sur leurs risques. Nous présentons Fedivertex, un nouveau jeu de données de graphes basé sur les réseaux sociaux décentralisés, conçu pour l'évaluation de l'apprentissage automatique décentralisé. Enfin, nous évaluons la consommation énergétique de plusieurs technologies de protection de la vie privée.Prises dans leur ensemble, ces contributions font progresser la conception de protocoles cryptographiques optimisés pour les données éparses et offrent une perspective plus large sur les défis liés au déploiement pratique des calculs préservant la confidentialité.

Résumé traduit

Data breaches and privacy violations have raised global concerns about the protection of personal information. To address these concerns, cryptographic protocols known as Multi-Party Computations (MPC) have been developed to enable multiple parties to jointly compute on their private inputs without revealing them. These protocols have found applications notably in tax fraud detection, healthcare, and machine learning. However, existing MPC protocols remain insufficient for many real-world scenarios, particularly when dealing with high-dimensional or structured data.This thesis focuses on sparse data -- datasets containing mostly zero values, which naturally arise in applications such as recommender systems and healthcare. While plaintext algorithms for sparse data are well established, few cryptographic protocols are optimized for this setting, limiting the practicality of MPC in domains where sparsity is the norm.The core contributions of this thesis introduce new cryptographic protocols tailored to sparse computations.We propose MPC protocols for secure sparse matrix multiplication, enabling performance gains that make previously impractical applications feasible. We also design new Function Secret Sharing (FSS) schemes able to efficiently efficient aggregate sparse data.Beyond these protocols, the thesis makes several orthogonal contributions that question key assumptions and practical aspects of privacy-preserving technologies. We study the role of leakage in sparse computations by analyzing access-pattern leakage in searchable encryption, providing new attacks and statistical insights into its risks. We present Fedivertex, a new graph dataset based on decentralized social media, to benchmark decentralized machine learning. Finally, we evaluate the energy consumption of several privacy-enhancing technologies.Taken together, these contributions both advance the design of cryptographic protocols for sparse data and provide a broader perspective on the challenges of deploying privacy-preserving computations in practice.