Local Cloaking

La métrique Local Cloaking est spécifique à la méthode Avatar. Elle peut être considérée comme une métrique de densité. Elle est conçue pour évaluer un scénario d’attaque par liaison de données basée sur la distance. Cette métrique mesure la perte de lien entre une donnée originale et son avatar dans un contexte où chaque individu génère ses propres données synthétiques.

Elle quantifie le niveau d'isolement de l’avatar d’un individu par rapport à sa donnée originale en déterminant la médiane du nombre d’autres avatars situés entre la donnée originale et son avatar dans l’espace de projection.

Interprétation du Local Cloaking

Le Local Cloaking s’interprète ainsi : il renvoie la médiane du nombre d’avatars situés entre une donnée originale et son avatar.

Exemple

Supposons qu’un jeu de données affiche une valeur de Local Cloaking égale à 5. Cela signifie qu’entre une donnée originale et son avatar, il y a une médiane de 5 autres avatars plus proches de la donnée originale. Ce résultat traduit une dissociation efficace entre la donnée originale et son avatar, rendant plus difficile pour un attaquant d’établir un lien direct.

Spécificité de la métrique

Cette métrique est particulièrement pertinente pour les jeux de données à forte densité, c’est-à-dire où de nombreux individus partagent des caractéristiques similaires. Dans ces cas, le nombre d’avatars proches augmente, renforçant davantage la dissociation entre les données originales et leurs avatars.

Formule

Avec $c_i$ le nombre d'avatars, autres que le sien, au moins aussi proches de $x_i$ que son propre avatar $y_{a(i)}$ :

$$c_i = \#\left\{\, j \neq a(i) \;:\; d(x_i, y_j) \le d(x_i, y_{a(i)}) \,\right\} \qquad \text{Local Cloaking} = \text{médiane}_{i}\; c_i$$

Les distances sont euclidiennes, calculées dans l'espace projeté de l'anonymisation ($ncp$ premières composantes).

Comment améliorer cette métrique ?

Pour améliorer le Local Cloaking, il est recommandé d’augmenter le paramètre k, qui correspond au nombre de voisins considérés lors de la génération des données synthétiques. Une valeur plus élevée de k accroît la distance relative entre une donnée originale et son avatar, renforçant ainsi la dissociation et la protection contre les attaques de liaison de données.