Channel Chart Location Privacy Based on Geo-Indistinguishability

Résumé Technique : Confidentialité de la Localisation par Cartographie de Canaux Basée sur la Géo-Indistinguabilité

Énoncé du Problème
La cartographie de canaux (Channel Charting - CC) est une technique d'apprentissage automatique non supervisé qui projette les informations d'état de canal (CSI) de haute dimension dans un espace latent de faible dimension, préservant ainsi la géométrie locale de l'environnement sans fil. Cela permet des services basés sur la localisation (LBS) sans nécessiter d'étiquettes de position de vérité terrain explicites. Cependant, bien que la CC fournisse des « pseudo-localisations », elle encode intrinsèquement les localisations physiques des équipements utilisateurs (UE). Un serveur LBS tiers ayant accès à ne serait-ce que quelques points d'ancrage peut exploiter la cohérence spatiale de la carte pour reconstruire une correspondance entre l'espace de la carte et l'espace physique, compromettant ainsi la confidentialité de la localisation de l'utilisateur.

Les cadres de confidentialité existants, tels que la Confidentialité Différentielle (DP) et la Géo-Indistinguabilité (GI), offrent des garanties formelles. La GI standard étend la DP aux espaces métriques (par exemple, l'espace euclidien) en garantissant que des localisations proches produisent des sorties statistiquement similaires. Cependant, l'application directe de la GI standard aux cartes de canaux présente un défi : les mécanismes de perturbation standard (comme le mécanisme de Laplace Planaire) supposent un bruit isotrope et une distance euclidienne, ne tenant pas compte de la géométrie intrinsèque et localement structurée de la variété (manifold) de la carte de canal. Ce décalage peut conduire à une utilité sous-optimale (dégradation de la qualité de service) ou à une protection de la confidentialité insuffisante par rapport à la structure spécifique de la carte.

Méthodologie
Les auteurs proposent un cadre nommé Indistinguabilité de la Localisation de la Carte (Chart Location Indistinguishability - CLI), qui étend le concept de Géo-Indistinguabilité aux variétés de dimension inférieure des cartes de canaux. L'objectif central est de perturber les coordonnées de la carte avant de les transmettre à un serveur LBS non fiable, tout en préservant la topologie de la variété.

L'article étudie deux mécanismes principaux au sein du cadre CLI :

1. Mécanisme de Laplace Planaire (PL) Standard : Il applique l'approche GI standard directement à l'espace de la carte en utilisant la distance euclidienne. Il injecte un bruit de Laplace isotrope, traitant la carte comme un plan 2D plat sans considérer les variations géométriques locales.
2. Mécanisme de Laplace Planaire à Norme de Mahalanobis Géométrique (MNPL) : Il s'agit de la contribution novatrice de ce travail. Le mécanisme MNPL adapte la perturbation à la structure locale de la carte de canal.
   • Estimation de la Covariance Locale : Pour chaque point de la carte, l'algorithme identifie ses $K$ plus proches voisins dans l'espace de caractéristiques. La matrice de covariance de ces voisins est calculée dans l'espace de faible dimension de la carte.
   • Décomposition en Valeurs Propres : La matrice de covariance est décomposée pour identifier les directions principales ($u_p$) et les directions orthogonales ($u_o$).
   • Injection de Bruit Adaptative : Une matrice de covariance $\Sigma$ est construite en utilisant des paramètres de conception $\sigma_p^2$ et $\sigma_o^2$ le long de ces axes principaux et orthogonaux. Le bruit est injecté de telle sorte qu'il s'aligne avec la géométrie locale. Plus précisément, le mécanisme applique une perturbation plus forte le long des directions où les points de la carte sont moins dispersés (orthogonales à la direction principale de la variété) afin de maintenir l'indistinguabilité, tout en préservant la structure le long de la direction principale.
   • Échantillonnage : Le vecteur de bruit est échantillonné en générant un bruit PL standard et en appliquant une transformation linéaire basée sur la racine carrée de la matrice de covariance ($\Sigma^{1/2}$).

L'article établit également que le mécanisme MNPL satisfait la définition formelle de l' $\epsilon$-CLI, où la garantie de confidentialité est définie par la distance de Mahalanobis plutôt que par la distance euclidienne. De plus, un mécanisme de base DP standard utilisant le mécanisme Gaussien est évalué à des fins de comparaison.

Contributions Clés

• Cadre CLI : La proposition d'un cadre de confidentialité spécifiquement adapté à la cartographie de canaux, définissant la confidentialité dans les variétés de cartes de canaux via une covariance localement adaptative dérivée des voisinages de la carte.
• Mécanisme MNPL : Le développement d'un mécanisme de perturbation sensible à la géométrie qui injecte un bruit aligné avec la structure géométrique locale de la carte, satisfaisant l' $\epsilon$-CLI tout en préservant mieux la topologie de la variété par rapport aux méthodes isotropes.
• Évaluation Complète : Une évaluation rigoureuse à travers plusieurs schémas de cartographie de canaux (réseaux siamois, apprentissage basé sur les triplets, PCA et auto-encodeurs) utilisant à la fois des métriques d'utilité (Perte de Qualité, Erreur de Requête de Portée) et des métriques liées à la géométrie (Fiabilité, Continuité).

Résultats
Les résultats numériques, basés sur un ensemble de données de campagne de mesures en milieu urbain, démontrent les points suivants :

• Compromis Confidentialité vs Utilité : La DP standard (mécanisme Gaussien) et les mécanismes PL standards dégradent considérablement la structure de la carte. Par exemple, sous DP, les métriques de Fiabilité (TW) et de Continuité (CT) chutent à environ 0,5, indiquant une perte quasi totale de la structure de voisinage locale.
• Supériorité du MNPL : Le mécanisme MNPL proposé surpasse significativement les mécanismes PL et Gaussien standards. Pour un budget de confidentialité de $\epsilon=2$, le MNPL maintient des valeurs de TW et CT autour de 90 % (atteignant jusqu'à 97 % pour les réseaux siamois), alors que le PL voit ces valeurs chuter juste au-dessus de 0,5.
• Préservation Visuelle : Les visualisations des cartes perturbées montrent que le MNPL préserve le regroupement (clustering) et les relations de voisinage de la carte originale, tandis que le bruit PL et Gaussien déforme la structure intrinsèque, rendant la carte inutilisable pour les tâches LBS.
• Performance des Métriques : Le MNPL obtient une Erreur de Requête de Portée (RQE) et une Perte de Qualité (QL) plus faibles que le PL à travers divers budgets de confidentialité et rayons de requête.

Signification et Revendications
L'article affirme que le cadre CLI proposé, et particulièrement le mécanisme MNPL, fournit une forte garantie de confidentialité (indistinguabilité formelle) tout en préservant efficacement l'utilité de la carte de canal pour les tâches LBS. Les auteurs positionnent ce travail comme une « première étape » vers une confidentialité sensible à la géométrie dans la cartographie de canaux. Ils soulignent qu'en incorporant la géométrie intrinsèque de la carte via la distance de Mahalanobis, leur mécanisme atteint un meilleur compromis entre confidentialité et utilité par rapport aux méthodes de perturbation isotropes existantes. Le travail ne prétend pas résoudre tous les problèmes de confidentialité dans les environnements dynamiques, mais établit une méthode fondamentale pour protéger les représentations statiques des cartes de canaux. Des travaux futurs sont suggérés pour explorer des mécanismes adaptatifs pour les environnements et les trajectoires variant dans le temps.