et la capacité d’un bord. Si le nombre d’objets traversant un bord à un horodatage dépasse la capacité spécifiée, la limite de vitesse sur ce bord sera réduite. De plus, des objets dits externes peuvent être générés afin de simuler l’impact des conditions météorologiques ou des influences similaires.
Il existe des objets externes, qui sont présents sur toute la période, et d’autres, qui sont créés au cours de la simulation et sont supprimés plus tard. Les objets externes peuvent changer leur position et leur forme (rectangulaire) au fil du temps. Si un objet en mouvement se trouve dans la zone d’un objet externe, sa vitesse est influencée selon les paramètres de la classe à laquelle l’objet externe appartient. Le générateur de Brinkhoff est écrit en Java 1.1.
Une interface graphique permet de définir les paramètres et de visualiser le réseau et les objets générés (La figure 6.1).
Le réseau utilisé par le générateur est spécifié par des fichiers texte simples. La même chose vaut pour la sortie : les objets signalés sont écrits dans un fichier texte ou dans une base de données. L’exemple suivant montre une partie sélectionnée de ce fichier de sortie ; chaque ligne comprend le type d’événement, l’ID d’objet, la classe de l’objet mobile, l’index de l’horodatage et les coordonnées x, y comme. La figure 6.2 illustre une partie de ce fichier.
Figure 6.2 – Exemple montre une partie sélectionnée de fichier de sortie [3].
6.3
Implémentation et Évaluation
Dans cette section, nous évaluons l’efficacité de l’approche que nous proposons en effectuant un ensemble d’expériences. Pour évaluer, nous avons utilisé les métriques suivantes : garantie de la vie privée, la qualité de service et performances. À notre connaissance, en raison des problèmes d’intérêt commercial et de protection de la vie privée, il n’y a pas vraiment d’ensemble de données à grande échelle sur les objets en mouvement publié. Comme de nombreux ouvrages, nous utilisons le célèbre générateur
6.3 Implémentation et Évaluation Chapitre 6
d’objets mobiles Thomas Brinkhoff [3] sur la carte routière d’Oldenburg pour générer les objets mobiles dans le système comme le montre la figure 6.3.
Figure 6.3 – Utilisateurs générés sur la carte routière d’Oldenbourg.
Dans les paramètres par défaut, 2000 clients mobiles sont générés se déplaçant le long de la carte avec des vitesses variées pour 100. L’intervalle de requête est fixé à 20 s. Par conséquent, à partir de ce générateur, nous pouvons obtenir les vitesses et les emplacements correspondants de tous les clients. Par défaut, chaque requête définit : le paramètre de l-Diversity (l est un nombre aléatoire entre [0, 3]) ; et le niveau de vie privée k avec un nombre aléatoire entre [2, 4]. Nous avons comparé notre algorithme avec les autres algorithmes nommés V-DCA [11], D-TC [140] et GCA [141]. Nous avons implémenté nos algorithmes de camouflage avec Java. Le tableau 6.1 présente les paramètres par défaut du système utilisés dans notre expérience.
6.3.1
Critères et paramètres d’évaluation
Tout d’abord pour analyser en détail nos résultats d’expérimentations et mesurer les performances de notre approche, nous définissons d’abord quelques paramètres. Nous évaluons nos algorithmes sous trois aspects : garantie de la vie privée, qualité de service et la performance :
6.3.1.1 Garantie de la vie privée :
La garantie de vie privée représentée par le KPercentage. Pour une requête continue, les clients masqués dans t=0 (R0) doivent être dans les snapshots suivants autant que
6.3 Implémentation et Évaluation Chapitre 6
possible.
KP ercentage = (|R0∩ R1∩ R2∩ ... ∩ Rn|/|R0|) ∗ 100 (6.1)
où n est le nombre maximum d’ensembles camouflés qui répondent aux exigences de vie privée et de qualité dans les instantanés continus. La valeur maximale de k est |R0|, donc un K plus grand signifie une meilleure protection de la vie privée pour un
algorithme particulier. Par conséquent, les paramètres < K, n > peuvent être utilisés pour mesurer la performance des algorithmes de cloaking.
6.3.1.2 Qualité de service QoS :
Puisque les clients de m-business restant éloignés peuvent réduire l’exactitude des résultats et en plus les réponses de requête sont plus précises dans une plus petite région masquée, nous évaluons les Qos en utilisant deux paramètres : la zone de camouflage moyenne et la distance moyenne pendant la durée de vie de la requête. Par conséquent, une valeur plus petite pour les deux métriques indique une meilleure qualité de service. X Distance moyenne : La distance moyenne DistanceAvrg (q; Ri) est calculée
comme suit :
DistanceAvrg(q, Ri) =
X
i=1to(k−1)
Distance(q, qi0)/k − 1 (6.2)
où, au moment de l’instantané i, Riest une région masquée du client de la requête
q, et Distance(q, q0) est la distance entre le client de la requête q et le client q0 qui a été masqué avec q dans Ri. Par conséquent, la valeur moyenne de la distance
entre le client de la requête q et les clients masqués ensemble représente la distance moyenne.
Pour une requête continue avec n snapshots, la distance moyenne DistanceAvrg(q)
de tous les snapshots est :
DistanceAvrg(q) =
X
i=1ton
DistanceAvrg(q, Ri)/n (6.3)
X Zone de camouflage moyenne : est la moyenne de la superficie totale de toutes les régions de camouflage réussies dans la période active d’une requête, la zone de camouflage moyenne AreaAvrg(q) est calculée comme suit :
AreaAvrg(q) =
X
i=1ton
6.3 Implémentation et Évaluation Chapitre 6
Table 6.1 – Paramètres d’expérience.
Paramètres Paramètres par défaut
Nombre de profil des clients 2000
Nombre de snapshots 1-100
Vitesse Vitesses variées
k (Privacy Level) Choisi au hasard parmi [2-10] Catégorie de requête (l-Diversity) Choisi au hasard parmi [0-3]
Intervalle de requête 20s
6.3.1.3 Performance :
La performance est la capacité de l’algorithme à trouver les clients les plus proches du client de la requête q (le demandeur) ; en d’autres termes, il représente le temps nécessaire pour trouver la région de camouflage. Nous évaluons la performance en utilisant le temps moyen de cloaking comme suit :
CloakingT imeAvrg =
X
i=1ton
Ctime(Ri)/n (6.5)
Ctime(Ri) représente le temps de cloaking pour chaque région camouflée et n repré-
sente le nombre d’instantanés de la requête q. Pour obtenir un mécanisme de protection de la vie privée efficace, le temps de cloaking doit être suffisamment court.