Qui est Cynthia Dwork et quel est son rôle dans le Proof of Work ?

Qui est Cynthia Dwork ?

Cynthia Dwork est une informaticienne théoricienne américaine qui a réalisé des travaux importants sur la cryptographie, la confidentialité, les systèmes distribués et le Proof of Work. Elle est surtout connue comme l’une des fondatrices centrales de la confidentialité différentielle : une méthode permettant d’extraire des statistiques à partir de données sensibles sans révéler trop clairement l’influence d’une seule personne.

Elle est Gordon McKay Professor of Computer Science à Harvard. Elle est également rattachée à la Harvard Law School et au département de statistique de Harvard. Auparavant, elle a travaillé comme chercheuse notamment au MIT, chez IBM, au Compaq Systems Research Center et chez Microsoft Research.

Son travail porte souvent sur une question difficile mais essentielle : comment faire en sorte que les ordinateurs et les systèmes traitent des informations utiles sans devenir peu fiables, injustes ou inutilement sensibles du point de vue de la confidentialité ? Cette question est pertinente bien au-delà de la crypto, mais elle touche aussi à des idées qui sont devenues plus tard importantes pour la blockchain.

Dans le domaine du Proof of Work, Dwork a joué un rôle précoce et fondamental. Avec Moni Naor, elle a proposé au début des années 1990 un système dans lequel une personne devait d’abord effectuer une petite quantité de calcul avant de pouvoir utiliser une ressource informatique partagée. L’idée visait à lutter contre le spam et les abus, et non à faire fonctionner une blockchain. Pourtant, on y retrouve la même idée de base : produire un travail coûte des efforts, mais vérifier que ce travail a bien été effectué est relativement simple.

À retenir

• Cynthia Dwork est une informaticienne qui travaille sur la cryptographie, la confidentialité et les systèmes distribués.
• Elle est l’une des fondatrices centrales de la confidentialité différentielle, avec d’autres chercheurs.
• Dwork est professeure d’informatique à Harvard.
• Elle et Moni Naor ont imaginé tôt un système dans lequel le calcul devait freiner le spam et les abus.
• Ce système était un précurseur conceptuel du Proof of Work, mais pas un modèle pour Bitcoin ou la blockchain.

Quelle formation et quel parcours Cynthia Dwork a-t-elle suivis ?

Dwork a étudié le génie électrique et l’informatique à l’université de Princeton, où elle a obtenu son BSE avec mention en 1979. Elle a ensuite poursuivi ses études en informatique à l’université Cornell, où elle a obtenu son master en 1981 puis son doctorat en 1983.

Après sa thèse, elle a travaillé de mai 1983 à mai 1985 comme chercheuse postdoctorale au MIT Laboratory for Computer Science. Elle a ensuite construit une longue carrière de recherche, à la fois dans le monde universitaire et dans de grands laboratoires de recherche industriels.

Cette combinaison est assez remarquable. Elle n’a pas seulement travaillé sur des questions théoriques, mais aussi sur des idées qui devaient être utiles dans de vrais systèmes informatiques. Depuis janvier 2017, elle est professeure d’informatique à Harvard.

Quelles contributions Cynthia Dwork a-t-elle apportées à l’informatique ?

Dwork a apporté d’importantes contributions à plusieurs domaines de l’informatique. Un thème récurrent dans ses travaux est la fiabilité : comment faire en sorte qu’un système continue de bien fonctionner lorsque les ordinateurs sont lents, commettent des erreurs ou ne se font pas entièrement confiance ?

Avec Nancy Lynch et Larry Stockmeyer, elle a par exemple étudié le consensus sous synchronie partielle. Ici, le consensus signifie simplement que différents ordinateurs doivent se mettre d’accord sur le même résultat. La synchronie partielle signifie que l’on ne sait pas exactement à quelle vitesse les messages arrivent, mais qu’il n’est pas non plus nécessaire de supposer que tout est toujours retardé indéfiniment.

Cela paraît technique, mais c’est un problème bien connu dans les réseaux. Si plusieurs ordinateurs tiennent ensemble un registre partagé, ils doivent finir par accepter la même version. Les blockchains ont elles aussi besoin d’une forme d’accord de ce type.

Dwork a également travaillé avec Danny Dolev et Moni Naor sur la cryptographie non malléable. Il s’agit d’une cryptographie dans laquelle un attaquant ne peut pas modifier un message chiffré de manière utile pour en créer un nouveau message lié. Elle a aussi contribué notamment au chiffrement fondé sur les réseaux euclidiens, aux protocoles cryptographiques, au Proof of Work et à l’équité algorithmique.

Sa contribution la plus connue dans le domaine de la confidentialité est la confidentialité différentielle. Elle a développé cette ligne de recherche avec, entre autres, Frank McSherry, Kobbi Nissim et Adam Smith.

Qu’est-ce que la confidentialité différentielle ?

La confidentialité différentielle est une méthode mathématique qui permet de limiter le risque supplémentaire pour la vie privée qu’une personne encourt du simple fait de figurer dans un jeu de données. L’objectif n’est donc pas de qualifier vaguement des données d’« anonymes ». Il s’agit d’une garantie concrète sur ce qu’une analyse peut ou ne peut pas révéler de manière excessive.

L’idée centrale est simple à expliquer : le résultat doit rester à peu près le même si l’on ajoute ou retire les données d’une seule personne. Si la présence d’un participant individuel ne peut presque pas modifier le résultat publié, il devient beaucoup plus difficile d’en déduire quelque chose de fiable sur cette personne.

Exemple : supposons qu’un chercheur veuille publier combien de personnes, dans un grand groupe, répondent « oui » à une certaine question. Avec la confidentialité différentielle, le décompte publié peut recevoir un petit écart aléatoire. On voit alors toujours une tendance utile pour l’ensemble du groupe, mais la contribution d’une seule personne ressort moins clairement.

Point important à retenir : la confidentialité différentielle ne signifie pas que toutes les données sous-jacentes restent secrètes ni qu’un jeu de données est automatiquement sûr. La protection s’applique au résultat d’une analyse soigneusement conçue.

Comment fonctionne la confidentialité différentielle ?

La confidentialité différentielle repose sur un mécanisme aléatoire. Il s’agit simplement d’une méthode qui ne donne pas toujours exactement le même résultat, parce qu’elle intègre volontairement une petite part de hasard. Un tel mécanisme peut, par exemple, publier un décompte, une moyenne ou une autre statistique.

En pratique, on ajoute souvent du bruit. Le bruit est un petit écart aléatoire dans le résultat. La quantité de bruit nécessaire dépend de la sensibilité du calcul : l’influence maximale qu’une seule ligne du jeu de données peut avoir sur le résultat.

Supposons que vous comptiez combien de personnes répondent « oui » à une question. Une seule personne peut modifier ce total d’au plus 1. La sensibilité est alors faible. Pour un calcul dans lequel une seule entrée peut avoir une influence beaucoup plus grande, une protection plus importante est nécessaire.

La règle formelle compare deux jeux de données presque identiques : le jeu de données D et le jeu de données D'. La seule différence est que D' contient ou non les données d’une seule personne. Pour tout ensemble possible de résultats S, la probabilité d’obtenir un résultat dans les deux cas doit rester proche :

Pr[M(D) in S] <= exp(epsilon) × Pr[M(D') in S]

Il n’est pas nécessaire de mémoriser cette formule. M est le mécanisme qui exécute l’analyse. La valeur epsilon indique l’écart maximal autorisé entre les probabilités des résultats. En général, une epsilon plus petite signifie une garantie de confidentialité plus stricte, mais souvent aussi des statistiques moins précises.

Il existe aussi une variante très utilisée avec epsilon et delta :

Pr[M(D) in S] <= exp(epsilon) × Pr[M(D') in S] + delta

Delta représente alors une petite probabilité d’erreur supplémentaire. L’arbitrage pratique reste le même : davantage de confidentialité exige généralement plus de bruit ou une autre restriction, tandis que les utilisateurs veulent souvent des chiffres aussi précis que possible.

Quel rôle Cynthia Dwork a-t-elle joué dans le développement du Proof of Work ?

Cynthia Dwork a posé, avec Moni Naor, une base précoce importante de l’idée derrière le Proof of Work. Leur travail, présenté en 1992 et publié en 1993, s’intitulait Pricing via Processing or Combatting Junk Mail.

Leur proposition était simple : avant d’obtenir l’accès à une ressource informatique partagée, une personne devait d’abord effectuer un calcul modérément difficile. Ce calcul ne devait pas être impossible, mais il devait coûter juste assez de temps et de puissance de calcul pour rendre les abus massifs peu attractifs.

Imaginez un spammeur qui veut envoyer un million de messages. Si chaque message exige un petit problème de calcul, le coût peut sembler négligeable pour un seul message. Mais pour un million de messages, il s’accumule rapidement. Pour le destinataire, la preuve est ensuite beaucoup plus facile à vérifier que pour l’expéditeur à produire.

C’est précisément cette asymétrie qui est au cœur du Proof of Work : produire demande des efforts, vérifier coûte peu. Dwork a ensuite continué à travailler sur des preuves d’effort computationnel faciles à vérifier, notamment comme protection contre les attaques par déni de service. Dans une telle attaque, quelqu’un tente de rendre un service inaccessible en le submergeant de requêtes.

Il est toutefois important de bien distinguer les choses. Dwork et Naor n’ont conçu ni le minage de Bitcoin, ni un protocole de consensus pour blockchain. Leur proposition visait à freiner le spam et les abus dans les systèmes partagés. Le terme « proofs of work » n’a été utilisé que plus tard pour ce type d’idées.

Pourquoi Cynthia Dwork est-elle importante pour la blockchain et la confidentialité ?

Dwork est importante pour la blockchain parce que ses premiers travaux montrent comment protéger des systèmes ouverts contre des abus massifs à faible coût. Si chacun peut envoyer un nombre illimité de requêtes sans frais, une seule partie peut facilement surcharger un système. Un petit coût de calcul par requête change cet équilibre.

Bitcoin a ensuite utilisé le Proof of Work dans un contexte très différent. Là, le calcul aide un réseau peer-to-peer à ordonner les transactions et à ajouter des blocs à une blockchain. Les mineurs y sont en concurrence pour trouver un calcul valide. Bitcoin a utilisé pour cela un système spécifiquement adapté à Hashcash, et non la conception exacte de Dwork et Naor.

On peut donc considérer leur travail comme un précurseur conceptuel. Il contenait déjà l’idée de coûts computationnels vérifiables, mais pas l’ajustement de difficulté, la concurrence du minage, la sélection d’une chaîne ni les incitations économiques propres à Bitcoin.

Pour la confidentialité, son influence est encore plus directe. Les organisations, les wallets crypto, les chercheurs et les protocoles peuvent s’intéresser à des analyses de données d’utilisateurs ou de transactions. La confidentialité différentielle peut aider à partager des informations statistiques tout en protégeant mieux la contribution d’une seule personne.

Mais là aussi, il existe une limite importante : la confidentialité différentielle ne rend pas automatiquement une blockchain publique privée. La méthode ne protège que le résultat d’une analyse spécifique, conçue correctement. Les transactions déjà publiques sur une blockchain ne disparaissent pas pour autant.

À quoi Cynthia Dwork travaille-t-elle actuellement ?

Cynthia Dwork est actuellement Gordon McKay Professor of Computer Science à Harvard et est également rattachée à la Harvard Law School et au département de statistique. Ses travaux récents se situent toujours à l’intersection de la confidentialité, de l’équité algorithmique, du calcul responsable et des données statistiques.

Elle travaille notamment sur des sujets comme les données de recensement synthétiques, les échanges de données dans les données de recensement, la multicalibration, l’apprentissage automatique à confidentialité différentielle et les réseaux professionnels équitables. La multicalibration est une technique qui vise à faire en sorte que les prédictions soient non seulement bonnes en moyenne, mais aussi plus justes pour différents groupes.

Elle participe également à des recherches sur la théorie de l’équité algorithmique et du calcul responsable. Son dernier poste chez Microsoft Research s’est achevé en 2023 ; lors de son départ, son titre était Distinguished Scientist.

En résumé

Cynthia Dwork n’est pas la conceptrice de Bitcoin, mais son travail avec Moni Naor a très tôt donné forme à une idée qui est ensuite devenue essentielle pour les systèmes de Proof of Work : quiconque veut utiliser un système ouvert peut d’abord devoir fournir un calcul vérifiable. Cela rend les abus à grande échelle plus coûteux, tout en laissant la vérification simple.

Son travail sur la confidentialité différentielle est tout aussi important. Il a permis de formuler clairement une question pratique : comment extraire des informations utiles de données sensibles sans rendre un individu trop identifiable ? C’est précisément la combinaison de la cryptographie, des systèmes fiables, des coûts computationnels et de la confidentialité qui rend son travail historiquement pertinent pour la crypto et la blockchain.