La Tragédie des facteurs communs

X.509 (#) est un standard de l'ITU Telecommunication Standardization Sector pour les infrastructures à clés publiques. (Il est également parfois employé dans les infrastructure de gestion de privilèges pour le traitement des autorisations.) Dans cette norme, un certificat garantit l'association d'une clé publique à une entité nommée et identifiée. Les certificats sont délivrés par des autorités de certification qui peuvent dépendre les unes des autres dans une forme hiérarchique. Les navigateurs du marché sont livrés, par exemple, avec un certain nombre de certificats des autorités « racines » pré-installés de façon à ce que les certificats SSL des éditeurs et des fournisseurs de services soient immédiatement reconnus.

 

OpenPGP(#) est un autre dispositif populaire sur Internet pour chiffrer les échanges et authentifier les messages. Il fonctionne sans hiérarchie d'autorités de certifications, comme celles du standard X.509, et met également en oeuvre un chiffrement symétrique à clés publiques.

 

Les clés publiques sont donc devenues avec la généralisation des infrastructures de sécurité — que l'on pense aux protocoles SSL/TLS (#) et HTTPS (#), par exemple — l'épine dorsale du e-commerce, du paiement des transactions en ligne, de l'authentification des utilisateurs de services Web mais également de toutes les télécommunications, via leur rôle dans les routeurs, les équipements de télécommunications, les cartes à puces et les lecteurs, et dans la prolifération envahissante des devices connectés qui nous submerge.

 

Une cladistique des clés publiques. À première vue, ces clés publiques sont d'apparence bien modeste au regard de l'importance qu'elles ont prise aujourd'hui dans tous les secteurs de l'économie numérique : ce ne sont, après tout, que des nombres entiers, si connus et ressasses qu'on les dit « naturels ». Mais, pas de méprise ! Ces entiers ne sont point les chétives créatures qu'ils paraissent à l'oeil non averti...

 

Le naturaliste arithméticien porté sur la cryptographie distingue ainsi dans la zoologie des clés publiques quelques clades particulièrement intéressants. Les modules RSA, peut-être les plus populaires et les plus connus — nommés d'après Ron Rivest, Adi Shamir et Leonard Adleman en 1978 (#) — sont des nombres entiers qui sont le produit de deux très grands nombres premiers : n = pq, où p et q représentent ces très grands nombres premiers. La robustesse de RSA repose sur la difficulté que représente la factorisation de n : c'est-à-dire l'effort de calcul nécessaire pour déterminer p et q connaissant n. C'est un problème pour lequel on ne connaît pas à ce jour d'algorithme en temps polynomial. Dans l'infrastructure à clés publiques RSA, le message M est chiffré en calculant M^e [n], M porté à la puissance e, modulo n, la clé publique du destinataire. (On suppose que tous les messages sont au final codés comme des entiers, ou des blocs d'entiers.) Le destinataire, seul à connaître les fameux très grands nombres premiers p et q du module RSA, est donc seul à posséder la clé privée d qui lui permet de déchiffrer le message crypté M^e. En effet, connaissant p et q, d et e ont été choisis tels que ed - 1 soit divisible par (p - 1)(q - 1) ; du coup, pour déchiffrer on élève à nouveau le message crypté à la puissance d modulo n et l'on obtient M^ed qui n'est autre que M lui-même modulo n. (Cette dernière identification miraculeuse est due au Petit théorème de Fermat (#), l'autre gus de Montauban, notre arithméticien national plus fameux par son grand théorème, dit aussi le dernier, démontré il y a quelques années (#) par Andrew Wiles.)

 

Dans cette cladistique des clés publiques on trouve également les clés El Gamal (#) qui en appellent à l'imposante théorie algébrique des nombres. Cette fois la clé est constituée de trois entiers : p un nombre premier, g un générateur du groupe des entiers modulo p, et y un entier (public) tel que y = g^x où x, un entier strictement inférieur à p - 1, est la clé privée.

 

D'autres clés publiques sont utilisées pour la signature numérique ou DSA (Digital Signature Algorithm) défini dans les standards du FIPS (FIPS 186-3) promulgués par le gouvernement américain. La clé publique DSA est un quadruplet (p, q, g, y) dans lequel p et q sont des nombres premiers tels que q divise p - 1, g est un générateur d'un sous-groupe d'ordre q du groupe des entiers positifs modulo p et, comme dans le El Gamal, y = g^x où x, un entier strictement inférieur à q, est la clé privée.

 

Enfin on trouve également les clé publiques basées sur les courbes elliptiques (#) depuis les premiers travaux de Miller en 1985, dont je vous ferai grâce des détails puisque, vaillant lecteur, vous êtes malgré tout parvenu jusqu'ici !

 

De la poliorcétique des clés publiques. Inutile de dire que ces clés publiques ont été, depuis la publication des premiers algorithmes de chiffrement, l'objet d'attaques innombrables et furieuses tant des mathématiciens intéressés à la démonstration de leur robustesse que des hackers sublimés par l'exploit et la gloire du cassage des infrastructures de sécurité. Dans l'ensemble, cependant, le secret RSA — pour prendre le plus répandu — est plutôt bien gardé (#) et les ingénieux algorithmes de décomposition en facteurs premiers lancés à son assaut n'ont pas encore fait tomber la forteresse.

 

Il est difficile de résister ici à la tentation de mentionner quelques uns de ces algorithmes qui sont de véritables petits bijoux calculatoires (#). Par exemple, le crible algébrique (GNFS General Number Field Sieve) est un algorithme, fondé sur l'arithmétique modulaire particulièrement efficace pour la décomposition en facteurs premiers. L'algorithme de décomposition par fractions continues (#) plus ancien est toujours efficace, mais on lui préfère le crible quadratique de Pomerance (#) qui en 1990 établit un record en décomposant un nombre de 116 chiffres — en 1994, il décomposait un module RSA de 129 chiffres, premier d'une longue série de réussites des hussards de l'agèbre modulaire à l'assaut de la forteresse RSA : le dernier en date, en 2009, étant la décomposition d'un module RSA long de 768 bits (#) rendant aujourd'hui préférable le choix de clé de 1 024, voire 2 048 bits, dans les infrastructures PKI. Les algorithmes de Pollard (#) et de Williams, dont dérive le GNFS, établirent les records ultérieurs et furent employés dans les premières recherches de facteurs premiers réparties sur un très grand nombre de machines — technique de parallélisation maintenant très souvent employée pour l'analyse de très grands volumes de données en météorologie, en génétique, en astronomie, souvent via de simples économiseurs d'écrans proposés en libre chargement. Son titre de gloire fut la factorisation en 1993 (#) du neuvième nombre de Fermat — encore lui ! —
2⁵¹² + 1. Citons encore l'imprononçable SQUFOF (Square Form Factorization) de Daniel Shanks (#), et la factorisation par utilisation de courbes elliptiques (#) de Lenstra dans cette revue superficielle de l'attirail guerrier du cryptographe.

 

Si les modules RSA résistent encore c'est que sous leur frêle constitution de simple produit d'entiers, leur robustesse réside dans un choix des facteurs premiers p et q bien loin d'être innocent. La génération des clés pour les algorithmes comme RSA et ceux mentionnés précédemment est méticuleusement spécifiée dans plusieurs standards comme PKCS, IEEE 1363-2000, FIPS 186-3, ANSI X9.44 et ISO/IEC 18033-2, pour précisément résister aux attaques connues et anticipées. Cependant, première ombre au tableau réel qui s'annonce moins idyllique que le satisfecit irénique qui, semble-t-il, prévaut aujourd'hui, à l'examen approfondi (#) ces standards bien intentionnés diffèrent substantiellement les uns des autres. Cette diversité semblerait indiquer qu'il existe un consensus autour de l'idée que la robustesse d'un module RSA ne dépendrait pas nécessairement de l'exactitude de l'algorithme de génération. Et, de fait, on peut imaginer plusieurs processus de construction des modules RSA : construction théorique (#) — où p < q < rp pour r > 1 — ; construction simple décrite dans les standards et dans certaines implémentations comme OpenSSL, GnuPG et la librairie crypto de GNU, dans laquelle p et q sont choisis dans des intervalles donnés ; construction algorithmique dans laquelle, une fois choisi p, un calcul détermine q, pour que le produit tombe dans un intervalle choisi à l'avance. L'analyse de ces constructions démontre en effet que si la factorisation est dure (en temps non polynomial) celle des modules RSA uniformément construits par ces processus l'est également, ce qui serait donc plutôt positif. L'analyse des implémentations existantes, en revanche, montre qu'aucune d'entre elles (GNU crypto, GnuPG, OpenSSL, Openswan) ne suit exactement les standards en question (PKCS, IEEE 1363-2000, FIPS 186-3, RSA-OAEP, IEEE 1363-2000, NESSIE), avec pour résultat net que certaines implémentations et certains standards engendrent ces modules RSA de façon non uniforme. La non-uniformité, rappelons-le, ne met pas a priori en danger la sécurité des modules RSA, i.e la difficulté de leur factorisation qui est leur utime rempart, mais peut avoir un impact plus subtil qui vient d'être brutalement démontré par deux études de la population des clés publiques in vivo.

 

L'ethnologie des clés publiques. Sur ces considérations, somme toute relativement rassurantes, deux papiers récemment publiés — l'un à la conférence IMC 2011 (#), en novembre dernier à Berlin, par une équipe de TU München (#) ; l'autre dans l'ePrint Archive, mi-février 2012, par une équipe de l'EPFL (#) — distillent un troublant sentiment de panique. Ces ethnologues numériques ramènent des nouvelles bien inquiétantes de leurs études in vivo des clés publiques et des certificats X.509 tels qu'ils sont aujourd'hui utilisés dans leur habitat naturel Internet.

 

Tels des Dian Fossey de l'arithmétique, l'équipe de la TU München a vécu plus de 18 mois en compagnie de certificats X.509 sauvages, dans leur milieu Internet naturel, collectant des données depuis le premier million de sites Web les plus populaires dans le classement d'Alexa (#) et écoutant plus de 250 millions de sessions SSL/TLS sur le réseau universitaire allemand servant 120.000 personnes. Les résultats sont édifiants : l'infrastructure de certification X.509 actuellement en ligne se trouve dans un état avancé de détérioration.

 

Le pourcentage de certificats qui ne déclencheraient pas d'avertissement à l'utilisateur chez un client utilisant le référentiel racine de Mozilla (#) — qui a pourtant du pas mal grossir ces dernières années — ne dépasse par un très faible niveau de 18 %. Ce faible niveau de conformité s'explique par le très grand nombre de chaînes de validation incorrectes (40 % de tous les certificats vus !) et l'encore plus grand nombre de noms d'hôte incorrects ou manquants dans le certificat — ce qui contredit l'utilité et l'existence même d'un certificat en premier lieu ! Autres problèmes récurrents, les dates de validité des certificats depuis longtemps expirées, les certificats « escrocs » sans autorité racine, et le très grand nombre de certificats partagés par des entités sans relation entre elles (menant au problème d'usurpation d'identité, par exemple). Bref, un constat de déliquescence bien loin de la netteté chirurgicale du dispositif in vitro des spécifications des organismes de standardisation.

 

Mais ce n'est pas tout ! La seconde étude ethnologique de l'EPFL qui, quant à elle, a collecté plus de 11 millions de clés publiques par des scans d'un grand nombre d'hôtes Internet et en analysant le nouvel Observatoire du SSL (#) récemment mis en ligne par l'Electronic Frontier Foundation bat en brèche la belle assurance des arithméticiens modulaires.

 

Les 11,7 millions de clés publiques vues contiennent 6,4 millions de modules RSA distincts ; le reste est réparti entre clés El Gamal et clés DSA — une seule clé ECDSA repérée, un hapax. On y lit encore les scories de la dévastation due à la vulnérabilité de l'OpenSSL Debian de 2009 (#). Notée en mai 2008, une erreur de jugement avait conduit à retirer une seule ligne de code du générateur de nombre pseudo-aléatoire du paquetage OpenSSL dans la distribution Debian. Cette suppression entraînait une insuffisance d'entropie dans l'initialisation du générateur — à chaque usage — dont les nombres aléatoires ne devenaient plus aussi imprévisibles que théoriquement prévu, et qui, en conséquence, compromettait toutes les clés publiques engendrées sur les distributions dérivées de Debian, entre septembre 2006 et mai 2008. Par ricochet tous les systèmes, même non Debian, qui auraient utilisés des clés engendrées par l'OpenSSL Debian courraient de ce fait le risque d'être infectés et d'avoir été compromis. Épidémie majeure de compromission potentielle des transmissions et des échanges d'autant plus dangereuse qu'elle est largement sourde et invisible du grand public ! Ces clés furent blacklistées (#) et ces listes diffusées dans toutes les installations avec les mises à jour. Mais ces clés faibles circulent toujours aujourd'hui, leur proportion (0,3 %) est en baisse depuis 2009.

 

Ces modules RSA uniques, une fois collectés, ont été soumis à des analyses de factorisation, superficielles au vu de leur nombre, mais significatives quant aux conséquences réelles de leur usage sur le Net. Elles visent, notamment à vérifier l'hypothèse sous-jacente à la sécurité des architectures PKI qui est que dans la génération de clés publiques les choix antérieurs de nombres premiers ne sont jamais répétés. Et là, patatras ! Tout le bel édifice s'écroule devant les faits : sur 6,6 millions de certificats X.509 et clés PGP contenant des modules RSA, 270.000, soit 4 % partagent le même module RSA bien que n'impliquant des entités totalement étrangères. La duplication des clés est parfois la règle plutôt que l'exception...

 

Par ailleurs, l'étude a trouvé 12.934 modules RSA, soit 2 pour 1000, n'offrant aucune sécurité. Même en se restreignant aux modules RSA de taille 1.024 bits, les modules RSA en liberté aujourd'hui n'assurent au mieux qu'un niveau de sécurité de 99,8 %. (Une illustration saisissante : 98,49 % des certificats X.509 utilisent le même exposant RSA, 65.537, le lointain second à 0,76 % étant 17.) Lorsqu'on regroupe les 6.185.228 certificats X.509 lorsqu'ils partagent le même module RSA — les groupes qui ne contiennent qu'un seul module sont les « bons », leur sécurité est garantie par la solidité théorique de RSA — on trouve avec désespoir plus de 14 groupes de plus de 1.000 certificats ayant des modules RSA communs. Au total, l'étude ne dégage que 5.989.523 modules RSA distincts qui, de surcroît, malgré les factorisations des modules de 512 bits en 2006 et de 768 bits en 2009, ont à 2,4 % des tailles encore inférieures à 768 bits. Aujourd'hui 73,9 % sont des modules RSA de 1.024 bits, 21,7 % de 2.048 bits et le reste est constitué d'entiers de tailles supérieures, jusqu'à 16.384 bits (pour 181 d'entre eux). Mais plus grave encore, une grande proportion des ces modules RSA ont en commun l'un de leurs deux nombres premiers (les p et q mentionnés plus haut) ce qui entraîne la perte totale de sécurité parce que leur décomposition commune est simplifiée par des algorithmes ad hoc (#).

 

L'aléatoire est au coeur des systèmes de chiffrement et faute de les tester correctement et de savoir tester correctement les générateurs de nombres aléatoires, on se rassurera à trop bon compte de leur fiabilité et de leur sécurité. Le ton alarmiste de certains commentaires publiés (#) sur cette étude est bien de mise : elle tire la sonnette d'alarme sur un problème profond et difficilement indétectable des architectures de sécurité. Quelques équipes innovantes travaillent aujourd'hui sur des nouvelles pistes pour y remédier. La jeune pousse MassiveRand — dont cet auteur est un très modeste actionnaire minoritaire — (#) par exemple, propose un TRNG True Random Number Generator, générateur de nombres aléatoires non déterministe) à très haut débit, pour les applications dans lesquelles la qualité des nombres aléatoires est cruciale.

 

Comme le répète inlassablement Bruce Schneier (#) les mauvais générateurs de nombres aléatoires nuisent gravement à la sécurité, quelque soit l'ingéniosité du dispositif mis en oeuvre.

 

In (Big) Datis Veritas

La Pénurie de données à l'âge classique. L'expérience était naguère encore chiche. L'efficacité d'une expérience scientifique classique reposait tout autant sur l'importance de l'hypothèse théorique dans laquelle elle s'inscrivait que sur l'ingéniosité de l'expérimentateur à la concevoir et en collecter les résultats tant était élevé le coût de la réalisation et de la production de données à partir de son observation. L'expérience de Michelson et Morley en 1887, par exemple, est généralement considérée comme la première d'une série successivement plus complexe d'évaluations de la Théorie spéciale de la relativité. Elle mit en oeuvre des miroirs parfaitement polis, des verres parfaitement transparents, rivés sur un lourd bâti en pierre flottant dans un bain de mercure, entièrement couverts pour pallier les variations infimes de tempértaure ; ces tonnes de matériel furent, de surcroît, amenées et construites à grands frais au sous-sol de la résidence universitaire de ce qui est devenu la Case Western University pour éviter vibrations et autres effets indésirables (#). Les quelques 238 données produites par quatre jours d'expérimentation occuperaient aujourd'hui difficilement le premier quadrant d'une simple feuille de tableur ! Mais le talent des expérimentateurs et le génie des théoriciens compensaient alors amplement l'avarice de l'expérimentation. Des maigres ruisselets de données qui sourdaient ainsi laborieusement d'expériences rares et coûteuses, une analyse en profondeur reconnaissait alors des faits c'est-à-dire, dans la perspective fondamentaliste prévalente, du réel et de la connaissance consistant ici en la croyance dans les faits.

 

L'observateur, théoricen, expérimentateur ou partie prenante, énonce donc que l'expérience de Michelson-Morley démontre que la vitesse de la lumière est constante. Mais l'expérience, dans les données qu'elle produit, énonce-t-elle une vérité ? En fait, elle n'a aucun besoin de le faire puisqu'elle remplit efficacement sa tâche sans dire un mot.

 

L'expérience produit des cas, des jeux de données (datasets) dit-on maintenant, où la vitesse de la lumière est invariable. Il n'y a là rien de remarquable : n'importe quel rayon lumineux en fait autant. Mais l'art de l'expérimentateur et le soubassement théorique aboutissent ici à une mesure du temps que la lumière met à parcourir des distances égales dans des directions différentes qui souligne l'invariabilité de la vitesse de la lumière. Ainsi pour reprendre Norwood Hansen (#) : «  facts are small theories and true theories are big facts  » (les faits sont eux-mêmes de petites théories et les vraies théories ne sont que des faits grandioses).

 

Cet équilibre économique précaire entre disette de données et profondeur de leur analyse conduit à des schémas d'interprétation particuliers devenus standards. Les données sont probantes si elles soulignent, elles exhibent, elles mettent en valeur ou elles transmettent sans faire de commentaire, ce qui en pratique comporte à la fois une référence et une instanciation. Des données qui font référence à un trait et l'instancient exemplifient ce trait, pour reprendre le vocabulaire de Nelson Goodman ; le jeu de données devient alors exemplaire du trait auquel il fait référence (#). Puisque l'exemplification est donc un mode de référence, tout ce qui exemplifie est un symbole. Des échantillons, des exemples au sens ordinaire, des données exemplifient les traits qu'ils exhibent et servent donc tous de symboles. Et puisque l'exemplification requiert l'instanciation, un jeu de données, comme symbole, ne peut exemplifier que des traits qu'il instancie : un échantillon significatif est nécessairement sélectif dans ce qu'il représente. Ainsi le jeu de données comme symbole appelle une interprétation : le comprendre nécessite de savoir lesquels parmis ses aspects exemplifient et à quels traits ils réfèrent.

 

Les traits qu'un jeu de données exemplifie dépendent de sa fonction. Parfois il arrive qu'un jeu de données, comme symbole, accomplisse toute une variété de fonctions. L'art de l'expériementateur et l'intention de celui qui produit le jeu de données peuvent contribuer à restreindre cette variété mais ne suffisent pas à déterminer le trait exemplifié tout simplement parce qu'ils peuvent se tromper. Ainsi Michelson et Morley se proposaient par leur expérience d'exemplifier la présence et la grandeur du vent d'éther. Or l'expérience à non seulement prouvé l'inexistence de l'éther luminifère mais également l'incapacité des catégories classiques à rendre compte des phénomènes électromagnétiques, point que Michelson et Morley trouvaient eux-mêmes inconcevable ! Les exemplaires opèrent par rapport à une constellation d'hypothèses ; quand on change ces hypothèses d'arrière-plan un jeu de données peut se mettre à exemplifier de nouveaux traits. Le jeu de données exemplaire contribue à construire la réalité en « matérialisant » et en organisant la constellation d'hypothèses sous-jacente.

 

Alea Big Data Est. L'intérêt actuel croissant pour le Big Data (#) et la perpective scientifique dans laquelle il peut s'inscrire accentue notablement l'importance de ces considérations sur représentation et la construction de la réalité.

 

Le premier constat est évidemment celui du bouleversement de l'équation économique de la production de données à des fins d'expériementation par et pour le Web. Les datacenters pharaoniques des titans du Web comme Google, Facebook, Twitter, Microsoft, etc. collectent des masses littéralement inimaginables de données. D'après IDC (#), le volume de données numériques créées et copiées sur le Web en 2011 a atteint 1,8 zettaoctets — et les métaphores incommensurables qui illustrent ces chiffres nous sont devenues familières.

 

Du coup la multiplicité des fonctions accomplies par un jeu de données, dans notre analyse précédente, explose mécaniquement avec le nombre mais également avec la croissance polynomiale des mises en relation possibles avec d'autres jeux de données tout aussi innombrables. À un coût rendu marginalement nul, la supernova des Big Data illumine les sciences sociales, économiques et comportementales (cognitives) avec un impact prospectif majeur sur la finance, la communication et l'information, et, au final comme l'explore habilement Nicholas Carr (#) sur notre esprit et notre cerveau.

 

Le second constat est, qu'en contrepoint, la déflagration des capacités de production, de stockage et de calcul des données a entraîné et accompagné des progrès mathématiques théoriques majeurs signalant l'irruption massive de l'aléa dans les avancées récentes de la combinatoire et de l'algorithmique. Les statistiques et leurs disciplines souvent mal aimées, parfois reléguées à des fonctionnaires crayeux au teint couleur muraille oeuvrant mystérieusement dans les poussiéreux corridors de bunkers staliniens surplombant des périphériques encombrés, acquièrent soudain un lustre nouveau en changeant de statut. Elles sont en train de devenir des datistiques pourrait-on dire, tant elles saluent le retour à la scène de l'Aléa.

 

L'utilisation de la simulation pour les calculs réputés intraitables en très haute dimension, par exemple, révolutionne les mathématiques appliquées (#). En effet, à quoi sert donc de produire plus de données ? Traditionnellement à réduire les marges d'incertitude dans les calculs. Mais si l'on produit vraiment massivement plus de données, on peut envisager d'accélerer subtantiellement les temps d'exécution de simulations numériques dans les tests et le calibrage des modèles statistiques ainsi que les temps d'exécution de ces modèles à des fins prédictives. On peut aussi compenser naturellement le manque d'information par des données produites très rapidement et en quantité, c'est-à-dire par des échantillons probants au sens précédent (#).

 

Les progrès de la formalisation mathématique de la méthode de Monte Carlo et, en particulier, de la nature de l'échantillonage de données permettant de substituer à une information manquante un jeu de données approprié pour le calcul d'estimations numériques de distributions de probabibilité (#) permet de généraliser l'usage d'algorithmes probabilistes à toute une classe de problèmes considérés comme hors de portée des algorithmes déterministes classiques. Ce qu'on appelle Markov Chain Monte Carlo, un ensemble de techniques mis au point récemment et qui touche à la représentation des groupes (#), à la géométrie algébrique (#), et au renouveau de la théorie des équations différentielles (#) notamment pour l'analyse du temps de convergence des processus markoviens (#), permet d'attaquer des problèmes combinatoires complexes, en haute dimension, récurrents dans les moteurs de recherche, le data mining, l'apprentissage automatique, l'indexation des contenus, la classification des documents, la détection de patterns, la gestion de flux de données en temps réel, etc.

 

Un exemple concret est constitué par le développement des bases de données dites de Monte Carlo (Monte Carlo Databases), spécialisées dans la gestion de données incertaines. Ici, au lieu de représenter l'incertitude par des probabilités numériques individuelles associées à chaque rangée d'une table relationnelle, le SGBD Monte Carlo (#) produit à la volée lors de l'exécution d'une requête SQL un jeu de valeurs pour les données incertaines suivant la distribution de probabilité souhaitée : un échantillon probant à la demande.

 

Le succès des algorithmes probabilistes dans la résolution de problèmes combinatoires ou calculatoires bouleverse l'analyse de la complexité algorithmique. Ces nouvelles méthodes laissent à penser que la barrière entre problèmes P et NP — solubles en temps polynomial ou non — n'est pas aussi imperméable et franche qu'on l'imagine. ( P = NP est encore un des grands problèmes mathématiques ouverts, non résolu #.) Les datisticiens théoriques savent désormais que s'il faut un temps exponentiellement long pour trouver une solution exacte aux calculs sur les Big Data, ils arrivent à des approximations probantes en temps polynomial pourvu qu'ils disposent du levier d'une chaîne de Markov, à convergence rapide, pour produire à la demande des instances aléatoires du problème.

 

Vérité et données. Pour l'exprimer de façon radicale, ces nouveaux moyens adaptés aux Big Data pourraient remettre en cause certains fondements de notre compréhension de la réalité. Au risque d'errer du côté du constructiviste radical (#) d'Ernst von Glasersfeld — disparu il y a un peu plus d'un an — ou de trahir un léger accent Orwellien, il faut reconnaître avec Goodman « qu'avoir à usiner les instruments spécifiques de production des faits rend sans objet toute vélléité d'identification du physique au réel et du perçu à la simple apparence ». La réalité issue du traitement par les moyens mathématiques modernes des Big Data est-elle vraie ?

 

Lorsque Google restitue une image de la propagation de la grippe dans le monde entier (#) à partir des requêtes des internautes, qu'elle collecte et qu'elle analyse en linguiste, le taux d'incidence calculé est il le vrai taux d'incidence de la grippe dans le monde ? Le statisticien réservé note tout au plus une corrélation entre l'indicateur de Google et le taux d'incidence mesuré auprès des médecins par le Center for Disease Control and Prevention, et oppose que rien n'assure que l'outil soit capable de fournir des tendances aussi pertinentes à l'avenir. (Les résultats ne reposent-ils pas essentiellement sur l'habitude largement répandue des internautes de se servir de Google horresco referens pour leurs recherches ?) Le datisticien goguenard lui demandera alors en retour combien de données il doit rajouter pour que le taux d'incidence devienne le taux réel pour tout usage pratique (politiques de vaccinations préventives, élaboration de stratégies de santé publique, information et sensibilisation des individus...) ?

 

C'est la confrontation assurée des deux cultures de la modélisation statistique telle que la commentait Leo Breiman dans un papier célèbre (#). Imaginons les données produites par une boîte noire : à l'entrée des variables indépendantes, à la sortie des résultats que l'on souhaite élever au rang de faits à des fins de prédiction — prédire quels seront les résultats produits pour des variables à venir — et à des fins d'information — comprendre comment les résultats sont associés naturellement aux variables d'entrée. Dans l'approche de la modélisation, typique d'après Breiman de « 98 % » des statisticiens, on postule qu'un processus stochastique est à l'oeuvre dans la boîte noire, les résultats étant issus de tirages aléatoires indépendants d'après un modèle commun de données. Il s'agit alors d'estimer les paramètres du modèle sur la base des observations réalisées puis d'utiliser ce modèle calibré à des fins de prédiction. Dans l'approche algorithmique plane l'ombre portée du Test de Turing : l'intérieur de la boîte noire est considéré comme inconnu et inscrutable, voire même comme sans pertinence aucune, et il s'agit plutôt de trouver un algorithme, une fonction des variables, qui produit les résultats ou une approximation des résultats. Dans la première approche la validation du modèle est une affaire manichéenne, positivement ou négativement tranchée par les tests classiques de goodness-of-fit comme le Chi-2. Dans la seconde, la validation est matière à riposte graduée, fondée sur la précision relative de l'approximation.

 

L'avalanche des Big Data et le déploiement massif des moyens de calcul associés donne une toute autre force à la validation dans l'approche algorithmique. Comme on l'a vu, non seulement le nombre massif et ses nouveaux instruments mathématiques conduisent la précision des approximation à des degrés jamais atteints — et, défend le pragmatique, bien plus que suffisants pour toute connaissance ou action pratique sur laquelle la conforter — mais circonviennent des problèmes que l'approche de modélisation avait renoncé même à attaquer. De plus les avancées théoriques des années 1980 et 1990, calcul sur les réseaux Bayesiens (#), simulation Monte Carlo des chaînes de Markov et Logique de Markov (#), théorie de Vapnik-Chervonenkis et les support vector machines (#), les outils « ensemblistes » pour l'apprentissage automatique (#) — boosting, bagging, random forests, etc. — acquièrent une plus vive acuité encore avec l'accès à bas coût aux plateformes de calcul du cloud computing, comme MapReduce, Hadoop, Dryad, Pregel, GoldenOrb et bien d'autres.

 

Dans le sillage du déferlement des Big Data la vérité pourrait alors se trouver redéfinie par le poids croissant de l'approche algorithmique (#). (Que l'on songe à Twitter Trends, par exemple.) Il n'est pas question ici du problème philosophique de la vérité qui tourne autour de la réconciliation de versions alternatives et concurrentes des faits par l'attribution de leur variété à des désaccords sur les conventions d'interprétation de ces mêmes faits. Il est plutôt question de la dérive graduelle de la définition opérationnelle de la vérité qui nous contentait jusqu'alors.

 

La vérité est ici et maintenant dans le test — une fois abandonnée la grande ambition du programme de Hilbert de fonder la vérité sur la cohérence du système mathématique issu du formalisme logique à laquelle, nonobstant les Bourbachistes (#), Gödel a imposé une bifurcation majeure. La vérité (métaphoriquement) dite par les données devient avec les Big Data affaire de crédibilité (probabilistes) et d'utilité (pragmatiques) — Huxley et Orwell.

 

Ce faisant, les Big Data promeuvent une réalité qui a de moins en moins à voir avec une croyance vraie justifiée. D'abord la justification au sens d'un argument qui part de prémisses vraies n'est plus de mise. Ce n'est pas ce qui soutient le jeu de (Big) données mais ce qu'il met en avant qui plaide pour un exemplaire. La vérité n'est pas non plus cruciale. Les expériences, les jeux de données, les échantillons informent au moyen de l'exemplification. Les données, symboles non verbaux, ne sont ni vraies ni fausses : le succès — opérationnel — qu'elles rencontrent ne repose donc pas sur la vérité. Leur contribution cognitive peut simplement consister à augmenter le répertoire conceptuel dont on dispose, à affiner son pouvoir de discriminer, à aiguiser sa capacité à reconnaître, synthétiser, organiser, etc.

 

Ainsi les Big Data très loin d'être épistémiquement inertes sont, au contraire, hautement fissiles et il est loisible de s'inquiéter de leur niveau actuel au regard de la masse critique.

 

Colloque Computing

Il fut donc fréquemment question de cloud computing sous nos cieux ce mois de novembre, comme si le brumeux automne qui installait un ciel nuageux inspirait directement les débats techniques. Au début du mois, par exemple, le Centre d'analyse stratégique organisait un colloque hors des sentiers battus et rebattus sur un sujet que l'on se réjouissait à l'avance de voir polémique : « Nouveaux usages d'Internet, nouvelle gouvernance pour l'Etat ». Il est déjà tout à fait remarquable que l'Etat prenne soudainement note de l'influence d'Internet en 2011, quarante ans et quelques après sa naissance et un peu plus de vingt ans seulement après celle du Web, mais comble de ce saisissement stupéfiant provoqué par la modernité en marche, il conviait là à en débattre la figure mythique de Richard Stallman, le démiurge de l'Open Source.

 

Il est notoire que rms — comme toute production du projet GNU — est lui-même assorti d'une licence libre et d'un manuel d'utilisation précis auquel on est aimablement prié de se conformer. (En particulier sur l'usage des sachets de thé avec ou sans les add-ons de lait et de sucre.) Peut-être cela explique-t-il que l'homme se fasse rare en notre doux pays, bien qu'il parle parfaitement français et nous ait, en l'occurrence, brillamment régalé de la dernière mise à jour du Prêche du Libre dans son illustration par l'Open Data. Dans ce panel au ton de la casuistique, rms était flanqué, d'une part, de Nigel Shadbolt, Professeur de Sciences informatiques à l'Université de Southampton et, surtout, co-fondateur de data.gov.uk avec Sir Tim Berners-Lee rien moins, et, d'autre part, d'Augustin Landier, Professeur à Toulouse School of Economics, Économiste au Conseil d'analyse économique, dont on recommande chaudement les deux ouvrages « Le Grand méchant marché : décryptage d'un fantasme français », avec David Thesmar, et « La Société translucide : Pour en finir avec le mythe de l'Etat bienveillant », avec le même, où les auteurs explorent une régulation en architecture ouverte de la politique publique que permettrait, notamment, l'initiative Open Data dans laquelle la production de données statistiques est considérée comme une nouvelle fonction régalienne de l'Etat. Ces idées du vibrionnant chercheur de l'IDEI ont un certain cours en haut lieu puisque Etalab, créé en février 2011, commence à se faire entendre et promet « la mise à disposition de données brutes dans des formats exploitables ».

 

Ce subtil glissement du champ d'application des principes du Libre du code source aux données, introduit par rms dans ce débat sur les données publiques de l'Open Data, est certainement à l'origine, pour ce qui concerne maintenant les données personnelles et privées, de sa prise de position tonitruante sur le cloud computing dans une interview accordée au Guardian en 2008. « C'est un piège ! », admonestait-il, lançant ses foudres des sommets de l'Olympe du Libre : « C'est stupide ! C'est pire que stupide. C'est une campagne marketing ! ». (On lit bien dans la crudité du langage du Prophète les dernières extrémités où il se voit retranché !) L'aporie du consommateur pris, pieds et poings liés, dans les rets de ses fournisseurs cloud computing est réitérée dans un commentaire ciselé à la tronçonneuse du même rms dans la version en ligne du Spiegel. Il y vitupère en particulier Facebook qui, d'après lui, considère ses utilisateurs « non pas comme des clients, mais comme une marchandise » dont le réseau social peut à son gré valoriser les données personnelles à son plus grand profit. (Voyez aussi «  The Future of the Internet and How to Stop It  » de Jonathan Zittrain). Déjà soupçonné des pires exactions d'une Nouvelle surveillance foucaldienne digne du sinistre Panoptikon de Jeremy Bentham, ayant aujourd'hui transigé sur ce sujet avec la FTC qui avait lancé une enquête contre le réseau social, Facebook n'en prévoit pas moins ces jours-ci une fantastique IPO pour 2012 — une levée de 10 milliards de dollars sur une inimaginable valorisation de 100 milliards de dollars !

 

Quelle meilleure introduction aux débats de la semaine suivante sur la thématique du cloud computing, retenue pour l'édition 2011 de la conférence générale du consortium OW2 ? Les panelistes de la première table ronde (Bull, OW2, Microsoft, Open Nebula, Ubuntu, Orange Business Service, Université de Pékin) s'y interrogeaient sur l'avenir de l'Open Source et du cloud. Il est notable que les projets Open Source ne manquent pas dans l'empilement des couches que l'on convient de distinguer dans le mille-feuilles cloud computing. Pour les infrastructures et les plates-formes, — avec les excuses de rigueur pour le manque certain d'exhaustivité, mais comme disait Pierre de Fermat : hanc marginis exiguitas non caperet — citons le projet Nimbus, CloudForms de RedHat (pour les « nuages » privés ou hybrides), Ubuntu Cloud et Juju, Eucalyptus, Cloud.com maintenant chez Citrix, Open Nebula pour la gestion des « nuages », CompatibleOne OpenStack, CloudFoundry de VMWare ou encore OpenCompute de... Facebook ! Par ailleurs les associations professionnelles et consortiums fleurissent et prolifèrent par temps couvert : Free Cloud Alliance, Open Cloud Manifesto, Open Cloud Consortium, Cloud Standards, et bien d'autres sur les datacenters, la virtualisation ou le grid computing : tous fédérés mais chacun sous sa bannière ! Pour autant, toute cette agitation organisationnelle est-elle garante du succès des principes oecuméniques des libres clodoaldiens ?

 

Quant aux applications, elles étaient abondamment illustrées pour l'édification des masses au Colloque sur l'ingéniérie numérique (« Entre ruptures technologiques et progrès économique et social ») organisé à l'initiative de l'Académie des technologies, du Conseil économique, social et environnemental, du Minefi et du Conseil général de l'industrie, de l'énergie et des technologies. Au Palais d'Iena, sous la monumentale coupole d'Auguste et Gustave Perret, véritables architectes-entrepreneurs militants du génie civil français du début du XXe siècle — un modèle d'entrepreneur dont on a depuis en France, hélas, bien perdu la recette  ! —, le lustre de Serge Macel et les fresques de Jean Souverbie répandaient une componction solennelle dans le public. Les sujets abordés n'inspiraient pourtant pas à la somnolence : virtualisation et immersion 3D, modélisation et simulation, masses de données. Et il faut savoir gré à Henri Verdier, Président du pôle Cap Digital, d'avoir secoué l'assemblée par la vivacité et l'intelligence de son propos. Il était déjà intervenu au colloque du Centre d'analyse stratégique, après Stallman. Comme François Bancilhon, de Data Publica qui, antérieur à Etalab, se présente comme le portail français des données publiques et de l'Open Data, à ses côtés, Henri Verdier rappelait opportunément que la réflexion — et peut-être l'engouement — pour l'Open Data est jusqu'à présent principalement portée par sa représentation en termes politiques, dominée par les grands mots de démocratie, de transparence et de citoyenneté, beaucoup plus que par son impact industriel et économique qui sera peut-être plus sensible encore.

 

À l'âge du cloud les statisticiens ont de beaux jours devant eux !

 

L'identitaire numérique

Le Sénat a adopté en deuxième lecture la proposition de loi relative à la protection de l'identité, néanmoins avec des modifications. Comme l'expliquait jeudi soir dernier, dans un amphithéâtre souterrain de Telecom ParisTech menacé à tout moment de submersion soudaine par les pluies torrentielles qui s'abattaient alors sur les contreforts de la Butte-aux-Cailles, Fabrice Matatia, qui avait largement contribué au dossier de cette carte d'identité électronique dès 2004 lorsqu'il était conseiller technique à l'éphémère Secrétariat d'Etat chargé de la prospective et du développement de l'économie numérique de NKM, le recours à la biométrie pour les données stockées dans la « puce » électronique de la nouvelle carte d'identité avait causé un émoi général et provoqué de houleux débats laissant, en 2005, le projet inabouti.

L'enfer (numérique) étant pavé (à très haut débit) de bonnes intentions, rappelons que, destinée, selon ses auteurs, à lutter contre la multiplication du nombre d'usurpations d'identité — ici dans la vie réelle pas dans la vie numérique —, estimé en France à 200 000 par an, la proposition de loi prévoit une série de dispositions visant à garantir une fiabilité maximale — je souligne — des passeports et cartes nationales d'identité. Il s'agit ainsi d'équiper les cartes nationales d'identité de puces électroniques sécurisées qui, non seulement contiendront des données biométriques numérisées (état civil, adresse, taille et couleur des yeux, empreintes digitales — les doigts pour le digital world —
, photographie, bientôt peut-être l'ADN), mais pourront également — peut-être pour faire passer la pilule, ou plutôt la puce — offrir à leurs titulaires de nouveaux services tel que l'authentification à distance et la signature électronique. Or, paradoxalement, en France l'usurpation d'identité ne constituait pas, avant cette année, un délit, sauf bien sûr, si l'usurpation se fait dans des circonstances qualifiables de délit pénal. Cela ne pouvait durer par les temps de sourde bienveillance sécuritaire actuels. Dans une rédaction fort imprécise, la loi LOPPSI, du 14 mars 2011, crée deux nouvelles infractions pénales concernant l'usurpation d'identité, numérique inclus cette fois : « Le fait d'usurper l'identité d'un tiers ou de faire usage d'une ou plusieurs données de toute nature permettant de l'identifier en vue de troubler sa tranquillité ou celle d'autrui, ou de porter atteinte à son honneur ou à sa considération, est puni d'un an d'emprisonnement et de 15 000 Euros d'amende. Cette infraction est punie des mêmes peines lorsqu'elle est commise sur un réseau de communication au public en ligne. ». Le champ d'interprétation semble donc heureusement assez vaste aux esprits byzantins qui professeront sans doute l'exégèse du texte dans le contexte de la loi Hadopi, par exemple — contre qui prononcer l'ostracisme de la cité numérique en lui coupant tout accès à la manne Internet, lorsque le voisin, sous votre identité numérique, utilise le WiFi d'un troisième voisin pour télécharger «  Born this way  » de Lady Gaga ? Délit pénal plus infraction ? Quelle est l'identité, réelle et numérique, du ou, peut-être, des coupables ? L'exception culturelle française s'en porte-t-elle vraiment mieux ?

 

La doxa traitera-t-elle de cette moderne déclinaison de la controverse de Valladolid : les individus qui bloguent collectivement sous un pseudo partagé — comme on l'a supposé parfois de Maître Eolas ou de Robert X. Cringely — ont-ils légalement une identité numérique ? Faut-il les poursuivre au pénal ou les admettre au grand concert de l'humanité virtuelle ? Symétriquement, l'internaute qui multiplie les pseudos d'un réseau social à l'autre, d'un serveur de courrier électronique à l'autre, utilisant l'un pour ouvrir un nouveau compte auprès du suivant est-il un usurpateur compulsif qu'il convient de réprimer avec la dernière sévérité ? Ce ne sont plus là des échafaudages d'une casuistique spéculative au moment où, à la conférence ACM SIGCOMM/USENIX IMC'11 tenue la semaine dernière à Berlin, les brillants esprits de l'INRIA dévoilent comment retourner les algorithmes mêmes des réseaux P2P pour identifier, localiser et analyser le comportement en ligne des internautes individuels. De la carte nationale d'identité (CNI) numérique à la carte d'identité nationale (CIN) numérique il n'y a plus que quelques octets !

 

Lors de sa première lecture, le 1er juin, le Sénat avait modifié le texte d'origine afin d'apporter une garantie matérielle rendant impossible l'identification d'une personne à partir de ses seules empreintes biométriques enregistrées dans la base de données pour réconciliation avec celles figurant dans la smartcard. Il s'agit du système des fichiers dits à « liens faibles ». Les députés, lors de l'examen du texte, le 7 juillet dernier, ont supprimé cette garantie, revenant au projet d'origine qui prévoyait l'identification sur la base de l'empreinte biométrique. La commission des Lois du Sénat, saisie pour la deuxième lecture, a rétabli cette technique du « lien faible » pour le fichier. La commission a également interdit l'utilisation d'un dispositif de reconnaissance faciale à partir des images numérisées des visages qui sont enregistrés dans ce fichier — cf., cette fois, la controverse de Facebook dans cette même tribune.

 

Si vous n'êtes ni Giscard Reventlov, ni Daneel Olivaw, tout ceci peut vous sembler confus et bien peu cartésien. C'est peut-être parce que dans l'esprit (bien peu positronique) du législateur et de sa clientèle, trois notions d'identité numérique s'amalgament :

 

• celle que l'on emploie pour publier et pour se présenter sur Internet, l'avatar ;


• celle que l'on exhibe à première demande sur son passeport et sa CNI numérique, le titre d'identité numérique, qui vise à prouver sa nationalité ;


• celle que vous utilisez dans vos transactions sur le Web et qui permet au fournisseur de service de vous authentifier comme étant le client véridique du service rendu.

Dans cette dernière catégorie on peut également classer la « signature électronique » qui, en miroir, permet à l'utilisateur d'authentifier ses messages sortants. Les questions de signature électronique sont, eles-aussi, empreintes de certaines circonvolutions, ainsi que le rappelait l'éminent représentant de l'ANSSI à cette même réunion par temps de mousson rue Barrault. Nous vivions jusque là, innocents et naïfs, depuis Napoléon. Les questions relatives à la signature font partie de ce que les juristes appellent le « droit de la preuve » et le texte fondamental est le Livre III, Titre III, Chapitre VI du Code Civil intitulé « De la preuve des obligations et de celles du paiement ». Ce texte, remontant à 1804, a été mis à jour par la loi du 13 mars 2000 (2000-230), suite à une directive européenne de 1999. Cette véritable révolution juridique vise à reconnaître l'équivalence juridique entre une signature manuscrite et une signature électronique. Dans le décret qui suivit, sont introduites deux types de signatures :

 

• La signature électronique simple, qui ne pourra être refusée en justice au titre de preuve (principe de l'équivalence avec l'écrit), mais dont il faudra démontrer la fiabilité au tribunal en cas de litige — c'est strictement celle à laquelle vous êtes habitués dans la vraie vie, une signature à l'encre sur du papier.


• La signature électronique présumée fiable (ou signature électronique avancée, dans la terminologie européenne), pour laquelle la charge de la preuve pourra être renversée : il faudra démontrer une défaillance du système de création de la signature pour pouvoir la contester devant les tribunaux : c'est celle enfouie dans les puces de nos cartes bancaires de crédit, par exemple, mais dans le cadre d'une convention spécifique puisqu'elles sont antérieures aux décrets.

Pour être présumée fiable au sens de la loi, une signature devra satisfaire trois conditions:

 

• être « sécurisée » (non-répudiation, indissociabilité du document, intégrité du document signé),


• avoir été produite par un « dispositif sécurisé de création de signature électronique », ce qui signifie que le dispositif doit avoir été certifié par l'ANSSI (en France),
  - la vérification de la signature repose sur l'utilisation d'un certificat électronique qualifié. Ces certificats devront avoir été émis par des prestataires de services dûment accrédités par les pouvoirs publics.

Le coût de cette signature présumée fiable, autrement dit de l'authentification forte, est évidemment très élevé dans ce cadre législatif pour la signature électronique. Comme il n'y a, par ailleurs, aucun encadrement législatif de l'authentification forte pour l'instant, l'habitude prise dans la vie réelle de se satisfaire de signatures (non électroniques) simples persiste dans la vie numérique et, combinée au coût, retarde l'implémentation et la généralisation de la signature électronique présumée fiable. Malgré des initiatives du secteur privé cherchant à offrir des solutions commerciales tous azimuts, la France reste cependant en retard — ou en avance, c'est selon votre sensibilité à la Nouvelle Surveillance — sur d'autres pays européens qui ont rendu la CNI électronique obligatoire.

 

Au regard de ces perspectives encourageantes, trois types d'objets physiques se distinguent aujourd'hui comme supports de signatures fortes : les puces des cartes bancaires, les cartes SIM des téléphones cellulaires et, dans la mesure où il serait connecté en permanence au Net, un terminal lié à un service de stockage cloud décentralisée. Dans la première catégorie, les banques et leurs groupements type Visa et Mastercard sont les acteurs (privés), nationaux et étrangers, prévalents ; dans la seconde dominent les opérateurs de télécommunications, nationaux et étrangers, publics ou privés ; la troisième est ouverte, où se positionnent également des acteurs techniques, par exemple autour des certificats pour PKI (Verisign, Keynectis...), et des startups prometteuses comme MassiveRand, en France.

 

La bataille pour le contrôle de l'identité numérique est en cours d'initialisation. Loading...

 

Octobre noir

Ces quelques semaines d'octobre témoignent avec acuité de la permanence de la pensée des pionniers de l'informatique et de la vive influence de leurs idées, non seulement dans le design et le développement des systèmes techniques mais dans la soudaine transformation même de notre vie en vie numérique. La tournure planétaire que prend la disparition de Steve Jobs, première star du show mondialisé de la numéréalité, présage l'escamotage imminent du réel sous le numérique. Octobre encore lorsqu'à quelques jours d'intervalle, s'éteignaient deux pionniers discrets de l'informatique, Dennis Ritchie et John McCarthy, les jours mêmes où les annonces de Google, pour le langage de programmation Dart, et de Microsoft, pour le projet Roslyn — pour n'en prendre que deux fortuitement concomitantes — illustrent notablement la rémanence de leurs travaux originaux dans les technologies actuelles.

 

Dans la préface de la première édition de l'indispensable ouvrage The C Programming Language (1978) — un modèle de littérature « technique », clair et bref — on lit : «  C was originally designed for and implemented on the UNIX operating system on the DEC PDP-11, by Dennis Ritchie.  ». Cette modeste attribution à Ritchie de l'invention de C, probablement rédigée par Brian Kernighan, coauteur avec Ritchie de cet incunable moderne, laissait à peine imaginer de la prépondérance que prendrait ce langage de programmation dans les développements ultérieurs de l'informatique. C'est à peine si les auteurs notaient, un peu plus loin, avec détachement (feint ?) : «  The operating system, the C compiler, and essentially all UNIX application programs (including all of the software used to prepare this book) are written in C.  ». Révolutionnaire à la fin des années 1970 ! Aujourd'hui il n'est probablement pas une journée sans que nous ne soyons dans notre vie quotidienne exposé à du logiciel — télécommunications, systèmes ou applications — écrit en C.

 

Au passage, nous rencontrons ici, à prendre ces pionniers au mot, notre première mis en abyme, signe avant-coureur de la dissolution du réel annoncée plus haut. Si le compilateur C est écrit en C, comment a-t-on compilé le (premier) compilateur ? Pas de boucle de rétro-action troublante ici : en fait, Ritchie avait adapté au PDP-11 un compilateur pour le langage de programmation B, lui-même dérivé par Ken Thompson du langage de programmation BCPL (Basic Combined Programming Language) qu'il utilisait — avec Ritchie, toujours lui ! — pour créer et développer le système d'exploitation UNIX. Nous sommes revenus là aux années 1966 et 1967. Thompson avait écrit le compilateur pour son langage B, sur DEC PDP-7, grâce à TMG, l'un des premiers frameworks de développement de compilateurs (en 1965) que Ritchie devait ensuite reprendre pour son compilateur C. La grande innovation de TMG, à l'époque, résidait dans l'utilisation même de la syntaxe du langage source pour diriger la compilation. La structure lexicale et syntaxique du code source y était directement visible et manipulable par une API spécifique. C'est exactement ce qu'on trouve aujourd'hui dans les syntax trees du tout nouveau projet Roslyn annoncé par le géant de Redmond ! Dans le cas de Microsoft, il s'agit d'exposer toute l'analyse du code source Visual Basic et C# — tiens ! un pas si lointain descendant de C, après tout — produite par le compilateur via des API : CaaS, Compiler as a Service, pourrait-on dire. Ces bonnes idées des grands précurseurs ont donc la vie longue...

 

Ken Thompson et Dennis Ritchie inventaient ce qui deviendrait UNIX alors qu'ils travaillaient sur le système d'exploitation en timesharing Multics (Multiplexed Information and Computing Service), dont le développement joint entre le MIT, General Electric et les Bell Labs démarra en 1964. D'évidence, beaucoup des idées exploratoires évaluées dans l'implémentation de Multics inspirèrent les choix techniques retenus dans UNIX. Mais Multics avait lui-même un précurseur pour ce qui concerne le timesharing, CTSS, qui nous ramène directement à l'autre géant de l'informatique disparu ce mois, John McCarthy. Nous sommes encore quelques années plus tôt, en 1962-1963. Le professeur McCarthy, mathématicien-logicien et informaticien de la première heure au MIT, avait écrit en 1959 un papier visionnaire, A Time Sharing Operator Program for Our Projected IBM 709, jetant les bases théoriques et pratiques du timesharing et imaginant, à l'avenir, une ressource informatique utilisée à la demande. Toute ressemblance avec le cloud computing n'est évidemment pas fortuite !

 

Mais peut-être inventeur du cloud, comme en passant, McCarthy est surtout l'un des pères de l'Intelligence Artificielle, ordonnateur des deux événements fondateurs de la discipline : la Conférence de Dartmouth sur l'Intelligence Artificielle en 1956, l'invention du langage de programmation LISP, en 1958 au MIT — qu'il avait rejoint, issu de Princeton où il avait voisiné avec John Nash le futur prix Nobel d'économie, dont la schizophrénie célèbre est décrite dans A Beautiful Mind, le livre de Sylvia Nasar et le film qui en a été tiré. Comme Dennis Ritchie, John McCarthy était un pionnier des langages de programmation et de l'architecture des systèmes d'exploitation dont les idées sont toujours — et plus que jamais — d'actualité. John McCarthy rejoignait l'université de Stanford en 1962 et y fondait, en 1964, SAIL, le Stanford Artificial Intelligence Laboratory, inaugurant l'âge d'or de l'Intelligence Artificielle — la décennie prodigieuse de 1964 à la fin des années 1970 qui vit les grands progrès théoriques que concrétiseraient les implémentations des années 1980 et 1990. John Markoff, dans What The Dormouse Said, écrit que McCarthy déménagea en Californie, séduit par la liberté culturelle et politique — ses parents étaient des communistes notoires dans les années 1930 — qui y régnait, contrastant avec la Côte Est plus collet monté. Au passage note Markoff, il y introduisait les premiers spécimens de hackers, une espèce dont l'habitat s'étendait jusqu'alors plutôt autour de Boston, notamment en la personne de Stephen « Slug » Russell, qui avait largement contribué au premier interpréteur LISP et universellement connu pour avoir créé le premier jeu vidéo instantanément populaire, SpaceWar! en... 1961. Il serait d'ailleurs plaisant d'imaginer la rencontre d'un professeur McCarthy, la quarantaine barbue, et d'un Steve Jobs adolescent rebelle à un sit-in manifestant de la contre-culture californienne des années 1970.

 

Avec LISP, McCarthy, le mathématicien, fut probablement le premier à parler de l'exécution d'un programme en termes « fonctionnels » , i.e d'appels de fonctions et de subroutines. (Ce qui est subtilement différent de l'idée de fonder un langage de programmation sur la notion mathématique de fonction.) C'est cette idée stylistique poursuivie par McCarthy qu'il prouvera féconde entre 1956 et 1959. Elle se trouve aujourd'hui encore dans tous les langages de programmation fonctionnelle, notamment chez le dernier-né de Google, Dart. Fortuit encore le fait que Ken Thompson vive aujourd'hui une retraite active chez le même Google où il a mis au point le langage de programmation procédural, Go, exacerbation radicale des concepts qu'il explorait déjà avec Ritchie il y a près de quarante ans ? L'exégèse des publications de McCarthy pendant cette période montre à quel point les premières recherches qui menèrent à LISP furent exploratoires, expérimentales et soumises à des hésitations et des revirements fréquents. Parmi les trouvailles et les heureuses formulations promises à une généralisation notons les fonctions récursives, les lambda-expressions, la fonction d'ordre deux map qui applique une fonction à chaque élément d'une liste — une nouvelle mise en abyme qui est au coeur de l'algorithme MapReduce dont on fait si grand cas aujourd'hui ! Imagine-t-on objets programmatiques plus délicieux que ceux que McCarthy présentait alors :

 

(defun M (n)
  (cond ((<= n 100) (M (M (+ n 11))))
        (t (- n 10))))

la fameuse fonction « 91 » qui sera analysée avec une précision d'entomologiste par Knuth — grand contributeur lui-même au projet SAIL à Stanford.

 

Ou encore l'extraordinaire fonction ambiguë, amb, qui choisit l'un de ses deux arguments et conduit à des gouffres conceptuels au fond desquels prolifèrent des fonctions qui ont des valeurs possibles mais indéterminées ! Voyez :

 

(defun less (n)
  (amb (- n 1) (less (- n 1))))

(defun ult (n)
  (cond
    ((<= n 0) 0)
    (t (ult (less n)))))

et interrogeons-nous sur la valeur de ult(n) pour n positif ou nul... McCarthy espérait que la relation entre la programmation et la logique mathématique, dont ses travaux défrichèrent le champ théorique avec brio, serait aussi féconde en notre siècle que celle entre la physique et l'analyse le fut au siècle dernier. En tout cas, pour prendre un autre exemple récent, le fascinant débat sur le parallélisme et les appels asynchrones dans Javascript pour les applications Web, cf. Node.js, ne fera pas démentir cette prédiction.

 

Pour conclure, il est réconfortant de penser qu'à l'heure où disparaissent les pionniers et les initiateurs de notre nouvelle vie numérique, leurs idées, vêtues des habits modernes du Web, du cloud computing, des langages de programmation évolués, de la numérisation même de la culture, fleurissent et se développent dans des directions inédites. Certes les laboratoires et les centres de recherche changent, mais les bonnes idées restent toujours là, terres d'exploration attendant ceux qui prendront la relève de ces grands explorateurs.

 

Android Wars

Android pourrait bien rester dans l'histoire comme le nom de la guerre mondiale des brevets qui point dans la galaxie des technologies de l'information. Si une trilogie Android Wars attend encore son George Lucas, David Drummond, Chief Legal Officer de Google, fut prompt dans son blog à présenter le moteur de recherches comme victime d'une attaque organisée de la coalition des Sith bien connus Darth Microsoft, Darth Oracle et Darth Apple. Ironique, il feint la surprise de voir Microsoft et Apple, rivaux de longue date habitués aux guerillas devant les tribunaux de justice, sceller soudainement une alliance sacrée pour s'emparer des brevets en déshérence de Novell et de Nortel, privant ainsi Google de cette ressource, la propriété intellectuelle, devenue au moins aussi essentielle que les développeurs et leur code.

 

Le cas Novell est édifiant. Microsoft et un Novell moribond avaient défrayé la chronique en signant début novembre 2006 un partenariat très commenté dans l'industrie. L'enjeu portait sur les brevets détenus par Novell et, notamment, sur ceux issus de son acquisition de l'éditeur de la distribution SuSe Linux. À la sidération — pour reprendre un terme récemment mis à la mode dans des circonstances qui, finalement, pourraient passer pour analogues — de voir ainsi Microsoft assouplir généreusement sa position vis-à-vis de l'Open Source, succéda le soupçon. L'annonce arrivait en effet une semaine après la surprise de la décision d'Oracle d'adopter la distribution de Linux de Red Hat, sous sa propre bannière Unbreakable Linux. Stupeur et tremblements dans les communautés Open Source !

 

En avril dernier, le Department of Justice (DOJ) s'émouvait du remugle de cartel s'élevant insidieusement du montage proposé (2,2 milliards de dollars) qui voyait Novell racheté par Attachmate (lui-même, bien différent de l'éditeur Attachmate d'origine, aujourd'hui métamorphosé par la magie de la finance en véhicule d'investissement de Francisco Partners, Golden Gate Capital et Thoma Bravo — qu'en France on honnirait publiquement comme « odieux spéculateurs »), à la condition qu'il soit autorisé à revendre son portefeuille de brevets à CPTN, un holding ad hoc créé conjointement par Microsoft, Apple, Oracle et EMC. Les termes de la curée et la répartition du tableau de chasse des brevets furent dont dûment modifiés dans de sordides discussions de bazar qui poussèrent Microsoft à réitérer la publication d'une lettre aux communautés protestant théâtralement de ses bonnes intentions à leur égard — un rare moment « googleux », Do No Evil, de Microsoft !

 

L'escarmouche des brevets Nortel témoigne, en revanche, d'une préméditation stratégique s'apparentant à une déclaration de guerre formelle. En signant un partenariat avec Nokia, après avoir exfiltré à la tête du constructeur finladais son patron de sa Business Division, Stephen Elop, en septembre 2010, Microsoft positionnait le Windows Phone frontalement contre Android, celui-là même qui avait naguère causé le naufrage de Windows Mobile, comme l'ultime recours pour conserver un marché des smartphones réellement concurrentiel. La pression croissait alors dangereusement contre Google attaqué par Microsoft sur son partenariat avec l'OEM HTC qui enfreindrait, d'après le géant de Seattle, ses propres brevets. Pour faire bonne mesure, rappelons que depuis août 2010, Oracle poursuit aussi Google en justice à propos des brevets Java, issus de l'acquisition de Sun par l'éditeur de base de données, qui seraient enfreints, quant à eux, par Dalvik, la machine virtuelle liée à Android. De son côté le taïwanais HTC avait été attaqué par Apple en mars 2010 pour infraction à sa propriété intellectuelle sur l'iPhone ; il vient de contre-attaquer en août dernier en saisissant la justice américaine et l'International Trade Commission pour réclamer l'interdiction des ventes de Mac, des terminaux iOS et de l'Apple TV, accusant Apple d'enfreindre 3 brevets du groupe taïwanais. Apple — pourtant réputé être son plus grands client — poursuit également le coréen Samsung de sa vindicte dans les cours asiatiques, américaines et européennes, obtenant en Allemagne l'interdiction de vente des tablettes Galaxy Tab 10, partiellement levée depuis.

 

Si l'on permet ici une incidente, il est remarquable de constater qu'en dépit du départ de Steve Jobs de la direction d'Apple, la concupiscence peccamineuse des opérateurs pour l'iPhone et l'iPad reste un puissant moteur de l'industrie. Sprint devrait commencer à vendre la nouvelle version de l'iPhone mi-octobre aux Etats-Unis, ce qui redonnerait du lustre au numéro 3 des opérateurs et ouvrirait à Apple un nouveau canal de distribution. Indirectement, ce nouveau partenariat fournirait des munitions inattendues au premier opérateur, AT&T, dans son combat pour obtenir l'agrément des autorités réglementaires pour son acquisition projetée du numéro 4, T-Mobile. La semaine dernière les ministres de la Justice de sept Etats américains se sont en effet joints à la plainte déposée fin août par le gouvernement fédéral contre cette fusion des opérateurs de téléphonie mobile AT&T et T-Mobile, filiale de Deutsche Telekom. De son côté, China Mobile a reconnu avoir des discussions avec Apple en vue du développement d'une version TD-SCDMA de l'iPhone, qui serait alors distribuée en concurrence directe avec China Unicom — le seul opérateur actuellement en Chine à livrer l'iPhone. Résultat : Android et iOS dévorent les parts de marché au détriment du Blackberry de RIM, qui vient de perdre 20 % de sa valeur boursière après l'annonce de mauvais résultats trimestriels. Research in Motion première victime collatérale des Android Wars ? Et que dire de HP qui vient de fermer sa division webOS devices, et de mettre fin à la tablette TouchPad et à ses téléphones webOS ? Sombre revirement à peine seize mois après l'acquisition de webOS avec Palm pour 1,2 milliards de dollars.

 

Google enfin, que nous avions laissé attaqué de toutes parts, voyait alors son Grouchy dans le trésor de plus de 6 000 brevets de Nortel mis à l'encan, au printemps 2011, après la déroute du constructeur canadien. Ayant rapidement obtenu d'un DOJ alors inquiet, semble-t-il, de l'hégémonie d'Apple, l'autorisation d'enchérir, la déception n'en fut que plus rude lorsque le Blücher du 30 juin 2011, sous forme de l'alliance inhabituelle de Microsoft, Apple, RIM, EMC, Ericsson et Sony, emportait pour 4,5 milliard de dollars le trophée des brevets Nortel.

 

La fureur du titan contrarié fut terrible ! Google anonçait le 15 août, comme un orage d'été zébrant un ciel de mercure lourd de menaces, l'acquisition de Motorola Mobility pour 12,5 milliards de dollars, après s'être fait la main discrètement en achetant des milliers de brevets à IBM, puis la semaine dernière un nouveau millier à la même source. L'arsenal de Mountain View est maintenant comparable à celui de la coalition dénoncée par Drummond et chacun campe sur ses positions : entrons nous dans l'ère de l'apocalypse ou dans celle de la dissuasion nucléaire des brevets ?

 

En tout cas les affrontements continuent : Kodak vient de mettre en vente son portefeuille de brevets historique et déclare avoir de nombreux candidats à leur rachat ; Visa et Google, encore, fourbissent leurs armes sur le terrain du porte-monnaie numérique ; Microsoft qui avait attaqué Motorola l'année dernière sur Android se voit renforcé dans sa détermination contre Google.

 

Quel climat apaisé et irénique donc pour examiner, avec toute la sérénité due, la tant attendue consultation publique en préparation du plan France Numérique 2020 ! Il s'agit de la saison 2 de la série à succès « France Numérique », lancée en 2008, déjà !, par l'épisode pilote « France Numérique 2012 ». Nul doute que les 154 propositions initiales du gosplan digital ont connu succès, amour, gloire et beauté ces trois et quelques dernières années ! (Hadopi 1, Hadopi 2, ACTA, Loppsi, Loppsi 2, Albanel et les albaniciels, Trident Media Guard... : quel audimat !) Alors, s'il vous plaît, précipitez vous à répondre à ces bureaucrates scénaristes en mal d'idées pour cette sorte de « Plus belle la vie numérique », afin que l'on passe enfin à autre chose que la brûlante controverse de la Commission européenne sur la consommation dispendieuse des cafetières à expressos dans l'Union et le débat frelaté sur la fiscalité du pineau des Charentes.

Facebook : votre visage comme à livre ouvert

Pardonnez-moi de poser la question, mais ce visage que vous vous entêtez à arborer quotidiennement est-il bien votre propriété privée, libre de droits ?

 

Et à qui donc appartient ce célèbre sourire de La Joconde ? Au Louvre qui a décidé de ne plus la prêter ? Jeff Bridges est-il le légitime propriétaire du visage de Clu dans Tron Legacy, produit de synthèse d'une ferme de serveurs enterrée dans un désert californien ? À qui appartient la face reconstituée par les docteurs Dubernard et Devauchelle ? Dans le film Face/Off de John Woo, qui donc porte effectivement les visages des acteurs, MM. Travolta et Cage ? Qui possède le visage de Guy Fawkes : dans V, Alan Moore et David Lloyd ? Dans le cyberspace, les milliers d'inconnus du groupe Anonymous ?

 

En juin dernier, jamais à court d'idées innovantes, les ingénieurs du réseau social de Palo Alto — en cours de déménagement à Menlo Park dans des anciens locaux de Sun Microsystems — avaient imaginé de faciliter l'indispensable tagging des photos, qu'il est ô combien amusant de poster sur le site, en leur appliquant un algorithme de reconnaissance des visages qui suggérait immédiatement le nom des brillants sujets figurant sur les clichés numériques. (Du moins quand est visible le visage qui ne paraît pas être la partie de l'anatomie qui y est la plus systématiquement exhibée, à bien considérer un échantillon des images publiées sur le site social.)

 

Comme souvent par le passé, Facebook a mis en ligne ce nouveau « service » sans les sommations d'usage, provoquant une contre-réaction devant ce nouveau déplacement unilatéral des frontières, décidément bien diaphanes, entre données publiques et données privées. Comme s'il s'agissait de tester les limites de ce que le réseau social peut se permettre dans la collation massive de données privées par la mesure le volume des clameurs de protestation : la stratégie du tollé. Dans le cas de son concurrent Google, obligé de se conformer aux injonctions du gouvernement chinois et de censurer les résultats de son moteur de recherches, ou encore de ne pas offir Street View en Allemagne, on reste sur l'impression que c'est involontairement qu'il se fait taper sur les doigts dans le prosélytisme bienveillant de son modèle « Do No Evil ». Quoique... Le géant de Mountain View avait lui-même acquis PittPatt, un spin off de CMU, fin juillet, spécialisé dans la reconnaissance faciale.

 

En tout cas, les gouvernements ont bien pris note. À peine achevées les incantations gesticulatoires des Forum eG8, des projets orwelliens de la Commission Européenne, ou des perspectives de substitution de la sanction légale aux responsabilités parentales, on fourbit derechef les matraques. À la suite des récentes émeutes en Angleterre, dans la grande tradition d'Aldous Huxley, il a commodément filtré que RIM collaborait étroitement avec la police pour l'analyse des messages de son service BlackBerry « qui aurait un joué un rôle crucial chez les fomenteurs de trouble ». En conséquence David Cameron, suivi par une large majorité de ses concitoyens à en croire les sondages, souhaite mettre en place un système de surveillance généralisé des réseaux sociaux. Reporters dans frontières, qui connaît par ailleurs l'attitude indéniablement apaisée de nos édiles au regard de l'idéologie sécuritaire, a pris les devants et adresse une mise en garde dans un communiqué devant ce qui constituerait un « précédent inquiétant dans un pays occidental ». Un précédent en Occident, vraiment ?

 

Dès lors en France, on fut donc bien inspiré début 2009 (déjà !), au temps hortefumant du Ministère de l'intérieur — curieusement bien plus guéant-guéant à l'époque qu'aujourd'hui, un comble —, d'accélérer vivement le déploiement de la vidéo-surveillance avec le financement du triplement du nombre de caméras rivées sur la voie publique (60 000¡). C'était, rappelez-vous, le surlendemain du fiasco rendu public de la vidéo-surveillance policière à Londres, pourtant bien plus ubiquitaire et serrée que sous nos cieux.

 

Surtout que la tacatacatique du premier gendarme de France devrait aujourd'hui conduire à au moins tripler encore ces chiffres, tout en réduisant, comme David Cameron, le budget de la police, si l'on tient compte des progrès algorithmiques réalisés depuis.

 

Lisons, par exemple, Alessandro Acquisty, Associate Professor Techonologies de l'information et politiques publiques au Heinz College de l'université de Carnegie-Mellon, qui vient de se tailler un franc succès à la conférence des hackers, Black Hat à Las Vegas début août. L'algorithme d'Acquisti part d'une simple photo et par reconnaissance de son visage établit un lien entre l'individu photographié et d'autres images publiées sur les sites sociaux et publics du Web (Facebook, Match.com, Prosper.com, Flickr, les caméras en circuit fermé, les webcams ouvertes, etc.), d'où il est ensuite possible, au prix de calculs statistiques au coût rendu ridicule par le cloud computing, d'extraire des profils personnels très complets. Les résultats à ce stade sont saisissants : les centres d'intérêts et les numéros de sécurité sociale de 30 % des individus photographiés au hasard par une simple webcam ont été correctement identifiés. Pour voir les choses en face, voilà une solide base pour la prédiction automatisée du comportement de cet heureux tiers de la population. Ne se sent-il d'ailleurs pas immédiatement bien plus protégé et bien plus sécurisé ?

 

Mais, rêvons un peu et tentons le lien avec les travaux académiques de Jure Leskovec de l'université de Stanford. Leskovec vient de recevoir un prestigieux Microsoft Research Faculty Fellowship pour un papier sobrement intitulé : Marches aléatoires sous supervision — et il ne s'agit pas d'une version abstème de Windows Phone pour guider les éméchés sur le chemin du retour à la maison. Développé avec Lars Backstrom, récemment exfiltré de l'université de Cornell vers Facebook — tous les morceaux se recollent — l'algorithme Backstrom-Leskovec est capable de prédire les amis que vous allez ajouter sur Facebook avant même que vous n'y pensiez. Au coeur de l'algorithme, une démonstration mathématique du secret de Polichinelle des réseaux sociaux, Facebook et d'autres : notre prochain ami sur Facebook n'est pas aussi aléatoire qu'on le pense (ou qu'on le craint, c'est selon). On peut également consulter avec intérêt Gilbert et Karahalios sur la prédiction de la force des liens dans Facebook. Les rats de bibliothèques scientifiques ne seront sans doute pas surpris de ces derniers développements, tant la théorie moderne des graphes, après Erdös et Rényi, a connu ces dernières années un passionnant renouvellement avec Barabási, Albert, Huberman, Strogatz, Watts, Newman, Chung, Doursat et bien d'autres. Cependant la nouveauté de l'application K. Dickienne au réseau social dit réel et le succès du Backstrom-Leskovec, plus de 50 % de prédictions correctes et des améliorations en perspective, ouvrent en effet des perspectives panoptiques inédites du plus haut intérêt. Ces admirables dispositifs pavent la voie de nombreuses et nouvelles Hautes Autorités à imaginer avec toute la jubilation doctrinaire que le sujet requiert.

 

Couplons enfin l'Acquisiti et le Backstrom-Leskovec avec les logiciels de startups comme Viewdle (qui a levé $10m l'année dernière auprès d'investisseurs dont BlackBerry Partners — tout se recolle vous dis-je !) pour instiller la reconnaissance des visages directement dans votre smartphone, ou bien encore avec l'individualisation dans la foule de Garg, Ramanan, Seitz et Snavely et l'anonymat devient démodé, has been, désuet, désespérément suranné, bref complètement fossilisé. Déjà l'on ne sourit plus sur les photos de passeport, les algorithmes ont encore du mal avec l'humour (ou avec les dents, peut-être) ; et le tissu neuronal du lobe temporal médian, responsable, entre autres, de la reconnaissance spécifique des visages est une source d'inspiration inépuisable pour les architectes du calcul parallèle.

 

Quant aux plates-formes de cloud computing que nous mitonnent les géants du Net dans leurs datacenters bunkerisés, Storm de Twitter, Pregel chez Google et son alter Erlang Phoebus, Dryad de Microsoft, Hama de la Fondation Apache, GraphLab à CMU, elles devraient littéralement décupler l'efficacité de ces systèmes. Alors avant que la prosopagnosie ne soit un délit et que la Facebook PreCrime Unit ne défonce votre porte par un petit matin blême pour vous conduire sans ménagement au camp d'internement New Pace, sous les chefs d'accusation de facetheft, de détournement, de recel et de port ostentatoire de visage sans preuve de droits de propriété, il est temps de faire volte-face.