Les attaques par inférence exploitent des informations apparemment anodines pour en déduire des données sensibles. Les modèles MLS cherchent à l'éviter en :
• Restreignant l'accès selon les niveaux de sécurité : les données sont classées par niveau (par exemple Confidentiel, Secret, Top Secret) et les utilisateurs n'accèdent qu'aux données égales ou inférieures à leur habilitation, ce qui limite ce qu'un seul utilisateur peut observer.
• Compartimentant : les données sont ensuite cloisonnées, restreignant l'accès même au sein d'un niveau. Un utilisateur peut accéder à des informations « Secret » sur la finance, mais pas sur le renseignement, ce qui empêche l'agrégation d'informations de sources différentes.
• Ajoutant des contraintes d'intégrité : les modèles MLS peuvent intégrer des règles garantissant l'intégrité des données et empêchant toute modification non autorisée, car les attaques par inférence reposent souvent sur la manipulation ou la mauvaise interprétation de données anodines.
• Recourant à la polyinstanciation : cette technique autorise plusieurs instances des mêmes données à différents niveaux de sécurité ; une modification à un niveau n'affecte pas les autres, ce qui empêche les fuites via les mises à jour.
Si les modèles MLS offrent une protection solide, ils ne sont pas infaillibles : des attaques par inférence sophistiquées peuvent réussir lorsque les niveaux et le cloisonnement ne sont pas méticuleusement conçus et appliqués. D'autres techniques, comme la perturbation des données (ajout de bruit) ou le contrôle des requêtes, peuvent compléter le MLS pour réduire encore le risque, quitte à sacrifier un peu d'ergonomie et d'utilité au profit de la sécurité.