Gerenciamento de privacidade baseado em ontologias e privacidade diferencial aplicado a sistemas de rastreamento de saúde
Nome Completo:
Erika Guetti Suca
Unidade da USP:
Instituto de Matemática e Estatística
Programa de Pós-Graduação:
Ciências da Computação
Nível:
Doutorado
Resumo:
A coleta de dados automatizada e autônoma cresceu exponencialmente nos últimos anos. Mais informações pessoais são recolhidas, analisadas e eventualmente bem detalhadas do que em qualquer outro momento. A privacidade diferencial oferece garantias de privacidade fortes em respostas aleatórias agregáveis que permitem boas estimativas de estatísticas populacionais precisas, preservando, ao mesmo tempo, a privacidade. O objetivo dessa pesquisa é prevenir o risco de associar informações confidenciais às identidades dos proprietários de dados e medir a eficácia das técnicas de privacidade diferencial na proteção da privacidade em ontologias. Como caso de estudo, este trabalho apresenta o cenário do monitoramento do ciclo menstrual e suas respectivas questões de análise de informações sensíveis, acentuando a preocupação sobre a privacidade, a natureza discreta da informação e a demanda de compartilhamento e estudo dessas informações, com o propósito de otimizar a experiência do usuário e melhorar o desempenho de serviços baseados na coleita de dados privados. Nossas principais contribuições são: (1) um modelo de preservação de privacidade por meio de agregação de dados sintéticos que satisfaçam a privacidade diferencial aplicado a ontologias; (2) análise de viabilidade e desempenho da nossa proposta baseado sobre um caso de estudo; (3) desenvolvimento de uma metodologia que permite que os designers de bases de conhecimento definam e validem mecanismos para estabelecer privacidade e por último (4) futuras linhas de pesquisa e aplicações.