Anonimização de Trajetórias

Abstract

No mundo digital existem formas de rastrear diferentes localizações por onde usuários de dispositivos móveis passam, e uma das fontes desse rastreamento são os próprios aplicativos instalados nesses dispositivos. A publicação desses dados pode expor a privacidade de um indivíduo de maneira danosa e sem o seu consentimento. Essa restrição, além de outras relacionadas a proteção de privacidade, faz parte do recém criado conjunto de leis da GDPR e da LGPD. Uma das ações a serem tomadas para garantir a privacidade dos usuários é anonimizar os dados antes de sua publicação, garantindo que dessa forma o dado não pertencerá a ninguém. Alguns métodos utilizados para alcançar essa anonimidade são a k-anonimidade, l-diversidade, t-proximidade, supressão, generalização e troca de partes de uma trajetória com outra. Essas abordagens podem ser adaptadas e utilizadas em conjunto, permitindo uma análise sobre o impacto que os diferentes métodos tem na qualidade dos dados e entre si. Para isso, fez-se uma revisão teórica dos algoritmos presentes na literatura e dessa revisão se escolheu três propostas alternativas. Elas foram implementadas junto de testes com aprendizado de máquina visando analisar os resultados obtidos em diferentes categorias: o tempo de anonimização, a qualidade dos dados e a distorção introduzida nos dados.