Pós-Graduação em Ciência da Computação – UFPE
Defesa de Tese de Doutorado Nº 601
Aluno: Flávio da Silva Neves
Orientador: Prof. Vinicius Cardoso Garcia
Coorientador: Prof. Michel Sales Bonfim (UFC – Quixadá)
Título: Smart Anonymity: Um Mecanismo para Recomendação de Algoritmos de
Anonimização de Dados Baseado no Perfil dos Dados para Ambientes IoT
Data: 22/06/2023
Hora/Local: 9h – Virtual – Interessados em assistir entrar em contato com o aluno
Banca Examinadora:
Prof. Paulo Salgado Gomes de Mattos Neto (UFPE / Centro de Informática)
Prof. Jessyka Flavyanne Ferreira Vilela (UFPE / Centro de Informática)
Prof. Eduardo Luzeiro Feitosa(UFAM / Instituto de Computação)
Prof. Fernando Antônio Aires Lins (UFRPE / Departamento de Computação)
Prof. Paulo Antônio Leal Rego (UFC / Departamento de Computação)
RESUMO:
A Internet das Coisas (IoT) prevê um mundo onde os objetos do dia a dia
estão conectados à internet, interagindo entre si e com o ambiente ao seu
redor. A IoT está crescendo rapidamente, e apresenta vários desafios
relacionados à privacidade dos dados coletados pelos dispositivos. Os dados
coletados pelos dispositivos IoT são processados para fornecer serviço aos
seus usuários. Existem inúmeros dispositivos espalhados por vários locais,
tais como, casas inteligentes, carros, locais públicos, bem como,
dispositivos que as pessoas usam em seu corpo, como por exemplo smart
watchs, muitas dessas pessoas usam esses dispositivos sem saber das suas
reais capacidades. O problema que permeia esta pesquisa é: Não foi
identificado uma solução para privacidade de dados, baseada em
anonimização, que seja adaptável para vários ambientes de uso da IoT.
Diante disto, o objetivo desta pesquisa é desenvolver o Smart Anonymity,
que é uma solução que recomenda o algoritmo de anonimização de dados mais
adequado para um conjunto de dados de acordo com suas características. Para
condução desta pesquisa foi escolhido como método principal o Design
Science Research (DSR) que é uma abordagem com duplo objetivo: (i)
desenvolver um artefato para resolver um problema prático em um contexto
específico e (ii) gerar novos conhecimentos técnicos e científicos. As
principais contribuições desta pesquisa são: (i) a solução que recomenda
qual o algoritmo de anonimização de dados é mais adequado para o conjunto
de dados de acordo com suas características; (ii) criação dos critérios
para escolha de algoritmos de anonimização baseado nas características dos
dados; (iii) duas ontologias para dar suporte à classificação dos dados;
(iv) o uso de Machine Learning para enriquecer a classificação realizada
pelas ontologias. Os resultados da Revisão Sistemática da Literatura (RSL)
podem ser considerados contribuições para a comunidade científica, pois
nela são apresentadas as principais técnicas de anonimização usadas
atualmente para fornecer privacidade em IoT, bem como os pontos positivos e
negativos de cada uma. Com base nos resultados das avaliações realizadas no
decorrer desta tese, é possível concluir que o Smart Anonymity alcançou
resultados promissores para a classificação e recomendação dos algoritmos
de anonimização para dados gerados por dispositivos IoT. Ainda com base nas
nos resultados das avaliações é possível concluir que o uso de Machine
Learning traz melhorias no processo de classificação dos dados gerados por
dispositivos da IoT.
Palavras-chave: Internet das Coisas. Privacidade. Anonimização de Dados.
k-anonymity. Segurança. Recomendação.
Comentários desativados