Resumo
Atingir um equilíbrio entre privacidade e utilidade tornou-se um imperativo, mas também um desafio para todas as partes interessadas em uma sociedade cada vez mais orientada a dados. Particularmente, governos, empresas, e indivíduos enfrentam sérios desafios para medir quantitativamente a privacidade e a utilidade de maneira explicável e acionável. Esta Tese aplica métodos formais, e em particular o framework de Fluxo de Informação Quantitativo (QIF), para criar modelos escaláveis para grandes conjuntos de dados e pipelines de software que processam dados. Ao dividir sistemas complexos em seus componentes, pode-se explicar rigorosamente as vulnerabilidades de privacidade e como combatê-las afetaria a utilidade dos dados.
Esta Tese se concentra na criação de modelos para grandes conjuntos de dados governamentais e para software e APIs comerciais. Em particular, relatamos a maior análise de privacidade já realizada em microdados governamentais oficiais, até onde sabemos; combinamos a abordagem baseada em canais de informação de QIF para modelar sistemas com produtos Kronecker, para avaliar rigorosamente a suposição amplamente aceita na comunidade de privacidade diferencial de que o parâmetro ε controla o trade-off de privacidade-utilidade ao ser monotônico em relação à utilidade; e relatamos a análise formal mais completa do Topics API proposto pelo Google, incluindo resultados teóricos que dependem apenas dos parâmetros da API e que podem ser usados para avaliar as implicações de privacidade e utilidade de futuras atualizações da API.
Submetida para um doutorado obtido sob acordo de Cotutela entre a Macquarie University e a Universidade Federal de Minas Gerais. Uma única tese foi examinada e aprovada em ambas as instituições; o depósito na UFMG está registrado separadamente.
