Abordagem LGRAG-IoT: Contribuição para a Conformidade do Middleware EXEHDA com a Lei Geral de Proteção de Dados

• Rogério Albandes UCPel / UFPel https://orcid.org/0000-0002-4114-2537
• Rafael Azevedo UCPel https://orcid.org/0009-0007-6562-8762
• Renata Abib UCPel https://orcid.org/0009-0003-9018-3591
• Anderson Passos UCPel https://orcid.org/0009-0007-5285-1279
• Ana Marilza Pernas UFPel https://orcid.org/0000-0001-8142-817X
• Adenauer Yamin UFPel https://orcid.org/0000-0002-7333-244X

DOI: https://doi.org/10.5753/sbcup.2026.23505

Resumo

Este trabalho apresenta a abordagem LGRAG-IoT, uma arquitetura baseada em RAG para apoiar a verificação automatizada de conformidade com a LGPD em ambientes de Internet das Coisas. A proposta integra o monitoramento de fluxos de dados do middleware EXEHDA à recuperação semântica de documentos normativos para análise por modelos de linguagem. A arquitetura permite identificar violações de privacidade e gerar justificativas fundamentadas em evidências legais. A avaliação, com cenários simulados de tratamento de dados em IoT, comparou um modelo LLM isolado com a abordagem RAG. Os resultados indicam melhora na classificação e na explicabilidade das decisões, mostrando potencial para apoiar auditorias e governança de dados.

Referências

Albandes, R., Lambrecht, R., Pieper, L., Barcellos, F., Pernas, A. M., and Yamin, A. (2024). Abordagem iot db-audit: uma contribuição a adequação do middleware exehda à lei geral de proteção de dados. In Simpósio Brasileiro de Computação Ubíqua e Pervasiva (SBCUP), pages 51–60. SBC.

Azam, N., Chak, A., Michala, A., Ansari, S., and Truong, N. B. (2025). A practical solution for modelling gdpr-compliance based on defeasible logic reasoning. Expert Systems with Applications, 271:127140.

Brown, T., Mann, B., Ryder, N., Subbiah, M., Kaplan, J., Dhariwal, P., Neelakantan, A., Shyam, P., Sastry, G., Askell, A., et al. (2020). Language models are few-shot learners. Advances in Neural Information Processing Systems (NeurIPS), 33:1877–1901.

Chhetri, T. R., Dehury, C. K., Varghese, B., Fensel, A., Srirama, S. N., and DeLong, R. J. (2024). Enabling privacy-aware interoperable and quality iot data sharing with context. Future Generation Computer Systems, 157:164–179.

da República, P. (2018). Lei geral de proteção de dados pessoais. Último acesso 17 março 2023.

Gao, Y., Xiong, Y., Gao, X., Jia, K., Pan, J., Bi, Y., Dai, Y., Sun, J., Wang, M., and Wang, H. (2024). Retrieval-augmented generation for large language models: A survey. arXiv preprint arXiv:2312.10997.

Guha, N., Nyarko, J., Ho, D. E., Ré, C., Chilton, A., et al. (2023). Legalbench: A collaboratively built benchmark for measuring legal reasoning in large language models. arXiv preprint arXiv:2308.11462.

Izacard, G. and Grave, E. (2021). Leveraging passage retrieval with generative models for open domain question answering. In Proceedings of the 16th Conference of the European Chapter of the Association for Computational Linguistics (EACL), pages 874–880.

Johnson, J., Douze, M., and Jégou, H. (2019). Billion-scale similarity search with gpus. IEEE Transactions on Big Data, 7(3):535–547.

Kandpal, N., Zhao, V., and Roberts, A. (2023). Towards explainable retrieval-augmented generation: Challenges and opportunities. arXiv preprint arXiv:2304.12345.

Kurteva, A., Chhetri, T. R., Tauqeer, A., Hilscher, R., Fensel, A., Nagorny, K., Correia, A., Zilverberg, A., Schestakov, S., Funke, T., and Demidova, E. (2023). The smashhitcore ontology for gdpr-compliant sensor data sharing in smart cities. Sensors, 23(13):6188.

Lewis, P., Perez, E., Piktus, A., Petroni, F., Karpukhin, V., Goyal, N., Küttler, H., Lewis, M., Yih, W.-t., Rocktäschel, T., et al. (2020). Retrieval-augmented generation for knowledge-intensive nlp tasks. In Advances in Neural Information Processing Systems (NeurIPS).

OpenAI (2023). Gpt-4 technical report. arXiv preprint arXiv:2303.08774.

Youssef, H. (2023). The rag spectrum: Exploring 7 distinct approaches. [link]. Accessed: 27 Sep. 2025.