Estimando a Vulnerabilidade à Exposição de Usuários em Dados de Mobilidade

• Lucas G. S. Félix UFMG / INRIA-Saclay
• Nadjib Achir INRIA-Saclay
• Anne Josiane Kouam TU-Berlin
• Aline Carneiro Viana INRIA-Saclay
• Jussara Marques Almeida UFMG

DOI: https://doi.org/10.5753/sbrc.2025.5883

Resumo

A mobilidade é um aspecto fundamental da vida humana, e os dados de mobilidade oferecem insights sobre o comportamento dos usuários. Contudo, esses dados também expõem os usuários a riscos de privacidade, dado a singularidade em suas trajetórias. Na literatura, técnicas foram desenvolvidas para quantificar a vulnerabilidade dos usuários. Porém, essas técnicas, no geral, focam na singularidade espaço-temporal dos usuários, deixando de lado a singularidade do comportamento dos usuários. Neste contexto, esse artigo introduz o hipercubo, uma nova métrica interpretável para quantificar a vulnerabilidade dos usuários. Para tal, o hipercubo explora métricas extraídas de trajetórias modelando o comportamento dos usuários em um espaço multidimensional. Nossos resultados mostram que o hipercubo captura a vulnerabilidade dentro do espaço das métricas comportamentais, identificando a singularidade nesse comportamento.

Palavras-chave: mobilidade urbana, privacidade, vulnerabilidade

Referências

Blondel, V. D., Decuyper, A., and Krings, G. (2015). A survey of results on mobile phone datasets analysis. EPJ Data Science, 4, 1–55.

Cui, J., Liu, F., Janssens, D., An, S., Wets, G., and Cools, M. (2016). Detecting urban road network accessibility problems using taxi GPS data. Journal of Transport Geography.

De Montjoye, Y.-A., Hidalgo, C. A., Verleysen, M., and Blondel, V. D. (2013). Unique in the crowd: The privacy bounds of human mobility. Scientific Reports, 3(1), 1–5.

Esper, J. P., Viana, A. C., and Almeida, J. M. (2024). Beauty or beast: Human behavioral insights and learning power of federated mobility prediction. In ACM SIGSPATIAL.

Farzanehfar, A., Houssiau, F., and de Montjoye, Y.-A. (2021). The risk of re-identification remains high even in country-scale location datasets. Patterns, 2(3).

Gadotti, A., Rocher, L., Houssiau, F., Cretu, A., and de Montjoye, Y. (2024). Anonymization: The imperfect science of using data while preserving privacy. Science Advances.

Gonzalez, M. C., Hidalgo, C. A., and Barabasi, A.-L. (2008). Understanding individual human mobility patterns. Nature, 453(7196), 779–782.

Naretto, F., Pellungrini, R., Monreale, A., Nardini, F. M., and Musolesi, M. (2020). Predicting and explaining privacy risk exposure in mobility data. In ICDS.

Pellungrini, R., Pappalardo, L., Pratesi, F., and Monreale, A. (2017). A data mining approach to assess privacy risk in human mobility data. ACM Transactions on Intelligent Systems and Technology.

Pyrgelis, A., Troncoso, C., and De Cristofaro, E. (2017). Knock knock, who’s there? Membership inference on aggregate location data. arXiv preprint arXiv:1708.06145.

Pyrgelis, A., Troncoso, C., and De Cristofaro, E. (2020). Measuring membership privacy on aggregate location time-series. ACM Measure and Analysis of Computing Systems.

Recchi, E. and Tittel, K. (2023). The empirical study of human mobility: Potentials and pitfalls of using traditional and digital data. In Computational Social Science for Policy.

Sojahrood, Z. B., Taleai, M., and Cheng, H. (2023). Hybrid POI group recommender system based on group type in LBSN. Expert Systems with Applications, 219, 119681.

Wagner, I. and Eckhoff, D. (2018). Technical privacy metrics: A systematic survey. ACM Computing Surveys, 51(3), 1–38.

Zang, H. and Bolot, J. (2011). Anonymization of location data does not work: A large-scale measurement study. In Inter. conf. on Mobile computing and networking.