Metodologia para publicação de dados com preservação da privacidade para órgãos públicos: de maneira proativa e solicitada
Resumo
A publicação de dados governamentais possibilita transparência e avanço científico. No Brasil, essa publicação é regulamentada pela LAI, pode ser obrigatória ou solicitada e deve estar em conformidade com a LGPD. A privacidade dos dados é de responsabilidade do Gestor, e a supressão de identificadores explícitos é insuficiente para garantir a privacidade. Este artigo propõe uma metodologia que abrange ambas as formas de publicação. Na obrigatória, o Gestor garante a proteção do registro sem a supressão dos dados. Na solicitada, o Minerador é incluído no processo de anonimização dos dados. Foi realizado um estudo de caso com dados públicos, onde foi possível selecionar unicamente 7.357 registros. Aplicando a metodologia, foi possível criar grupos indistinguíveis de tamanho 10.Referências
Abu Attieh, H., Neves, D. T., Guedes, M., Mirandola, M., Dellacasa, C., Rossi, E., and Prasser, F. (2024). A scalable pseudonymization tool for rapid deployment in large biomedical research networks: Development and evaluation study. JMIR Med Inform, 12:e49646.
Affonso, E. P. and Sant’Ana, R. C. G. (2017). PRESERVAÇÃO DA PRIVACIDADE NO ACESSO A DADOS POR MEIO DO MODELO K-ANONIMATO. PontodeAcesso, 11(1):20–41.
Aggarwal, C. C., Yu, P. S., Elmagarmid, A. K., and Sheth, A. P., editors (2008). Privacy-Preserving Data Mining: Models and Algorithms, volume 34 of Advances in Database Systems. Springer US, Boston, MA.
Alves, A. G. M., Pereira, F., Chaves, I., and Machado, J. (2024a). Privacidade diferencial em gradient boosting decision trees com técnicas de particionamento para dados categóricos. In Anais do XXXIX Simpósio Brasileiro de Bancos de Dados, pages 444–456, Porto Alegre, RS, Brasil. SBC.
Alves, V., Costa, J., Gonzalez, L., Souza, A., and Villas, L. (2024b). Seleção de clientes adaptativa baseada em privacidade diferencial para aprendizado federado. In Anais Estendidos do XLII Simpósio Brasileiro de Redes de Computadores e Sistemas Distribuídos, pages 225–232, Porto Alegre, RS, Brasil. SBC.
Baloukas, C., Papadopoulos, L., Demestichas, K., Weissenfeld, A., Schlarb, S., Aramburu, M., Redó, D., García, J., Gaines, S., Marquenie, T., Eren, E., and Erdogan Peter, I. (2024). A risk assessment and legal compliance framework for supporting personal data sharing with privacy preservation for scientific research. In Proceedings of the 19th International Conference on Availability, Reliability and Security, ARES ’24, New York, NY, USA. Association for Computing Machinery.
Brasil (2011). Lei nº 12.527, de 18 de novembro de 2011.
Brasil (2018). Lei nº 13.709, de 14 de agosto de 2018. Presidência da República, Secretaria-Geral Subchefia para Assuntos Jurídicos.
Brito, F. and Machado, J. (2017). Preservação de Privacidade de Dados: Fundamentos, Técnicas e Aplicações. Sociedade Brasileira de Computação.
Carvalho, T., Moniz, N., Faria, P., and Antunes, L. (2023). Survey on privacy-preserving techniques for microdata publication. ACM Comput. Surv., 55(14s).
Coelho, K., Okuyama, M., Nogueira, M., Vieira, A., Silva, E., and Nacif, J. (2025). Metodologia para avaliação da anonimização baseada em k-anonimato nos modelos de aprendizado de máquina. In Anais do XLIII Simpósio Brasileiro de Redes de Computadores e Sistemas Distribuídos, pages 742–755, Porto Alegre, RS, Brasil. SBC.
De Capitani Di Vimercati, S., Foresti, S., Livraga, G., and Samarati, P. (2012). DATA PRIVACY: DEFINITIONS AND TECHNIQUES. International Journal of Uncertainty, Fuzziness and Knowledge-Based Systems, 20(06):793–817.
Direito, D. d. C. and Barros, V. L. M. (2025). Estado digital: dados e políticas públicas no brasil.
Dwork, C. (2006). Differential privacy. In Bugliesi, M., Preneel, B., Sassone, V., and Wegener, I., editors, Automata, Languages and Programming, pages 1–12, Berlin, Heidelberg. Springer Berlin Heidelberg.
Eynden, V. v. d. (2011). Managing and sharing data: best practice for researchers. UK Data Archive, Colchester, 3rd ed., fully rev edition. OCLC: 731028890.
Fung, B. C., Wang, K., Fu, A. W.-C., and Yu, P. S. (2010). Introduction to Privacy-Preserving Data Publishing: Concepts and Techniques. Chapman & Hall/CRC, 1st edition.
Ge, Y.-F., Wang, H., Cao, J., Zhang, Y., and Jiang, X. (2024). Privacy-preserving data publishing: an information-driven distributed genetic algorithm. World Wide Web, 27(1):1.
Karagiannis, S., Ntantogian, C., Magkos, E., Tsohou, A., and Ribeiro, L. L. (2024). Mastering data privacy: leveraging k-anonymity for robust health data sharing. International Journal of Information Security, 23(3):2189–2201.
Kim, I. and Kim, T. (2024). Kmbig: Safeguarding data sharing with advanced anonymization and risk management. In 2024 IEEE International Conference on Big Data and Smart Computing (BigComp), pages 439–444.
Machado, J., Duarte Neto, E., and Bento Filho, M. (2019). Técnicas de Privacidade de Dados de Localização. In Cavalcanti, M. C. and Traina, A., editors, Tópicos em Gerenciamento de Dados e Informações: Minicursos do SBBD 2019, pages 8–37. SBC, 1 edition.
Machado, J. C. and Neto, E. R. D. (2021). Privacidade de dados de localização: Modelos, técnicas e mecanismos. Sociedade Brasileira de Computação.
Machanavajjhala, A., Kifer, D., Gehrke, J., and Venkitasubramaniam, M. (2007). L - diversity: Privacy beyond k-anonymity. ACM Transactions on Knowledge Discovery from Data, 1(1):3.
Queiroz, M. and Motta, G. (2015). Privacidade e transparência no setor público: Um estudo de caso da publicação de microdados do inep. In Anais do XV Simpósio Brasileiro de Segurança da Informação e de Sistemas Computacionais, pages 362–365, Porto Alegre, RS, Brasil. SBC.
Quinlan, R. (1993). C4.5: Programs for Machine Learning. Morgan Kaufmann Publishers, San Mateo, CA.
Sweeney, L. (2002). k-ANONYMITY: A MODEL FOR PROTECTING PRIVACY. International Journal of Uncertainty, Fuzziness and Knowledge-Based Systems, 10(05):557–570.
Tejedo-Romero, F., Ferraz Esteves Araujo, J. F., and Gonçalves Ribeiro, M. J. (2025). The usability of brazilian government open data portals: ensuring data quality. Humanities and Social Sciences Communications, 12(1):297.
Wang, X., Chou, J.-K., Chen, W., Guan, H., Chen, W., Lao, T., and Ma, K.-L. (2018). A utility-aware visual approach for anonymizing multi-attribute tabular data. IEEE Transactions on Visualization and Computer Graphics, 24(1):351–360.
Affonso, E. P. and Sant’Ana, R. C. G. (2017). PRESERVAÇÃO DA PRIVACIDADE NO ACESSO A DADOS POR MEIO DO MODELO K-ANONIMATO. PontodeAcesso, 11(1):20–41.
Aggarwal, C. C., Yu, P. S., Elmagarmid, A. K., and Sheth, A. P., editors (2008). Privacy-Preserving Data Mining: Models and Algorithms, volume 34 of Advances in Database Systems. Springer US, Boston, MA.
Alves, A. G. M., Pereira, F., Chaves, I., and Machado, J. (2024a). Privacidade diferencial em gradient boosting decision trees com técnicas de particionamento para dados categóricos. In Anais do XXXIX Simpósio Brasileiro de Bancos de Dados, pages 444–456, Porto Alegre, RS, Brasil. SBC.
Alves, V., Costa, J., Gonzalez, L., Souza, A., and Villas, L. (2024b). Seleção de clientes adaptativa baseada em privacidade diferencial para aprendizado federado. In Anais Estendidos do XLII Simpósio Brasileiro de Redes de Computadores e Sistemas Distribuídos, pages 225–232, Porto Alegre, RS, Brasil. SBC.
Baloukas, C., Papadopoulos, L., Demestichas, K., Weissenfeld, A., Schlarb, S., Aramburu, M., Redó, D., García, J., Gaines, S., Marquenie, T., Eren, E., and Erdogan Peter, I. (2024). A risk assessment and legal compliance framework for supporting personal data sharing with privacy preservation for scientific research. In Proceedings of the 19th International Conference on Availability, Reliability and Security, ARES ’24, New York, NY, USA. Association for Computing Machinery.
Brasil (2011). Lei nº 12.527, de 18 de novembro de 2011.
Brasil (2018). Lei nº 13.709, de 14 de agosto de 2018. Presidência da República, Secretaria-Geral Subchefia para Assuntos Jurídicos.
Brito, F. and Machado, J. (2017). Preservação de Privacidade de Dados: Fundamentos, Técnicas e Aplicações. Sociedade Brasileira de Computação.
Carvalho, T., Moniz, N., Faria, P., and Antunes, L. (2023). Survey on privacy-preserving techniques for microdata publication. ACM Comput. Surv., 55(14s).
Coelho, K., Okuyama, M., Nogueira, M., Vieira, A., Silva, E., and Nacif, J. (2025). Metodologia para avaliação da anonimização baseada em k-anonimato nos modelos de aprendizado de máquina. In Anais do XLIII Simpósio Brasileiro de Redes de Computadores e Sistemas Distribuídos, pages 742–755, Porto Alegre, RS, Brasil. SBC.
De Capitani Di Vimercati, S., Foresti, S., Livraga, G., and Samarati, P. (2012). DATA PRIVACY: DEFINITIONS AND TECHNIQUES. International Journal of Uncertainty, Fuzziness and Knowledge-Based Systems, 20(06):793–817.
Direito, D. d. C. and Barros, V. L. M. (2025). Estado digital: dados e políticas públicas no brasil.
Dwork, C. (2006). Differential privacy. In Bugliesi, M., Preneel, B., Sassone, V., and Wegener, I., editors, Automata, Languages and Programming, pages 1–12, Berlin, Heidelberg. Springer Berlin Heidelberg.
Eynden, V. v. d. (2011). Managing and sharing data: best practice for researchers. UK Data Archive, Colchester, 3rd ed., fully rev edition. OCLC: 731028890.
Fung, B. C., Wang, K., Fu, A. W.-C., and Yu, P. S. (2010). Introduction to Privacy-Preserving Data Publishing: Concepts and Techniques. Chapman & Hall/CRC, 1st edition.
Ge, Y.-F., Wang, H., Cao, J., Zhang, Y., and Jiang, X. (2024). Privacy-preserving data publishing: an information-driven distributed genetic algorithm. World Wide Web, 27(1):1.
Karagiannis, S., Ntantogian, C., Magkos, E., Tsohou, A., and Ribeiro, L. L. (2024). Mastering data privacy: leveraging k-anonymity for robust health data sharing. International Journal of Information Security, 23(3):2189–2201.
Kim, I. and Kim, T. (2024). Kmbig: Safeguarding data sharing with advanced anonymization and risk management. In 2024 IEEE International Conference on Big Data and Smart Computing (BigComp), pages 439–444.
Machado, J., Duarte Neto, E., and Bento Filho, M. (2019). Técnicas de Privacidade de Dados de Localização. In Cavalcanti, M. C. and Traina, A., editors, Tópicos em Gerenciamento de Dados e Informações: Minicursos do SBBD 2019, pages 8–37. SBC, 1 edition.
Machado, J. C. and Neto, E. R. D. (2021). Privacidade de dados de localização: Modelos, técnicas e mecanismos. Sociedade Brasileira de Computação.
Machanavajjhala, A., Kifer, D., Gehrke, J., and Venkitasubramaniam, M. (2007). L - diversity: Privacy beyond k-anonymity. ACM Transactions on Knowledge Discovery from Data, 1(1):3.
Queiroz, M. and Motta, G. (2015). Privacidade e transparência no setor público: Um estudo de caso da publicação de microdados do inep. In Anais do XV Simpósio Brasileiro de Segurança da Informação e de Sistemas Computacionais, pages 362–365, Porto Alegre, RS, Brasil. SBC.
Quinlan, R. (1993). C4.5: Programs for Machine Learning. Morgan Kaufmann Publishers, San Mateo, CA.
Sweeney, L. (2002). k-ANONYMITY: A MODEL FOR PROTECTING PRIVACY. International Journal of Uncertainty, Fuzziness and Knowledge-Based Systems, 10(05):557–570.
Tejedo-Romero, F., Ferraz Esteves Araujo, J. F., and Gonçalves Ribeiro, M. J. (2025). The usability of brazilian government open data portals: ensuring data quality. Humanities and Social Sciences Communications, 12(1):297.
Wang, X., Chou, J.-K., Chen, W., Guan, H., Chen, W., Lao, T., and Ma, K.-L. (2018). A utility-aware visual approach for anonymizing multi-attribute tabular data. IEEE Transactions on Visualization and Computer Graphics, 24(1):351–360.
Publicado
01/09/2025
Como Citar
MORAES, Bruno R. S.; SILVA, Josenildo C.; TELES, Ariel S.; B. JÚNIOR, Antonio A.; SILVA, Francisco J. S.; COUTINHO, Luciano R..
Metodologia para publicação de dados com preservação da privacidade para órgãos públicos: de maneira proativa e solicitada. In: SIMPÓSIO BRASILEIRO DE CIBERSEGURANÇA (SBSEG), 25. , 2025, Foz do Iguaçu/PR.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2025
.
p. 575-591.
DOI: https://doi.org/10.5753/sbseg.2025.10653.
