Segurança e Robustez de Estratégias para Anonimização e De-Anonimização de Dados Sensíveis de Localização

• Marília M. Biz UFRGS
• Henry C. Nunes PUCRS
• Bruno V. Lima UFRGS
• Weverton Cordeiro UFRGS

DOI: https://doi.org/10.5753/sbseg.2026.27022

Resumo

A disponibilização de dados espaciais detalhados beneficia a pesquisa em saúde pública, mas introduz riscos de privacidade concretos, particularmente na vigilância epidemiológica urbana. Neste artigo, examinamos quatro famílias de técnicas de anonimização (generalização, microagregação, permutação e privacidade diferencial geográfica) aplicadas a dados georreferenciados de vigilância do Aedes aegypti de Porto Alegre. Comparamos essas técnicas por meio de um pipeline experimental unificado que mede conjuntamente a utilidade preditiva (por exemplo, a previsão de densidade vetorial) e a robustez contra a reidentificação. Avaliando quatro modelos de ataque e três níveis de vazamento de informações auxiliares por meio de testes pareados com correção de Holm-Bonferroni, constatamos que nenhuma variante de anonimização causa uma perda de utilidade estatisticamente significativa em comparação aos dados originais. Entre os métodos avaliados, a microagregação com k = 10 oferece o melhor equilíbrio empírico: ela mantém o desempenho preditivo de referência (baseline) ao mesmo tempo em que fornece uma proteção robusta contra um ataque de reconstrução temporal que expõe uma vulnerabilidade crítica em implementações ingênuas de privacidade diferencial geográfica que adicionam ruído independente a observações sequenciais.

Referências

Aleixo, R., Kon, F., Rocha, R., Camargo, M. S., and De Camargo, R. Y. (2022). Predicting dengue outbreaks with explainable machine learning. In 2022 22nd IEEE Symposium on Cluster, Cloud and Internet Computing (CCGrid), pages 940–947. IEEE.

Andrés, M. E., Bordenabe, N. E., Chatzikokolakis, K., and Palamidessi, C. (2013). Geo-indistinguishability: Differential privacy for location-based systems. In ACM SIGSAC Conference on Computer & Communications Security, pages 901–914. ACM.

Botcrawl Security Reports (2025). Conasems data breach exposes 68,000 users and cpf numbers in major brazilian health sector leak. [link]. Acessado em maio de 2026.

Coelho, K., Okuyama, M., Nogueira, M., Vieira, A., Silva, E., and Nacif, J. (2024). Uma abordagem dinâmica para anonimização de dados de saúde por separatrizes. In Simpósio Brasileiro de Redes de Computadores e Sistemas Distribuídos, pages 826–839, Porto Alegre, RS, Brasil. SBC.

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 Simpósio Brasileiro de Redes de Computadores e Sistemas Distribuídos, pages 742–755, Porto Alegre, RS, Brasil. SBC.

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):1376.

Domingo-Ferrer, J. and Mateo-Sanz, J. M. (2002). Practical data-oriented microaggregation for statistical disclosure control. IEEE Transactions on Knowledge and Data Engineering, 14(1):189–201.

Dwork, C., McSherry, F., Nissim, K., and Smith, A. (2006). Calibrating noise to sensitivity in private data analysis. In Theory of Cryptography Conference (TCC), pages 265–284. Springer.

El Emam, K., Dankar, F. K., Issa, R., Jonker, E., Amyot, D., Cogo, E., Corriveau, J.-P., Walker, M., Chowdhury, S., and Vaillancourt, R. (2011). A systematic review of re-identification attacks on health data. PLOS ONE, 6(12):e28071.

Fraccaro, P., Beukenhorst, A., Sperrin, M., Harper, S., Palmier-Claus, J., Lewis, S., Van der Veer, S. N., and Peek, N. (2019). Digital biomarkers from geolocation data in bipolar disorder and schizophrenia: a systematic review. Journal of the American Medical Informatics Association, 26(11):1412–1420.

GDPR Register (2020). Brazil’s health ministry’s data leak. [link]. Acessado em maio de 2026.

Hoh, B., Gruteser, M., Xiong, H., and Alrabady, A. (2007). Preserving privacy in GPS traces via uncertainty-aware path cloaking. In Proceedings of the 14th ACM Conference on Computer and Communications Security (CCS), pages 161–171. ACM.

Jin, F., Hua, W., Francia, M., Chao, P., Orlowska, M. E., and Zhou, X. (2023). A survey and experimental study on privacy-preserving trajectory data publishing. IEEE Transactions on Knowledge and Data Engineering, 35(6):5577–5596.

Khanfor, A., Ghazzai, H., Yang, Y., and Massoud, Y. (2019). Application of community detection algorithms on social internet-of-things networks. In 2019 31st international conference on microelectronics (ICM), pages 94–97. IEEE.

Krumm, J. (2009). A survey of computational location privacy. Personal and Ubiquitous Computing, 13(6):391–399.

Lin, Y., Shen, Z., and Teng, X. (2021). Review on data sharing in smart city planning based on mobile phone signaling big data. International Review for Spatial Planning and Sustainable Development, 9(2):76–93.

Löbner, S., Tronnier, F., Pape, S., and Rannenberg, K. (2021). Comparison of de-identification techniques for privacy preserving data analysis in vehicular data sharing. In ACM Computer Science in Cars Symposium. ACM.

Machanavajjhala, A., Kifer, D., Gehrke, J., and Venkitasubramaniam, M. (2007). l-diversity: Privacy beyond k-anonymity. In 22nd International Conference on Data Engineering (ICDE), pages 24–35. IEEE.

Majeed, A. and Lee, S. (2021). Anonymization techniques for privacy preserving data publishing: A comprehensive survey. IEEE Access, 9:8512–8545.

Murthy, S., Abu Bakar, A., Abdul Rahim, F., and Ramli, R. (2019). A comparative study of data anonymization techniques. In Intl Conference on Big Data Security on Cloud (BigDataSecurity), pages 306–309.

Narayanan, A. and Shmatikov, V. (2008). Robust de-anonymization of large sparse datasets. In 2008 IEEE Symposium on Security and Privacy, pages 111–125. IEEE.

Park, S., Kim, R., Yoon, H., and Lee, K. (2021). Data privacy in wearable IoT devices: Anonymization and deanonymization. Security and Communication Networks, 2021(1):4973404.

Pimenta, I., Araújo, R., Rodrigues, R., Silveira, M., and Gomes, R. (2025). Anonimização de dados para inteligência artificial usando o algoritmo da tropa dos gorilas. In Simpósio Brasileiro de Redes de Computadores e Sistemas Distribuídos, pages 448–461, Porto Alegre, RS, Brasil. SBC.

Primault, V., Boutet, A., Ben Mokhtar, S., and Brunie, L. (2019). The long road to computational location privacy: A survey. IEEE Communications Surveys & Tutorials, 21(3):2772–2793.

Ribeiro, S. E., Menezes, R. A., Portela, A. L., Araújo, T. P., and Gomes, R. L. (2023). Aplicando redes neurais e análise temporal para predição adaptativa de desempenho de rede. In Simpósio Brasileiro de Redes de Computadores e Sistemas Distribuídos (SBRC), pages 490–503. SBC.

Saito, T. and Rehmsmeier, M. (2015). The precision-recall plot is more informative than the ROC plot when evaluating binary classifiers on imbalanced datasets. PloS ONE, 10(3):e0118432.

Sampaio, S., Sousa, P. R., Martins, C., Ferreira, A., Antunes, L., and Cruz-Correia, R. (2023). Collecting, processing and secondary using personal and (pseudo)anonymized data in smart cities. Applied Sciences, 13(6).

Shokri, R., Theodorakopoulos, G., Le Boudec, J.-Y., and Hubaux, J.-P. (2012). Protecting location privacy: optimal strategy against localization attacks. Proceedings of the ACM CCS, pages 617–627.

Sweeney, L. (2002). k-anonymity: A model for protecting privacy. International Journal of Uncertainty, Fuzziness and Knowledge-Based Systems, 10(5):557–570.

Turgay, S., İlter, İ., et al. (2023). Perturbation methods for protecting data privacy: A review of techniques and applications. Automation and Machine Learning, 4(2):31–41.

Zang, H. and Bolot, J. (2011). Anonymization of location data does not work: A large-scale measurement study. In Proceedings of the 17th Annual International Conference on Mobile Computing and Networking (MobiCom), pages 145–156. ACM.