Differenze tra le versioni di "Scheletro - Progettazione e realizzazione di un servizio web per il trattamento dei dati personali contenuti in documenti OOXML complessi"
Da Wikis.
m (→La problematica del trattamento dei dati personali) |
|||
| Riga 3: | Riga 3: | ||
==La problematica del trattamento dei dati personali== | ==La problematica del trattamento dei dati personali== | ||
| − | + | #Introduzione all'argomento, con riferimenti alle normative sulla privacy vigenti (GDPR) | |
| − | # | + | #Esemplificazione degli enti coinvolti (aziende, scuole, studi legali ect.) e dei documenti che necessitano di anonimizzazione o pseudonimizzazione |
==Scenario di lavoro== | ==Scenario di lavoro== | ||
| − | + | #Breve accenno al confronto e alla collaborazione con AFA Systems | |
| − | + | #Descrizione di ciò che AFA Systems vorrebbe: web tool, destinato all'uso degli enti prima citati, tramite il quale anonimizzare o pseudonimizzare documenti. In particolare, verrà posta attenzione sul trattamento di nomi e cognomi, i quali saranno anonimizzati. Si sottolinea, in via preliminare, che le specifiche stesse risultano molto vaghe e dovranno essere opportunamente definite | |
=Definizione delle specifiche= | =Definizione delle specifiche= | ||
| − | ==Analisi dell' | + | ==Analisi dell'usabilità== |
===Nominativi forniti in input=== | ===Nominativi forniti in input=== | ||
| − | + | #Vantaggi e svantaggi nel caso in cui i nominativi siano forniti in input dall'utente | |
===Impiego di dizionari=== | ===Impiego di dizionari=== | ||
| − | + | #Vantaggi e svantaggi nel caso in cui il documento venga trattato con l'ausilio di un dizionario (valutazioni sulla possibila struttura del dizionari: se contenente nomi, cognomi o entrambi, se contenente nomi/cognomi stranieri ect.; valutazione sui criteri di ricerca (conviene ricercare i termini del documento nel dizionario o viceversa?) ect. ); in particolare si argomenterà la scelta di usare un singolo dizionario contente soltanto nomi (anche stranieri) | |
===Soluzione ibrida adottata=== | ===Soluzione ibrida adottata=== | ||
| − | + | #Illustrazione di una soluzione ibrida che applica entrambe le strategie: vengono individuati i nominativi contenuti nel documento fornito in input, in seguito viene chiesto all'utente quali nominativi tra quelli individuati desidera trattare e se eventualmente vuole indicarne degli altri, infine il documento viene elaborato e i nominativi indicati anonimizzati | |
==Analisi linguistica e della struttura dei documenti== | ==Analisi linguistica e della struttura dei documenti== | ||
| − | === | + | ===Ambiguità linguistiche=== |
| − | + | #Esemplificazione delle ambiguità linguistiche (omonimia totale o parziale dei nominativi, nomi/cognomi identificabili anche come lessico quotidiano, range di variabilita' con il quale un nominativo puo' comparire ect.), commenti sul come sia difficile trattare con un automa queste ambiguità (caso limite: antinomie) | |
| − | + | #Motivazione di adottare una soluzione pattern-based per il riconoscimento dei nominativi, con cenni su una possibile alternativa applicabile basata su tecniche di Text Analysis e relativi vantaggi e svantaggi | |
| + | #Definizione dei pattern associati dei nominativi, sottolineando le differenze tra i pattern corrispondenti ai nominativi inseriti dall'utente e quelli individuati dal dizionario, con accurate valutazioni per il trattamento delle ambiguità. | ||
| − | ===Formattazione=== | + | ===Formattazione dei documenti=== |
| − | + | #Esemplificazioni di formattazioni possibili: grassetto, corsivo, tabelle, elenchi, titoli, note a pià pagina (ect.) | |
| − | + | #Definizione dei pattern dei nominativi sulla base degli elementi di formattazione del documento | |
==Scelta dei formati da trattare== | ==Scelta dei formati da trattare== | ||
| − | + | #Introduzione: è buona prassi che il documento sia pseudonimizzato il prima possibile, per evitare che i dati in chiaro circolino in rete, quindi le persone alle quali è rivolto il servizio sono le stesse che si occupano di redigere il documento: esse possono quindi decidere il formato del documento. Risulta quindi ragionevole quindi lavorare su un unico formato | |
| − | + | #Confronto formati di testo con approfondita argomentazione e scelta del formato OOXML Document (DOCX) | |
==Privacy by design== | ==Privacy by design== | ||
| − | + | #Illustrazione di come il principio influenzi l'architettura dell'applicazione, con commenti su scenari critici (interruzione della comunicazione, blackout ect.), gestione dei file temporanei e delle schermate di interazione con l'utente (ad esempio, per iniziare una nuova anonimizzazione viene aperta una nuova scheda del browser, nel momento in cui l'utente chiude la scheda il file da lui caricato e ogni dato connesso vengono rimossi. In questo modo, informando l'utente di tale procedura, esso potrà avere pieno controllo sui propri documenti) | |
| − | == | + | =Architettura LAMP= |
| + | |||
| + | ==I componenti software== | ||
| + | |||
| + | #Linux, Apache, MySql, Php e possibili varianti (ad es. Phyton, Perl ect.), confronti con tecnologie java per web | ||
| + | |||
| + | ==Single responsability principle== | ||
| + | |||
| + | #Suddivisione delle responsabilità: il programma java dovrà occuparsi della logica applicativa (logica di business) e della gestione dei dati, lo script php dovrà curare l'interazione con l'utente | ||
| + | #Vantaggio: libera realizzazione di nuove interfaccie indipendenti dalla logica di business (la quale fornisce delle API ben precise (?)) | ||
| + | #Problematiche di rilievo: invocazioni concorrenti (nomi dei file) [vedere server apache quante script php lancia, modello di esecuzione] | ||
=Approfondimenti tecnologici= | =Approfondimenti tecnologici= | ||
| + | |||
| + | ==Ottimizzazione del dizionario== | ||
| + | |||
| + | #Studio di un semplice algoritmo di machine learning per ottimizzazioni sulla base di criteri di frequenza e ultima apparizione rilevata dei nominativi e per l'apprendimento di nuovi nominativi. | ||
| + | #Valutazione sulle implicazioni relative agli accessi concorrenti in scrittura al dizionario e contromisure necessarie (ad es. semafori) | ||
| + | #Valutazioni sulle conseguenze portate dall'inserimento di nominativi errati [si può controllare che il documento lo contenga effettivamente] o di input malevoli | ||
==Analisi della struttura dei formati W3C OOXML== | ==Analisi della struttura dei formati W3C OOXML== | ||
| − | + | #Descrizione preliminare dei punti salienti del formato | |
| − | + | #Ideazione di una navigazione ed elaborazione bottom-up del file xml principale del docx, valutazione e analisi della complessità introdotta dai vari nodi xml e traduzione dell'analisi svolta in nuove specifiche | |
==La libreria in ambiente java open source Docx4j== | ==La libreria in ambiente java open source Docx4j== | ||
| − | + | #Potenzialità e astrazione della libreria | |
| − | + | #Riferimenti allo standard W3C XPath e alcune altre osservazioni rilevanti su Docx4j | |
| + | |||
| + | ==Curiosità== | ||
| − | + | #Illustrazione di alcuni accorgimenti interessanti fatti durante lo sviluppo della tesi: wikis come piattaforma di revisione e documentazione, funzionalità meno note ai più di Github, semplici tool a riga di comando in ambiente linux per la velocizzazione dello sviluppo realizzati da me | |
=Sviluppi futuri= | =Sviluppi futuri= | ||
| − | == | + | ==Ulteriore ottimizzazione dei dizionari== |
| − | + | #Valutazione sulla necessità di ottimizzazione del dizionario sulla base di caratteristiche dei documenti trattati (es. lunghezza, se contengono solo tabelle o solo testo o entrambe ect.) o sulla loro tipologia (elenchi di studenti, atti di tribunale ect.) | |
| − | |||
==Valuazione di altri pattern== | ==Valuazione di altri pattern== | ||
| − | + | #Il rischio della re-identificazione, con valutazione di risultati scentifici sperimentali, ulteriore argomentazione a supporto di un dizionario di soli nomi (maggiore privacy) | |
| − | + | #Altri dati personali trattabili: date e luoghi di nascita, indirizzi, email, numeri di telefono, sesso ect. | |
| − | + | #introdurre funzionalità per la pseudonimizzazione dei documenti (es. Amorosa Lorenzo -> Amorosa L.) | |
Versione delle 10:48, 9 set 2019
Indice
Introduzione
La problematica del trattamento dei dati personali
- Introduzione all'argomento, con riferimenti alle normative sulla privacy vigenti (GDPR)
- Esemplificazione degli enti coinvolti (aziende, scuole, studi legali ect.) e dei documenti che necessitano di anonimizzazione o pseudonimizzazione
Scenario di lavoro
- Breve accenno al confronto e alla collaborazione con AFA Systems
- Descrizione di ciò che AFA Systems vorrebbe: web tool, destinato all'uso degli enti prima citati, tramite il quale anonimizzare o pseudonimizzare documenti. In particolare, verrà posta attenzione sul trattamento di nomi e cognomi, i quali saranno anonimizzati. Si sottolinea, in via preliminare, che le specifiche stesse risultano molto vaghe e dovranno essere opportunamente definite
Definizione delle specifiche
Analisi dell'usabilità
Nominativi forniti in input
- Vantaggi e svantaggi nel caso in cui i nominativi siano forniti in input dall'utente
Impiego di dizionari
- Vantaggi e svantaggi nel caso in cui il documento venga trattato con l'ausilio di un dizionario (valutazioni sulla possibila struttura del dizionari: se contenente nomi, cognomi o entrambi, se contenente nomi/cognomi stranieri ect.; valutazione sui criteri di ricerca (conviene ricercare i termini del documento nel dizionario o viceversa?) ect. ); in particolare si argomenterà la scelta di usare un singolo dizionario contente soltanto nomi (anche stranieri)
Soluzione ibrida adottata
- Illustrazione di una soluzione ibrida che applica entrambe le strategie: vengono individuati i nominativi contenuti nel documento fornito in input, in seguito viene chiesto all'utente quali nominativi tra quelli individuati desidera trattare e se eventualmente vuole indicarne degli altri, infine il documento viene elaborato e i nominativi indicati anonimizzati
Analisi linguistica e della struttura dei documenti
Ambiguità linguistiche
- Esemplificazione delle ambiguità linguistiche (omonimia totale o parziale dei nominativi, nomi/cognomi identificabili anche come lessico quotidiano, range di variabilita' con il quale un nominativo puo' comparire ect.), commenti sul come sia difficile trattare con un automa queste ambiguità (caso limite: antinomie)
- Motivazione di adottare una soluzione pattern-based per il riconoscimento dei nominativi, con cenni su una possibile alternativa applicabile basata su tecniche di Text Analysis e relativi vantaggi e svantaggi
- Definizione dei pattern associati dei nominativi, sottolineando le differenze tra i pattern corrispondenti ai nominativi inseriti dall'utente e quelli individuati dal dizionario, con accurate valutazioni per il trattamento delle ambiguità.
Formattazione dei documenti
- Esemplificazioni di formattazioni possibili: grassetto, corsivo, tabelle, elenchi, titoli, note a pià pagina (ect.)
- Definizione dei pattern dei nominativi sulla base degli elementi di formattazione del documento
Scelta dei formati da trattare
- Introduzione: è buona prassi che il documento sia pseudonimizzato il prima possibile, per evitare che i dati in chiaro circolino in rete, quindi le persone alle quali è rivolto il servizio sono le stesse che si occupano di redigere il documento: esse possono quindi decidere il formato del documento. Risulta quindi ragionevole quindi lavorare su un unico formato
- Confronto formati di testo con approfondita argomentazione e scelta del formato OOXML Document (DOCX)
Privacy by design
- Illustrazione di come il principio influenzi l'architettura dell'applicazione, con commenti su scenari critici (interruzione della comunicazione, blackout ect.), gestione dei file temporanei e delle schermate di interazione con l'utente (ad esempio, per iniziare una nuova anonimizzazione viene aperta una nuova scheda del browser, nel momento in cui l'utente chiude la scheda il file da lui caricato e ogni dato connesso vengono rimossi. In questo modo, informando l'utente di tale procedura, esso potrà avere pieno controllo sui propri documenti)
Architettura LAMP
I componenti software
- Linux, Apache, MySql, Php e possibili varianti (ad es. Phyton, Perl ect.), confronti con tecnologie java per web
Single responsability principle
- Suddivisione delle responsabilità: il programma java dovrà occuparsi della logica applicativa (logica di business) e della gestione dei dati, lo script php dovrà curare l'interazione con l'utente
- Vantaggio: libera realizzazione di nuove interfaccie indipendenti dalla logica di business (la quale fornisce delle API ben precise (?))
- Problematiche di rilievo: invocazioni concorrenti (nomi dei file) [vedere server apache quante script php lancia, modello di esecuzione]
Approfondimenti tecnologici
Ottimizzazione del dizionario
- Studio di un semplice algoritmo di machine learning per ottimizzazioni sulla base di criteri di frequenza e ultima apparizione rilevata dei nominativi e per l'apprendimento di nuovi nominativi.
- Valutazione sulle implicazioni relative agli accessi concorrenti in scrittura al dizionario e contromisure necessarie (ad es. semafori)
- Valutazioni sulle conseguenze portate dall'inserimento di nominativi errati [si può controllare che il documento lo contenga effettivamente] o di input malevoli
Analisi della struttura dei formati W3C OOXML
- Descrizione preliminare dei punti salienti del formato
- Ideazione di una navigazione ed elaborazione bottom-up del file xml principale del docx, valutazione e analisi della complessità introdotta dai vari nodi xml e traduzione dell'analisi svolta in nuove specifiche
La libreria in ambiente java open source Docx4j
- Potenzialità e astrazione della libreria
- Riferimenti allo standard W3C XPath e alcune altre osservazioni rilevanti su Docx4j
Curiosità
- Illustrazione di alcuni accorgimenti interessanti fatti durante lo sviluppo della tesi: wikis come piattaforma di revisione e documentazione, funzionalità meno note ai più di Github, semplici tool a riga di comando in ambiente linux per la velocizzazione dello sviluppo realizzati da me
Sviluppi futuri
Ulteriore ottimizzazione dei dizionari
- Valutazione sulla necessità di ottimizzazione del dizionario sulla base di caratteristiche dei documenti trattati (es. lunghezza, se contengono solo tabelle o solo testo o entrambe ect.) o sulla loro tipologia (elenchi di studenti, atti di tribunale ect.)
Valuazione di altri pattern
- Il rischio della re-identificazione, con valutazione di risultati scentifici sperimentali, ulteriore argomentazione a supporto di un dizionario di soli nomi (maggiore privacy)
- Altri dati personali trattabili: date e luoghi di nascita, indirizzi, email, numeri di telefono, sesso ect.
- introdurre funzionalità per la pseudonimizzazione dei documenti (es. Amorosa Lorenzo -> Amorosa L.)