Browsing by Author "Marques, David Miguel Coutinho"
Now showing 1 - 1 of 1
Results Per Page
Sort Options
- Técnicas de encriptação e anonimização para Big DataPublication . Marques, David Miguel Coutinho; Pereira, Ana Maria Dias MadureiraO objetivo desta dissertação é investigar várias estratégias que podem ser utilizadas para encriptar e ocultar as identidades em grandes dados (Big Data). Uma vez que os sistemas de Big Data estão a tornar-se mais predominantes numa vasta gama de indústrias, a proteção da confidencialidade dos dados sensíveis tem surgido como uma das preocupações mais prementes nos dias de hoje. A encriptação e a anonimização de dados são duas formas típicas utilizadas para preservar a privacidade dos dados em contextos que fazem uso intensivo de Big Data. Esta dissertação começa com uma visão exaustiva e análise detalhada dos diferentes métodos de encriptação e de anonimização que são amplamente utilizados na área de Big Data. Nesta visão geral, tanto os métodos clássicos de encriptação como a encriptação simétrica e assimétrica, assim como as estratégias modernas de encriptação como a encriptação homomorphic e a encriptação baseada em atributos, são discutidos em detalhe. De forma semelhante, uma grande variedade de estratégias de anonimização, tais como k-anonymity, l-diversity, e t-closeness, são examinadas em pormenor. Após a conclusão da avaliação, estas estratégias de encriptação e anonimização são analisa das e contrastadas, tendo em consideração os seus benefícios, inconvenientes e aplicabilidade a uma variedade de situações de Big Data. No decurso da investigação, são considerados fatores como a sobrecarga computacional, a utilidade dos dados, e a resistência ao ataque. Além disso, a dissertação contém uma secção prática na qual as técnicas de encriptação e de anonimização escolhidas são implementadas e avaliadas num conjunto de dados de Big Data. A avaliação inclui métricas de desempenho tais como tempo de encriptação/desencriptação de dados, perda de dados durante a anonimização, e a capacidade da anonimização para preservar a utilidade dos dados. Os resultados desta dissertação contribuem para um melhor conhecimento das estratégias de encriptação e anonimização de Big Data, e também dão aos investigadores e profissionais informações sobre como escolher as abordagens mais adequadas para proteger dados sensí veis em ambientes que utilizam de Big Data. Ao considerar estratégias de encriptação e de anonimização para uma variedade de casos de utilizam Big Data, os resultados ressaltam a importância de encontrar um equilíbrio adequado entre a proteção de dados e o seu potencial uso.