Privacy as Permissible Operations: An ABAC Framework for Policy-Law Compliance

A continuación presento un resumen técnico detallado del artículo "Privacy as Permissible Operations: An ABAC Framework for Policy–Law Compliance" (Privacidad como Operaciones Permisibles: Un Marco ABAC para el Cumplimiento de Políticas-Ley), escrito por Ajay Dhakar, Arunesh Sinha y Shamik Sural.

1. Planteamiento del Problema

En la era digital, los usuarios interactúan diariamente con aplicaciones y sitios web que requieren la aceptación de políticas de privacidad antes de acceder a servicios. Sin embargo, existen dos problemas críticos:

1. Incomprensión del Usuario: Los usuarios a menudo no comprenden el lenguaje legal complejo de las políticas de privacidad ni las implicaciones de aceptarlas.
2. Brecha de Cumplimiento: No existe una verificación eficiente y automatizada para asegurar que las políticas de privacidad de las empresas cumplan realmente con las leyes de protección de datos vigentes (como el GDPR, CCPA o, en este caso, la Ley de Protección de Datos Personales Digitales (DPDP) de la India).

El desafío técnico radica en traducir textos legales y políticas de privacidad (escritos en lenguaje natural con matices contextuales) a una representación unificada y verificable por máquinas para determinar si una operación sobre datos personales es permisible en un contexto dado.

2. Metodología: El Marco APLiance

Los autores proponen APLiance (ABAC framework for Policy–Law Compliance), un marco novedoso que modela el cumplimiento normativo mediante Control de Acceso Basado en Atributos (ABAC).

Conceptos Fundamentales

• Modelado de la Ley como Reglas ABAC: Los requisitos legales de la Ley DPDP se formalizan como un conjunto de reglas de acceso basadas en atributos. Una decisión de acceso (permitir o denegar) se toma evaluando atributos del sujeto, objeto, acción y contexto ambiental.
• Modelado de la Política como Solicitudes de Acceso: Las cláusulas de una política de privacidad se interpretan como una secuencia de solicitudes de acceso implícitas que la empresa pretende realizar sobre los datos del usuario.
• Verificación de Cumplimiento: El cumplimiento se reduce a un problema de decisión preciso: ¿Las solicitudes de acceso especificadas en la política están permitidas por las reglas derivadas de la ley? Si la política permite una operación que la ley deniega, hay una violación.

Arquitectura del Sistema

El sistema opera en tres etapas principales:

1. Extracción de Atributos (LLM): Dado que las políticas son texto no estructurado, se utiliza un Modelo de Lenguaje Grande (LLM) para extraer valores de "atributos base" directamente del texto de la política.
   • Atributos Base: Valores extraídos directamente (ej. "¿Se ofrece servicio en India?", "¿El consentimiento es informado?").
   • Atributos Derivados: Calculados lógicamente a partir de los base mediante reglas (ej. "¿El aviso de consentimiento está bien formado?").
   • Atributos Desconocidos: Valores no especificados en la política que pueden tomar cualquier valor válido (se evalúa el peor escenario).
2. Motor de Reglas: Un motor evalúa los atributos extraídos contra las reglas formales codificadas de la Ley DPDP (secciones 1 a 7, que cubren consentimiento y procesamiento).
3. Evaluación y Reporte: El sistema determina si la política es "Compliant" (Cumplidora) o "Non-Compliant" (No Cumplidora) y genera un informe de violaciones específicas.

Implementación Práctica

Se desarrolló una extensión de navegador que permite a los usuarios verificar en tiempo real el cumplimiento de la Ley DPDP de la India al visitar la página de política de privacidad de un sitio web. La extensión envía el texto de la política a un backend que ejecuta la inferencia del LLM y la evaluación de reglas.

3. Contribuciones Clave

1. Primera Verificación de la Ley DPDP: Es el primer trabajo que aborda el cumplimiento de la Ley de Protección de Datos Personales Digitales de la India.
2. Formalización ABAC Unificada: Propone un marco donde tanto la ley como la política se modelan bajo la misma lógica ABAC, facilitando el análisis y la explicabilidad.
3. Uso Estructurado de LLMs: Utiliza LLMs no para tomar la decisión final, sino para la extracción precisa de atributos dentro de un esquema fijo, combinando la flexibilidad del lenguaje natural con la rigidez de las reglas lógicas.
4. Herramienta de Tiempo Real: Desarrollo y lanzamiento público de una extensión de navegador para verificación en vivo.

4. Resultados Experimentales

Los autores evaluaron el sistema con un conjunto de datos de 25 políticas de privacidad reales de diversos sectores (e-commerce, redes sociales, noticias), generando 400 pares (política, atributo) para su evaluación.

• Rendimiento General: APLiance logró una precisión del 95% y una recall del 96% en la clasificación de atributos base.
• Análisis por Política: La mayoría de las políticas superaron el 93% de precisión en la clasificación de atributos.
• Hallazgos de Cumplimiento:
  • Ninguna de las 25 políticas analizadas cumplió totalmente con la Ley DPDP.
  • Principales Causas de Fallo:
    1. Idiomas: Ninguna política ofrecía avisos en todos los idiomas de la Octava Lista de la Constitución de la India (requisito de la ley).
    2. Mecanismos de Queja: La mayoría no especificaba cómo presentar quejas ante la Junta de Protección de Datos.
    3. Consentimiento Implícito: Muchas políticas asumían consentimiento por el uso del servicio, violando el requisito de "acción afirmativa clara".
    4. Retirada de Consentimiento: El proceso para retirar el consentimiento era a menudo más complejo que para darlo, violando la ley.
• Estudio de Ablación: Se comparó APLiance con una "instrucción directa" (prompting directo) al LLM. APLiance superó al prompting directo, especialmente en atributos complejos como "consentimiento unívoco" (64% vs 52% de precisión), demostrando que la descomposición en atributos estructurados reduce la ambigüedad.

5. Significado e Impacto

El trabajo de Dhakar et al. es significativo por varias razones:

• Cierre de la Brecha Legal-Técnica: Proporciona un método formal para traducir leyes de privacidad en reglas ejecutables por máquina, superando la barrera del lenguaje natural.
• Adaptabilidad: Aunque se centra en la Ley DPDP de la India, el marco es genérico y puede adaptarse a otras leyes (GDPR, CCPA) redefiniendo las reglas ABAC.
• Transparencia para el Usuario: La extensión de navegador empodera a los usuarios finales, permitiéndoles entender rápidamente si una empresa cumple con la ley, algo que antes requería expertos legales.
• Validación de la Enfoque Híbrido: Demuestra que combinar la extracción de información de LLMs con la verificación lógica de reglas (ABAC) es superior a confiar únicamente en la inferencia de modelos de lenguaje para tareas críticas de cumplimiento normativo.

En conclusión, APLiance establece un nuevo estándar para la auditoría automatizada de privacidad, transformando el cumplimiento legal de un proceso manual y subjetivo a uno sistemático, verificable y escalable.