ODRL Policy Comparison Through Normalisation

Each language version is independently generated for its own context, not a direct translation.

Immagina di avere due librerie enormi, piene di regole scritte su come usare i libri digitali. Alcune regole dicono: "Puoi leggere questo libro se hai più di 18 anni e paghi 10 euro". Altre dicono: "Non puoi leggere questo libro se hai meno di 18 anni, a meno che non sia un mercoledì".

Il problema è che queste regole sono scritte in un linguaggio molto complicato (chiamato ODRL). È come se ogni bibliotecario scrivesse le regole in un modo diverso: uno usa frasi lunghe, un altro usa formule matematiche, un altro ancora usa un mix di "e", "o" e "se".

Se vuoi sapere se la regola del bibliotecario A è uguale a quella del bibliotecario B, o se una regola è più restrittiva dell'altra, devi fare un lavoro da detective che dura ore. È come cercare di capire se due ricette di cucina sono la stessa cosa, quando una è scritta in codice binario e l'altra in geroglifici.

Di cosa parla questo paper?
Gli autori (ricercatori dell'Università di Southampton) hanno inventato un "traduttore magico" che prende tutte queste regole confuse e le trasforma in una forma standardizzata e semplice, chiamata "normalizzazione".

Ecco come funziona, spiegato con un'analogia culinaria:

1. La "Ricetta Scomposta" (Normalizzazione)

Immagina che una regola complessa sia una torta fatta di mille ingredienti mescolati insieme.

Prima: "Se l'età è tra 18 e 65 anni E (sei un cliente VIP O hai pagato 50 euro) E (il giorno non è domenica)".
Dopo il nostro metodo: Scomponiamo la torta. La trasformiamo in una lista di piccole "fette" semplici e distinte.
- Fetta 1: Età tra 18 e 65 + Cliente VIP + Non domenica.
- Fetta 2: Età tra 18 e 65 + Pagato 50 euro + Non domenica.

Ora, invece di avere una torta gigante e confusa, abbiamo una lista ordinata di fette semplici. Se due regole hanno le stesse fette, sono identiche. Se una regola ha una fetta in più, è diversa.

2. Il "Taglio del Coltellino" (Splitting degli intervalli)

A volte le regole parlano di numeri, come "tra 18 e 65 anni".
Immagina di avere due persone che discutono:

Persona A: "Accetto chiunque tra 18 e 65 anni".
Persona B: "Accetto chiunque tra 20 e 40 anni".

È ovvio che la Persona B è inclusa nella Persona A, vero? Ma se le regole sono scritte in modo complicato, il computer potrebbe non vederlo subito.
Il metodo degli autori prende il "coltellino" e taglia l'intervallo 18-65 esattamente nei punti dove l'altra persona fa i suoi tagli (20 e 40).
Così, la regola "18-65" diventa:

18-20
20-40 (qui c'è l'overlap!)
40-65

Ora è facilissimo vedere che la parte "20-40" è comune a entrambi. Non serve più fare calcoli complessi, basta guardare se le "fette" sono uguali.

3. Cancellare le "Regole Contraddittorie" (Permessi vs Divieti)

Spesso le regole hanno sia permessi ("Puoi fare X") che divieti ("Non puoi fare Y").
Immagina un cartello che dice: "Puoi entrare, MA non se hai la giacca rossa".
Il metodo trasforma tutto in un unico tipo di regola. Prende il permesso generale ("Puoi entrare") e lo taglia in pezzi:

Puoi entrare se hai la giacca blu.
Puoi entrare se hai la giacca verde.
Puoi entrare se hai la giacca rossa... MA aspetta! C'è un divieto per la giacca rossa. Quindi cancelliamo questa fetta.

Il risultato finale è una lista pulita di chi può entrare, senza dover dire "puoi entrare, ma non se...". È tutto un elenco di "Sì, puoi entrare se...".

Perché è utile?

Interoperabilità: Se un software è capace di leggere solo regole semplici (solo "puoi fare X"), questo metodo permette di prendere regole complesse e renderle compatibili. È come avere un adattatore universale per le prese elettriche.
Confronto Facile: Invece di confrontare due libri di regole interi, basta confrontare le loro "fette" semplici. Se le fette sono identiche, le regole sono identiche.
Velocità: Anche se il processo di trasformazione richiede un po' di calcolo (specialmente se ci sono molti numeri diversi), una volta fatto, il confronto diventa immediato.

In sintesi

Gli autori hanno creato un modo per prendere le regole digitali caotiche e trasformarle in un linguaggio universale e semplice. È come se avessero preso un groviglio di spaghetti (le regole complesse) e li avessero allineati perfettamente su un piatto, così che chiunque possa vedere subito se due piatti sono uguali o diversi. Questo aiuta i computer a capire meglio le leggi digitali, a rispettare la privacy e a far funzionare insieme software diversi che prima non si parlavano.

Each language version is independently generated for its own context, not a direct translation.

1. Il Problema

Il linguaggio ODRL (Open Digital Rights Language) è diventato lo standard de facto per rappresentare politiche e regolamenti sui diritti digitali. Tuttavia, la sua elevata espressività e complessità comportano due sfide principali:

Eterogeneità e Interoperabilità: A causa della complessità, diversi lavori teorici e strumenti pratici si concentrano su frammenti non interoperabili di ODRL, rendendo difficile l'integrazione tra sistemi.
Difficoltà di Confronto: Politiche semanticamente equivalenti possono essere espresse in modi sintatticamente molto diversi (ad esempio, combinando permessi e proibizioni con vincoli logici complessi). Questo rende il confronto, la verifica di equivalenza, contenimento o sovrapposizione tra politiche estremamente costoso e complesso.

L'obiettivo del lavoro è fornire un approccio sistematico per normalizzare le politiche ODRL in una forma canonica che preservi la semantica originale, semplificando drasticamente il processo di confronto.

2. Metodologia

Gli autori adottano la semantica formale di ODRL definita da Salas et al. [13], che modella le politiche come triple di insiemi di regole (permessi, proibizioni, obblighi) su attributi e valori. La metodologia proposta si basa su un processo di normalizzazione parametrica che trasforma le politiche complesse in componenti minimi.

Il processo di normalizzazione $N(R)$ avviene in due fasi principali:

A. Regularizzazione dei Vincoli (Constraint Regularisation)

Questa fase trasforma i vincoli logici complessi in una Forma Normale Disgiuntiva (DNF) composta esclusivamente da vincoli semplici.

Riformulazione: I vincoli numerici e logici (es. negazioni, disuguaglianze complesse) vengono convertiti in combinazioni di operatori base ( $=, <, >$ ).
Decomposizione: Una regola con vincoli logici complessi (es. $(A \land B) \lor (C \land D)$ ) viene espansa in una disgiunzione di regole semplici (es. $R_1 = A \land B$ , $R_2 = C \land D$ ).
Teorema 1: Viene dimostrato che questa trasformazione preserva la semantica: un evento soddisfa la regola originale se e solo se soddisfa una delle regole semplici risultanti.

B. Divisione degli Intervalli (Interval Constraint Splitting)

Questa è la fase cruciale per garantire che le regole risultanti siano disgiunte (non si sovrappongono).

Concetto: Se due regole hanno intervalli numerici diversi (es. $Age > 18 $e$ Age < 65$), la normalizzazione "taglia" questi intervalli utilizzando tutti i valori costanti (operandi destri) presenti in entrambe le politiche da confrontare.
Algoritmo: L'algoritmo identifica tutti i valori critici (es. 18, 21, 33, 45, 65) e divide gli intervalli originali in sotto-intervalli atomici (es. $(18, 21)$ , $21$, $(21, 33)$ , ecc.).
Risultato: Ogni regola normalizzata diventa una disgiunzione di regole semplici che coprono intervalli atomici non sovrapposti.
Teorema 4: Dimostra che, dopo questa divisione, ogni evento può soddisfare al massimo una regola semplice all'interno della decomposizione di una politica.

C. Gestione di Permessi e Proibizioni

Un risultato chiave è la capacità di trasformare una politica contenente sia permessi che proibizioni in una politica contenente solo permessi (o solo proibizioni, a seconda della semantica di default).

Poiché le regole sono ora disgiunte e normalizzate, è possibile identificare le regole di permesso che sono esattamente coperte dalle regole di proibizione e rimuoverle.
Corollario 6: Una politica $\langle P, F, O \rangle$ (Permessi, Proibizioni, Obblighi) è semanticamente equivalente a una politica $\langle NS(P, V) \setminus NS(F, V), \emptyset, O \rangle$ , dove le proibizioni sono state "sottratte" dai permessi, eliminando la necessità di gestire interazioni complesse tra i due tipi di regole.

3. Contributi Chiave

Algoritmo di Normalizzazione: Sviluppo di un algoritmo formale per calcolare la forma normale delle regole ODRL, decomponendo vincoli logici e dividendo intervalli numerici.
Dimostrazione di Correttezza: Prove formali (Teoremi 1-7) che dimostrano che la normalizzazione preserva la semantica di valutazione delle regole (matching degli eventi).
Semplificazione del Confronto: Riduzione del problema di confronto tra politiche complesse al semplice controllo di identità tra insiemi di regole semplici. Due politiche sono equivalenti se i loro insiemi di regole normalizzate e disgiunte sono identici.
Interoperabilità: La possibilità di convertire politiche complesse in frammenti base di ODRL (solo permessi, vincoli semplici), permettendo a strumenti limitati di elaborare politiche complesse.
Implementazione Prototipale: Fornitura di un'implementazione prototipale che permette di normalizzare e confrontare politiche ODRL.

4. Risultati e Complessità

Correttezza Semantica: È stato provato che l'evento $e$ soddisfa una regola $R$ se e solo se soddisfa una delle regole semplici nella sua forma normalizzata $S(N(R), V)$ .
Complessità Spaziale:
- La dimensione del risultato è esponenziale rispetto al numero di attributi ( $L$ ) e lineare rispetto al numero di valori unici per ciascun attributo ( $|V|$ ).
- Nel caso peggiore (regole con vincoli logici complessi in CNF), la normalizzazione può generare un numero esponenziale di regole ( $O(2^n)$ ).
- Tuttavia, nel caso pratico di confronto tra due politiche, la complessità è gestibile perché si basa sull'intersezione dei valori costanti presenti nelle due politiche.
Efficienza nel Confronto: Una volta normalizzate, il confronto tra due politiche diventa un'operazione di verifica di inclusione o uguaglianza tra insiemi di regole semplici, eliminando la necessità di valutare combinazioni esponenziali di interazioni tra permessi e proibizioni.

5. Significato e Impatto

Questo lavoro risolve un problema fondamentale nell'ecosistema dei diritti digitali: la mancanza di un metodo standardizzato per confrontare politiche semanticamente equivalenti ma sintatticamente diverse.

Interoperabilità degli Strumenti: Permette a strumenti che supportano solo sottoinsiemi semplici di ODRL (es. solo permessi e vincoli di uguaglianza) di lavorare con politiche complesse, trasformandole prima nella loro forma normale.
Verifica di Compliance: Semplifica drasticamente la verifica di conformità (es. rispetto al GDPR), riducendo il problema a un controllo di identità tra regole atomiche.
Fondazione Teorica: Fornisce una base solida per futuri lavori su ragionamento automatico, ottimizzazione di politiche e gestione dinamica dei diritti digitali, chiarendo come gestire le interazioni tra permessi e proibizioni in modo deterministico.

In sintesi, l'approccio proposto trasforma la complessità logica delle politiche ODRL in una struttura algebrica semplice e disgiunta, rendendo il confronto e l'analisi delle politiche computazionalmente trattabili e semanticamente rigorosi.