ODRL Policy Comparison Through Normalisation

O artigo propõe uma abordagem de normalização parametrizada baseada em semântica formal para transformar políticas ODRL complexas em uma forma normal mínima e exclusiva de permissões, permitindo a comparação direta de políticas através da verificação de identidade sintática enquanto preserva a semântica original.

O essencial

Imagine que o ODRL (Open Digital Rights Language) é como uma linguagem universal para escrever as "regras do jogo" da internet. É o que define quem pode ver o que, quem pode baixar um arquivo, quem pode editar um documento e sob quais condições.

O problema é que essa linguagem é muito complexa. É como se cada pessoa escrevesse uma regra de trânsito de um jeito diferente:

• Um diz: "Pode passar se for segunda-feira e o carro for vermelho."
• Outro diz: "Pode passar se o carro for vermelho, desde que não seja terça-feira, ou se for segunda-feira e o carro for azul."

Embora essas regras possam significar a mesma coisa na prática, para um computador, elas parecem totalmente diferentes. Isso torna difícil comparar regras, verificar se duas são iguais ou se uma está dentro da outra. É como tentar comparar dois mapas desenhados à mão de formas diferentes para ver se eles mostram o mesmo lugar.

Os autores deste artigo, Jaime, Paolo e George, propuseram uma solução genial: Normalização.

A Metáfora do "Desmontar e Organizar"

Pense na normalização como um processo de desmontar um brinquedo complexo em suas peças básicas e depois reorganizá-lo de um jeito padronizado.

O processo deles tem dois passos principais:

1. Traduzir para "Linguagem Simples" (Regularização)

Imagine que você tem uma regra confusa com muitas "se", "e" e "ou".

• Regra original: "Se você tiver mais de 18 anos E pagar 10 euros, OU se tiver menos de 18 anos E pagar 5 euros, pode entrar."
• O que o algoritmo faz: Ele quebra essa regra complexa em duas regras simples e separadas:
  1. "Se você tem mais de 18 anos E paga 10 euros, pode entrar."
  2. "Se você tem menos de 18 anos E paga 5 euros, pode entrar."

Agora, em vez de uma lógica complicada, temos uma lista de regras diretas. É como transformar um parágrafo cheio de vírgulas em uma lista de compras clara.

2. Cortar o "Bolo" em Fatias Exatas (Divisão de Intervalos)

Aqui entra a parte mais inteligente. Imagine que as regras são faixas de tempo ou faixas de idade.

• Regra A: "Permitido para idade entre 18 e 65 anos."
• Regra B: "Permitido para idade entre 21 e 45 anos."

Para um computador, comparar "18 a 65" com "21 a 45" é chato. Mas o algoritmo olha para os números que aparecem nas regras (18, 21, 45, 65) e corta o "bolo" em fatias minúsculas baseadas nesses números.
A Regra A deixa de ser "18 a 65" e vira uma lista de fatias: "18 a 21", "21 a 45", "45 a 65".
A Regra B vira: "21 a 45".

Agora, a comparação é fácil! Você só precisa olhar para as fatias. Se a Regra B tem a fatia "21 a 45", e a Regra A também tem essa fatia exata, você sabe que elas se sobrepõem. Se a Regra B fosse inteiramente composta por fatias que a Regra A também tem, então a Regra B está "dentro" da Regra A.

Por que isso é um superpoder?

1. Igualdade Perfeita: Antes, comparar duas regras era como tentar adivinhar se dois quebra-cabeças montados de formas diferentes eram iguais. Agora, o algoritmo desmonta os dois em peças soltas. Se as peças soltas forem as mesmas, as regras são iguais.
2. Fim das Proibições Confusas: O artigo mostra que, com essa técnica, você pode transformar regras que dizem "Pode fazer X, MAS não se for Y" em apenas regras de "Pode fazer X" (com condições específicas). É como transformar uma lista de "O que NÃO fazer" em uma lista clara de "O que PODE fazer". Isso simplifica muito a vida dos sistemas de segurança.
3. Interoperabilidade: Ferramentas diferentes de software podem conversar entre si. Uma ferramenta que só entende regras simples pode agora trabalhar com regras complexas, porque o algoritmo traduziu tudo para a "língua simples" antes de passar para a ferramenta.

O Resumo da Ópera

Os autores criaram um "tradutor universal" e um "organizador de caixas" para as regras digitais. Eles pegam regras complexas, cheias de lógica e intervalos confusos, e as transformam em uma lista de regras simples, pequenas e não sobrepostas.

Isso permite que computadores verifiquem instantaneamente se duas regras são iguais, se uma é mais restritiva que a outra, ou se elas entram em conflito, sem precisar de supercomputadores ou horas de processamento. É como transformar um labirinto de regras em uma linha reta onde você só precisa olhar para frente para ver se o caminho está livre.

Resumo técnico

Resumo Técnico: Comparação de Políticas ODRL através de Normalização

Autores: Jaime Osvaldo Salas, Paolo Pareti e George Konstantinidis (Universidade de Southampton, Reino Unido).

1. O Problema

A linguagem ODRL (Open Digital Rights Language) tornou-se o padrão de facto para representar políticas e regulamentos de direitos digitais. No entanto, sua alta expressividade e complexidade criam barreiras significativas:

• Heterogeneidade de Interpretação: Diferentes ferramentas e trabalhos teóricos utilizam fragmentos incompatíveis do ODRL, dificultando a interoperabilidade.
• Dificuldade de Comparação: Políticas semanticamente equivalentes podem ser expressas de inúmeras formas sintáticas diferentes. Isso torna a comparação, verificação de equivalência, contenção ou sobreposição entre políticas um problema computacionalmente complexo e propenso a erros.
• Lógica Complexa: Políticas frequentemente contêm combinações booleanas complexas de restrições (lógicas, numéricas, intervalos), que dificultam a verificação direta de conformidade.

2. Metodologia

Os autores propõem uma abordagem baseada em normalização parametrizada de políticas ODRL para seus componentes mínimos. O processo baseia-se na semântica definida por Salas et al. [13] (focada no fragmento ODRL Lite) e opera sob a premissa de semântica de mundo fechado.

O processo de normalização envolve duas etapas principais:

1. Regularização de Restrições (Constraint Regularisation):

   • Converte restrições complexas (booleanas, negações, desigualdades) em uma Forma Normal Disjuntiva (DNF).
   • Reformula operadores lógicos e numéricos para um conjunto mínimo de operadores (=, <, >).
   • O resultado é a decomposição de uma regra complexa em um conjunto de regras simples (conjunções de restrições atômicas).

2. Divisão de Intervalos (Interval Constraint Splitting):

   • Para lidar com restrições numéricas (ex: idade entre 18 e 65), o algoritmo "divide" os intervalos definidos em uma regra com base nos valores constantes (operandos à direita) encontrados em outras regras a serem comparadas.
   • Isso garante que os intervalos resultantes sejam disjuntos (não se sobrepõem) e alinhados com os pontos de corte definidos pelos valores constantes das políticas comparadas.
   • Exemplo: Se uma regra cobre (18, 65) e outra menciona o valor 33, a primeira regra é dividida em (18, 33), 33 e (33, 65).

Tratamento de Permissões e Proibições:
Um dos pontos centrais é a capacidade de reformular políticas que contêm tanto permissões quanto proibições em políticas contendo apenas permissões (assumindo "proibição por padrão") ou apenas proibições.

• O algoritmo normaliza permissões e proibições separadamente.
• Se uma regra de permissão e uma de proibição forem idênticas após a normalização (ou se a proibição cobrir um subconjunto exato da permissão), elas podem ser canceladas.
• O resultado final é um conjunto de regras disjuntas e puras, onde a verificação de conformidade se resume a verificar se um evento corresponde a uma regra específica, sem necessidade de avaliar interações complexas entre permissões e proibições.

3. Contribuições Principais

• Algoritmos de Normalização: Definição formal e implementação de algoritmos para calcular a forma normal de políticas ODRL, decompondo regras complexas em componentes atômicos e dividindo intervalos numéricos.
• Prova de Preservação Semântica: Demonstração teórica de que as transformações realizadas preservam a semântica original das políticas (um evento corresponde à regra original se e somente se corresponder a uma das regras normalizadas).
• Simplificação da Comparação: Redução do problema complexo de comparação de políticas para a verificação simples de identidade entre regras simples.
  • Sobreposição (Overlap): Duas regras se sobrepõem se e somente se suas formas normalizadas compartilharem uma regra simples idêntica.
  • Contenção e Equivalência: Podem ser decididas verificando se o conjunto de regras simples de uma política é um subconjunto ou igual ao da outra.
• Implementação de Protótipo: Desenvolvimento de uma ferramenta de linha de comando que permite a normalização e comparação de políticas ODRL.

4. Resultados e Análise de Complexidade

• Corretude: Os teoremas provam que a normalização preserva a validade do estado do mundo em relação à política.
• Complexidade de Tamanho:
  • O tamanho do resultado da normalização é exponencial em relação ao número de atributos (restrições lógicas) e linear em relação ao número de valores únicos para esses atributos.
  • No pior caso (decomposição booleana), o número de regras pode crescer como $O(2^n)$, onde $n$ é o número de restrições.
  • A divisão de intervalos é polinomial no número de valores, mas exponencial no número de atributos distintos.
• Interoperabilidade: A abordagem permite que ferramentas que suportam apenas restrições simples e um único tipo de regra (apenas permissões) possam processar políticas originalmente complexas, facilitando a integração entre sistemas.

5. Significado e Impacto

Este trabalho resolve um problema fundamental na gestão de direitos digitais: a dificuldade de verificar a conformidade e a equivalência de políticas devido à sua complexidade sintática.

• Padronização: Oferece uma base comum para comparar políticas, independentemente de como foram originalmente escritas.
• Eficiência na Verificação: Transforma problemas de lógica complexa em verificações de igualdade de conjuntos, tornando a verificação de conformidade (compliance) mais eficiente e menos propensa a erros humanos.
• Aplicabilidade Prática: A capacidade de eliminar proibições redundantes ou convertê-las em permissões explícitas simplifica a implementação de sistemas de controle de acesso e auditoria de privacidade (como GDPR).

Em suma, o artigo fornece as fundações teóricas e práticas para tornar o ODRL mais utilizável, interoperável e verificável, transformando políticas complexas em representações canônicas e comparáveis.