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

Resumo Técnico: APLiance

1. O Problema

Com o aumento global de leis de proteção de dados (como GDPR, CCPA e, mais recentemente, a Lei de Proteção de Dados Pessoais Digitais (DPDP) da Índia), torna-se crítico que as políticas de privacidade das empresas estejam em conformidade com os requisitos legais. No entanto, existem desafios significativos:

• Complexidade Linguística: As leis são escritas em linguagem natural complexa, enquanto as políticas de privacidade variam em estrutura e terminologia.
• Dificuldade de Verificação: Usuários e reguladores têm dificuldade em verificar se os termos de uma política específica violam ou atendem a uma lei específica.
• Falta de Ferramentas para a DPDP: Embora existam trabalhos sobre conformidade para GDPR e CCPA, não havia nenhuma solução automatizada para a nova Lei DPDP da Índia (promulgada em 2023).
• Abstração vs. Implementação: Traduzir requisitos legais abstratos em representações verificáveis por máquina é um desafio técnico não resolvido.

2. Metodologia: O Framework APLiance

Os autores propõem o APLiance (ABAC framework for Policy–Law Compliance), uma abordagem que modela a conformidade como um problema de Controle de Acesso Baseado em Atributos (ABAC). A ideia central é transformar a verificação de conformidade em uma decisão lógica: "As solicitações de acesso implícitas na política de privacidade são permitidas pelas regras derivadas da lei?".

Arquitetura do Sistema:

1. Modelagem da Lei (Regras ABAC):

   • A lei (DPDP) é formalizada como um conjunto de regras de decisão baseadas em atributos.
   • Define-se um esquema de atributos dividido em três categorias:
     • Atributos Base: Valores extraídos diretamente do texto da política (ex: "o consentimento é informado?", "há mecanismo de retirada?").
     • Atributos Derivados: Valores calculados a partir de regras lógicas aplicadas aos atributos base (ex: "consentimento_precondicoes_atendidas").
     • Atributos Desconhecidos: Fatos de tempo de execução que não estão na política (ex: "tempo razoável decorrido desde a retirada do consentimento").
   • O sistema avalia a admissibilidade de uma operação de dados considerando todos os valores possíveis para atributos desconhecidos. Se houver qualquer cenário onde a operação seja negada, a política é considerada não conformista.

2. Extração de Atributos (LLM):

   • Como as políticas são texto não estruturado, o sistema utiliza Modelos de Linguagem de Grande Escala (LLMs) para mapear o texto da política para o esquema de atributos definido pela lei.
   • O LLM é instruído a inferir valores booleanos (verdadeiro/falso/desconhecido) para os atributos base com base no texto da política.

3. Verificação e Relatório:

   • Um motor de regras avalia os atributos extraídos contra as regras da lei.
   • O sistema gera um veredito de conformidade (Conforme/Não Conforme) e lista as violações específicas.

4. Implementação Prática:

   • Foi desenvolvido um plugin de navegador que permite aos usuários verificar a conformidade de uma política de privacidade em tempo real ao visitar um site. O plugin envia o texto da página para um backend que executa a extração via LLM e a avaliação das regras.

3. Contribuições Chave

• Primeira Abordagem para a DPDP: É o primeiro trabalho a focar na verificação de conformidade da Lei DPDP da Índia.
• Formalização ABAC Unificada: Propõe um modelo onde tanto a lei quanto a política são representadas no mesmo framework (ABAC), facilitando a análise e a explicabilidade.
• Uso Estruturado de LLMs: Demonstra como usar LLMs não para tomar a decisão final, mas para extrair atributos estruturados de texto não estruturado, combinando a flexibilidade da IA com a robustez da verificação baseada em regras.
• Ferramenta de Acesso Público: Disponibilização de uma extensão de navegador funcional para verificação em tempo real.

4. Resultados Experimentais

Os autores avaliaram o sistema em um conjunto de dados de 25 políticas de privacidade reais de diversos setores (e-commerce, mídia, etc.).

• Desempenho de Extração de Atributos:
  • O sistema alcançou 94,5% de precisão na classificação de atributos base.
  • Precisão e Recall foram de 96,1%.
  • A taxa de erro de classificação foi de apenas 5,5%.
• Análise de Conformidade:
  • Nenhuma das 25 políticas analisadas estava totalmente em conformidade com as regras ABAC da DPDP.
  • Principais Causas de Não Conformidade:
    1. Idioma: Falha em fornecer avisos em todos os idiomas da Oitava Lista da Constituição Indiana (requisito da DPDP).
    2. Mecanismos de Retirada: A maioria das políticas não oferece um mecanismo de retirada de consentimento tão fácil quanto a concessão.
    3. Consentimento Explícito: Muitas políticas usam consentimento implícito (ex: "ao usar o site, você concorda"), violando a exigência de ação afirmativa clara.
• Estudo de Ablação (LLM Direto vs. APLiance):
  • Comparou-se o método APLiance (extração estruturada + regras) com uma abordagem de "prompting direto" (pedir ao LLM para julgar a conformidade diretamente).
  • O APLiance superou o prompting direto, especialmente em atributos complexos como "consentimento não ambíguo" (64% vs 52% de precisão) e "facilidade de retirada" (76% vs 68%). Isso demonstra que decompor a tarefa em atributos estruturados reduz a ambiguidade.

5. Significado e Impacto

• Ponte entre Lei e Prática: O trabalho oferece uma ponte técnica viável entre a linguagem legal complexa e a implementação técnica de sistemas de privacidade.
• Escalabilidade: A abordagem baseada em ABAC é extensível. Embora focada na DPDP, o framework pode ser adaptado para outras leis (GDPR, CCPA) apenas alterando o conjunto de regras e atributos.
• Conscientização do Usuário: A ferramenta de navegador empodera usuários finais a entenderem rapidamente se um site está violando seus direitos legais, promovendo uma maior transparência no mercado digital.
• Direção Futura: Os autores planejam expandir o framework para cobrir todas as seções da DPDP, aplicar a outros países e investigar o uso do sistema em processos judiciais para provar violações de privacidade.

Em resumo, o APLiance representa um avanço significativo na automação da conformidade de privacidade, demonstrando que a combinação de formalização lógica (ABAC) com inteligência artificial (LLMs) pode resolver problemas complexos de interpretação legal em escala.