A crescente disponibilidade de dados de mobilidade humana em larga escala viabiliza uma ampla gama de aplicações, desde o planejamento urbano e a otimização do transporte até ações climáticas e o monitoramento da saúde pública. No entanto, esses benefícios trazem consigo riscos significativos à privacidade, uma vez que os padrões de mobilidade individuais são altamente distintos e suscetíveis à reidentificação. Embora os primeiros trabalhos tenham se concentrado na singularidade espaço-temporal, estudos recentes demonstraram que os padrões de mobilidade comportamental — capturados por meio de métricas derivadas de trajetórias — também podem expor os usuários a ameaças à privacidade. As técnicas existentes para quantificar essa exposição comportamental frequentemente dependem de comparações de subtrajetórias computacionalmente dispendiosas, fazem fortes suposições sobre o conhecimento do adversário ou subestimam os riscos de exposição ao se basearem em estatísticas agregadas excessivamente simplistas.

Para superar essas limitações, desenvolvemos uma estrutura metodológica personalizada chamada Hyberbox (Exposição Baseada em Hyperbox em um Espaço Comportamental de Mobilidade), que oferece um método escalável e interpretável para quantificar a exposição do usuário com base em suas assinaturas comportamentais de mobilidade. Em vez de comparar usuários por meio de cálculos exaustivos de distância par a par ou modelos orientados a ataques, o Hyberbox projeta cada usuário em um espaço comportamental multidimensional e define hipercaixas específicas para cada usuário com base em limites de variação configuráveis ​​para diferentes métricas comportamentais. Usuários cujos perfis comportamentais ficam fora das hipercaixas de todos os outros usuários são sinalizados como expostos, refletindo assim um alto grau de distinção comportamental.