Os dados de mobilidade humana podem fundamentar uma ampla gama de aplicações, desde o planejamento urbano e a otimização dos transportes até a modelagem epidemiológica. No entanto, esses mesmos dados que permitem tais análises frequentemente expõem os indivíduos a riscos de privacidade, devido à forte singularidade de seus padrões de mobilidade.

As métricas atuais de exposição dos usuários baseiam-se em heurísticas simplistas — como o número de sequências de locais únicos — ou em modelos de ataque específicos, limitando assim sua generalização e interpretabilidade.

Para responder a essas limitações, desenvolvemos um framework personalizado chamado MoBES (Mobility Behavioral Exposure Score), que propõe um método flexível e interpretável para quantificar a exposição dos usuários a partir de assinaturas comportamentais de mobilidade.
Como o MoBES funciona:

Extração de Métricas: Em vez de se basear apenas em trajetórias brutas, o MoBES extrai um conjunto abrangente de métricas das trilhas de mobilidade de cada usuário.

Cálculo de Exposição: Nossa implementação calcula a exposição de cada usuário medindo sua distância em relação aos seus “vizinhos comportamentais” nesse espaço, de forma independente de qualquer modelo de ataque específico.

Detecção de Nuances: Isso permite que o MoBES detecte diferenças sutis, porém críticas, de privacidade no comportamento dos usuários que não são capturadas pelas métricas tradicionais.

O framework é modular, escalável e aplicável a conjuntos de dados de grande escala. Ele também inclui rotinas para avaliação comparativa com métricas de referência, bem como ferramentas de visualização da distribuição dos scores de exposição dentro da população de usuários.