La grande quantità di dati raccolta da sensori in ambienti pervasivi richiede di memorizzare l'informazione da essi raccolta su Cloud, che offre servizi scalabili di computazione e storage. I servizi cloud sono però gestiti da terze parti non necessariamente fidate. I dati dei sensori contengono infatti spesso informazioni confidenziali (ad esempio le attività svolte da una persona) che sarebbe desiderabile nascondere dal cloud service provider. Allo stesso tempo, le capacità computazionali e di storage del cloud sono una risorsa molto utile. In laboratorio stiamo quindi studiando delle tecniche che permettano di raggiungere un trade-off tra privacy dei dati e utilizzo di tecniche di cloud computing.

 

Argomento 1: Privacy dei dati acquisiti da sistemi pervasivi

Tesi per lauree triennali o magistrali

La tesi prevede la progettazione e la sperimentazione di un sistema di rilsascio dei dati ottenuti in sistemi pervasivi su sistemi cloud che permetta di raggiungere un trade-off tra privatezza e utilità. Uno scenario tipico che stiamo considerando è quello dell'health-care: vengono monitorate le attività svolte da un soggetto, che devono essere poi analizzate da un medico per effettuare eventuali diagnosi di problemi comportamentali (ad esempio per soggetti anziani che vivono da soli). Le tecniche proposte verranno valutate sperimentalmente usando specifici dataset.

Requisiti: buone capacità di programmazione, sicurezza/privacy, blockchain

 

Argomento 2: Privacy-aware collaborative activity recognition

Tesi per lauree magistrali

Le tecniche di riconoscimento di attività si basano tipicamente su modelli di machine learning. Esistono specifiche tecniche di apprendimento che possono evolvere e migliorare nel tempo (semisupervised learning). L'evoluzione del modello di riconoscimento attività di uno specifico soggetto può essere utile per migliorare il riconoscimento di attività per altri soggetti che usano lo stesso sistema. Questa tesi si occupa di sviluppare una tecnica di apprendimento di attività collaborativo (federated ML) che mantenga la privacy dei soggetti monitorati, in modo tale che la collaborazione nella costruzione del modello di riconoscimento non riveli informazioni sensibili sui soggetti partecipanti. Il candidato dovrà progettare, implementare e valutare la tecnica.

Requisiti: buone capacità di programmazione, (preferibilmente) machine learning e sicurezza/privacy

 

Per ulteriori informazioni rivolgersi a Claudio Bettini o Gabriele Civitarese.