Capítulo 14 — Fundamentos de privacidad

Mapa de la lección

Lección 14 publicada. Mapa, ejemplo, EX040.

flowchart TD
  N0["Resultados de aprendizaje"]
  N1["14.1 Los contadores de calor revelan vidas"]
  N2["14.2 Minimización y finalidad"]
  N3["14.3 La agregación como control"]
  N4["14.4 La base de referencia del IoT de consumo"]
  N5["Síntesis del capítulo"]
  N0 --> N1 --> N2 --> N3 --> N4 --> N5
  N5 --> EX["Ejemplo resuelto"]
  EX --> Q["Ejercicio EX040"]

Dibujo lógico

flowchart LR
  N0["Resultados de aprendizaje"]
  N1["14.1 Los contadores de calor revelan vidas"]
  N2["14.2 Minimización y finalidad"]
  N3["14.3 La agregación como control"]
  N4["14.4 La base de referencia del IoT de consumo"]
  N5["Síntesis del capítulo"]
  N0 --> N1 --> N2 --> N3 --> N4 --> N5 --> Q["EX040"]

[Resultados de aprendizaje]
    |
    v
[14.1 Los contadores de calor revelan vidas]
    |
    v
[14.2 Minimización y finalidad]
    |
    v
[14.3 La agregación como control]
    |
    v
[14.4 La base de referencia del IoT de consumo]
    |
    v
[Síntesis del capítulo]
    |
    v
[Ejemplo resuelto] --> [Ejercicio EX040]

Resultados de aprendizaje

Usted podrá (1) reconocer datos personales en los flujos de contadores inteligentes y de automatización de edificios; (2) aplicar la minimización de datos y la limitación de la finalidad; (3) elegir intervalos de agregación que sirvan a las operaciones sin revelar el comportamiento de los hogares; y (4) relacionar la privacidad con la disposición 5.8 de ETSI EN 303 645.

14.1 Los contadores de calor revelan vidas

Los contadores IoT de LDHP comunican el consumo de calor de cada hogar. Las lecturas horarias muestran cuándo los residentes se levantan, cocinan, viajan o están fuera: el mismo problema de inferencia que hizo polémicos los contadores eléctricos inteligentes. En muchas jurisdicciones, esas lecturas son datos personales porque se refieren a un hogar identificable. Un perfil horario de un contador de LDHP puede mostrar un hogar que deja de calentar durante diez días en febrero, lo que indica a cualquiera que lo lea que la vivienda está vacía. Facturación no necesita nada de eso. Por eso la petición del equipo de analítica de lecturas de cada hogar cada cinco minutos encontró resistencia en el caso de Maya: con esa resolución, los datos muestran rutinas diarias, no solo consumo.

14.2 Minimización y finalidad

Facturación necesita un total mensual. El equilibrado de la red necesita el caudal del barrio, no el detalle de cada casa. La detección de fallos puede necesitar lecturas individuales, pero quizá diarias y conservadas durante semanas, no años. Escribir la finalidad junto a cada flujo de datos obliga a plantear la pregunta «¿necesitamos esta granularidad?». La respuesta de Maya a la petición del equipo de analítica de datos de cada hogar cada cinco minutos puso una finalidad junto a cada flujo: totales mensuales para facturación, lecturas diarias por hogar conservadas 60 días para detectar fugas y agregados horarios por calle para el equilibrado. Los datos de cinco minutos no se recogieron en absoluto, porque no se había definido ninguna finalidad.

14.3 La agregación como control

Agregar 40 hogares de un tramo de calle antes de que los datos salgan de la pasarela elimina los patrones individuales y conserva la señal operativa. La agregación no es perfecta: si una vivienda domina el tramo, su patrón sigue siendo visible, así que los ingenieros comprueban el tamaño mínimo del grupo. El diseño de Maya fija el mínimo en 20 viviendas por agregado para los datos de equilibrado. Un tramo de calle con menos viviendas, o con un edificio grande que consume la mayor parte del calor, se fusiona con su vecino antes de que el agregado horario salga de la pasarela, de modo que ningún agregado sea en la práctica la lectura de un solo hogar.

14.4 La base de referencia del IoT de consumo

La disposición 5.8 de ETSI EN 303 645 pide que los datos personales en tránsito entre un dispositivo y los servicios asociados estén protegidos (por ejemplo, cifrados), y la disposición 6 aborda la protección de datos de forma más general: informar a los consumidores de qué datos se tratan y por qué. Un contador de calefacción urbana no siempre es «IoT de consumo», pero las disposiciones son una lista de comprobación útil. Para los contadores de LDHP, la 5.8 apunta al enlace de radio y al enlace ascendente de la pasarela, que transportan ambos lecturas de los hogares; la disposición 6 apunta a informar a los residentes de qué se recoge y por qué, algo que la lista de finalidades de Maya ya hace.

Ejemplo resuelto (LDHP sintética)

El equipo de analítica pide lecturas de cada hogar cada cinco minutos «para futuro aprendizaje automático». La respuesta de Maya: totales mensuales para facturación; lecturas diarias por hogar conservadas 60 días para detectar fugas; agregados horarios por calle (mínimo 20 viviendas) para el equilibrado; los datos de cada hogar cada cinco minutos no se recogen sin una finalidad definida y una evaluación de impacto en la privacidad.

Caso sintético — Lakeside District Heating Plant. La petición de analítica y los plazos de conservación son ejemplos inventados.

Errores y límites

Seudonimizar los identificadores de los contadores no los anonimiza si las direcciones se guardan en otro lugar. La legislación de privacidad varía; este capítulo es una orientación, no asesoramiento jurídico.

Ejercicios — capítulo 14

• EX040 — Inferir la ocupación. Dé dos cosas que un observador podría inferir de las lecturas horarias de calor de un piso.
  Mostrar criterios de evaluación

  Rúbrica: 3 = dos inferencias plausibles (ausencia, rutina diaria, número de ocupantes); 2 = una; 1 = vago; 0 = nada.
• EX041 — Granularidad según la finalidad. Para la detección de fugas, proponga un intervalo de lectura y un plazo de conservación y justifique ambos.
  Mostrar criterios de evaluación

  Rúbrica: 3 = diario (u horario) con conservación del orden de semanas y razonamiento; 2 = solo los valores; 1 = guardarlo todo; 0 = nada.
• EX042 — Cuando la agregación falla. ¿Por qué un tramo que contiene un colegio grande y cinco pisos podría fallar como agregado de privacidad?
  Mostrar criterios de evaluación

  Rúbrica: 3 = el colegio domina; los patrones de los pisos se pierden pero el del colegio se revela / grupo demasiado pequeño; 2 = parcial; 1 = vago; 0 = nada.

Síntesis del capítulo

Los datos operativos del IoT a menudo son datos personales: recójalos para una finalidad, con la granularidad útil más gruesa, y protéjalos en tránsito y en reposo.

Siga estudiando — capítulo 14 de 40

← Capítulo 13 (borrador) · Índice de capítulos del curso · Capítulo 15 (borrador) →