CODICE 121516 ANNO ACCADEMICO 2026/2027 CFU 6 cfu anno 1 COMPUTER ENGINEERING 11965 (LM-32) - GENOVA SETTORE SCIENTIFICO DISCIPLINARE IINF-05/A LINGUA Inglese SEDE GENOVA PERIODO 1° Semestre PRESENTAZIONE Questo corso fornisce conoscenze avanzate in materia di protezione dei dati e di tecnologie per la tutela della privacy, con particolare attenzione all’anonimizzazione dei dati, alle tecnologie di miglioramento della privacy e al ML privacy-aware. Gli studenti studieranno sia i fondamenti teorici sia l’implementazione pratica delle moderne tecniche di preservazione della privacy applicate a diverse tipologie di dati, tra cui dataset multidimensionali, grafi, serie temporali, dati transazionali, applicazioni mobili e sistemi di ML. Il corso affronta inoltre le sfide emergenti nella protezione della privacy, tra cui la privacy differenziale, il federated unlearning, il data mining privacy-preserving, i rischi per la privacy nelle piattaforme mobili, la deanonimizzazione della blockchain e le problematiche di privacy legate agli LLM. Attività pratiche di laboratorio e lavori progettuali consentiranno agli studenti di applicare le conoscenze acquisite a scenari reali di privacy engineering. OBIETTIVI E CONTENUTI OBIETTIVI FORMATIVI Lo scopo dell'insegnamento è introdurre le basi teoriche e pratiche dell’anonimizzazione dei dati personali, con particolare riferimento alle tecniche allo stato dell’arte per l’anonimizzazione di dati multidimensionali, grafi, serie temporali, dati longitudinali e transazionali, nonché ai fondamenti giuridici relativi alla protezione dei dati personali. OBIETTIVI FORMATIVI (DETTAGLIO) E RISULTATI DI APPRENDIMENTO Conoscenza e capacità di comprensione Al termine del corso, gli studenti saranno in grado di: Comprendere i concetti fondamentali della protezione dei dati e della privacy. Spiegare i rischi per la privacy associati alla raccolta, al trattamento, alla condivisione e all’analisi dei dati personali. Descrivere le tecniche di anonimizzazione e di protezione della privacy più avanzate per diverse tipologie di dati. Comprendere i principi, le ipotesi e i limiti della Privacy Differenziale. Comprendere le sfide in materia di privacy che emergono nei moderni sistemi di intelligenza artificiale, negli ambienti di apprendimento federato, negli ecosistemi mobili e nei Large Language Models Capacità di applicare conoscenza e comprensione Gli studenti saranno in grado di: Applicare tecniche di anonimizzazione a diverse classi di dataset. Implementare e valutare meccanismi di protezione della privacy utilizzando strumenti software e ambienti di programmazione. Analizzare i rischi per la privacy nei dataset e nei sistemi software reali. Selezionare le tecnologie per il miglioramento della privacy più appropriate in base ai requisiti applicativi e ai modelli di minaccia. Sviluppare soluzioni privacy-aware attraverso esercitazioni pratiche e attività progettuali. Autonomia di giudizio Gli studenti saranno in grado di: Valutare criticamente l’efficacia e i limiti degli approcci di tutela della privacy. Analizzare i compromessi tra privacy, utilità dei dati, accuratezza e prestazioni dei sistemi. Confrontare modelli di privacy e strategie di anonimizzazione alternative in specifici domini applicativi. Valutare le minacce emergenti alla privacy nei sistemi di intelligenza artificiale, nelle blockchain e sulle piattaforme mobili. Abilità comunicative Gli studenti saranno in grado di: Presentare problemi e soluzioni tecniche relativi alla privacy utilizzando una terminologia appropriata. Discutere la letteratura scientifica in ambito di protezione dei dati e di tecnologie per la privacy. Comunicare efficacemente i risultati delle analisi sulla privacy e delle attività progettuali. Capacità di apprendimento Gli studenti saranno in grado di: Studiare autonomamente la letteratura scientifica più recente in materia di privacy e protezione dei dati. Mantenersi aggiornati sulle tecnologie emergenti e sui trend di ricerca nel settore della privacy. Sviluppare competenze autonome di problem solving nell’ambito del privacy engineering e della protezione dei dati. PREREQUISITI Gli studenti dovrebbero possedere: Competenze di programmazione. Conoscenze di base di algoritmi e strutture dati. Conoscenze fondamentali di probabilità e statistica. Nozioni di base di gestione dei dati e machine learning sono utili, ma non obbligatorie. MODALITA' DIDATTICHE Il corso prevede un mix di lezioni teoriche ed esercitazioni pratiche al calcolatore. PROGRAMMA/CONTENUTO Fondamenti di Protezione dei Dati e Privacy Introduzione alla pubblicazione di dati con tutela della privacy. Modelli di privacy e scenari di minaccia. Anonimizzazione di dati multidimensionali. Tecniche Classiche di Anonimizzazione k-anonimato (k-anonymity). l-diversità (l-diversity). t-closeness. Anonimizzazione di dati rappresentati come grafi (k-degree anonymity). Anonimizzazione di serie temporali ((k,p)-anonymity). Anonimizzazione di dati transazionali (CAHD). Minacce e Limiti Attacchi di riidentificazione. Privacy Skyline. Tecniche di deanonimizzazione. Deanonimizzazione delle transazioni Bitcoin. Analisi dei Dati Privacy-Preserving Data mining privacy-preserving. Algoritmo MASK. Anonimizzazione di dati di test ((K,b)-anonymity). Moderne Tecnologie di Protezione della Privacy Privacy Differenziale. Federated Unlearning. Machine Learning privacy-preserving. Privacy nei Sistemi Emergenti Anonimizzazione nelle applicazioni mobili. Informative e politiche sulla privacy negli ecosistemi Android. Sfide sulla privacy nei Large Language Models e nei sistemi di intelligenza artificiale. Attività Progettuale Progettazione, implementazione e valutazione di una soluzione privacy-preserving applicata a un caso d’uso realistico. TESTI/BIBLIOGRAFIA Il corso si basa principalmente su: Articoli scientifici selezionati dalla letteratura internazionale. Slide e materiale didattico forniti durante il corso. Ulteriori contributi scientifici e articoli di ricerca discussi nel corso delle lezioni. DOCENTI E COMMISSIONI ALESSIO MERLO GIACOMO LONGO Commissione d'esame ALESSIO MERLO (Presidente) GIACOMO LONGO (Presidente Supplente) LEZIONI INIZIO LEZIONI 24 settembre 2026 Orari delle lezioni L'orario di questo insegnamento è consultabile all'indirizzo: Portale EasyAcademy ESAMI MODALITA' D'ESAME L’esame consiste nella presentazione e discussione di un progetto riguardante l’implementazione e la valutazione di un algoritmo di anonimizzazione tratto dalla letteratura scientifica, nonché in una prova orale sugli argomenti trattati durante il corso. MODALITA' DI ACCERTAMENTO La valutazione finale si basa su: Un progetto pratico che prevede l’analisi, l’implementazione o la valutazione di tecniche per la protezione della privacy. Una prova orale incentrata sui fondamenti teorici, sulle metodologie applicative e sulla discussione critica delle tecnologie di tutela della privacy. La valutazione è finalizzata a verificare il raggiungimento dei risultati di apprendimento descritti in precedenza, con particolare attenzione alla capacità dello studente di applicare tecniche di protezione della privacy, valutarne criticamente l’efficacia e discutere le principali sfide di ricerca ALTRE INFORMAZIONI Gli studenti con certificazioni valide per Disturbi Specifici dell’Apprendimento (DSA) possono richiedere adattamenti in sede d'esame, con almeno 7 giorni di anticipo rispetto alla data dell’esame, compilando il "modulo richieste adattamenti" (dai servizi online https://modulionline.unige.it/richiesta-adattamenti#no-back) che verrà inviato in automatico dal sistema al/alla docente responsabile dell’insegnamento e al/alla docente referente per gli studenti con disabilità e con DSA della propria Scuola/Area. Lo studente riceverà una copia della sua richiesta.
