Θέµατα Ιδιωτικότητας στη χρήση Μηχανών Αναζήτησης Παγκόσµιου Ιστού

Transcript

1 Θέµατα Ιδιωτικότητας στη χρήση Μηχανών Αναζήτησης Παγκόσµιου Ιστού ηµήτριος Κ. Κικίδης 1 Παύλος Στ. Εφραιµίδης 2 Τµήµα Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών ηµοκρίτειο Πανεπιστήµιο Θράκης Κτήριο Α, Πανεπιστηµιούπολη, Ξάνθη, τηλ: {dk9355, pefraimi}@ee.duth.gr 1 προπτυχιακός φοιτητής, 2 µέλος ΕΠ Περίληψη Η αλµατώδης ανάπτυξη των µηχανών αναζήτησης τα τελευταία χρόνια µαζί µε την όλο και αυξανόµενη χρήση του διαδικτύου δηµιούργησαν αδιαµφισβήτητα πλεονεκτήµατα, όπως η αποδοτικότερη εκπαίδευση, η πλουραλιστική πληροφόρηση και η δηµιουργία πρωτόγνωρων τρόπων πολιτικής δράσης. Όµως παρά την τόσο διαδεδοµένη χρήση τους στερούνται, ακόµη και σήµερα, στοιχειώδους εξωτερικού ανεξάρτητου ελέγχου. εν πρέπει λοιπόν να παραβλέπουµε ότι οι µηχανές αναζήτησης ανήκουν σε εταιρίες και έτσι πρέπει να ισορροπήσουν ανάµεσα στο κοινό συµφέρον και το κέρδος των ιδιοκτητών τους. Το γεγονός αυτό είναι η πηγή των προβληµάτων για τα οποία έχουν κατηγορηθεί κατά καιρούς οι µηχανές αναζήτησης όπως η καθοδήγηση της παγκόσµιας κοινής γνώµης, η δηµιουργία πολιτιστικών ανισοτήτων αλλά κυρίως ζητήµατα προστασίας της ιδιωτικότητας. Στο πλαίσιο της εργασίας αυτής αφού γίνει µια εισαγωγή στην λειτουργία των µηχανών αναζήτησης παγκόσµιου ιστού, αναλύονται τα προβλήµατα προστασίας της ιδιωτικότητας. Αφού προσδιοριστούν τα πιθανά σηµεία διαρροής προσωπικών δεδοµένων προτείνονται τρόποι ενίσχυσης της ιδιωτικότητας. Περιοχή έρευνας: Ιδιωτικότητα, Μηχανές Αναζήτησης Παγκόσµιου Ιστού. Λέξεις κλειδιά: Προσωπικά εδοµένα, Παγκόσµιος Ιστός, Firefox Add-ons. 1. Εισαγωγή Από τα πρώτα κιόλας βήµατα του ανθρώπινου πολιτισµού και λίγο µετά την ανάπτυξη της γραφής έγινε φανερή στους ανθρώπους η σηµασία της αρχειοθέτησης και της δυνατότητας αναζήτησης και εύρεσης πληροφοριών [1]. Πέντε χιλιάδες χρόνια αργότερα, το 1945 δηµοσιεύτηκε το άρθρο µε τίτλο «As we may think» στο οποίο ο Vannevar Bush πρότεινε για πρώτη φορά την χρήση υπολογιστών για την αναζήτηση πληροφοριών µέσα από µια µεγάλη ποσότητα αποθηκευµένης γνώσης [2]. Από τότε µέχρι σήµερα η επιστήµη της αναζήτησης πληροφορίας αναπτύχθηκε δραµατικά προσπαθώντας να ακολουθήσει την έκρηξη πληροφορίας που έφερε η αλµατώδης ανάπτυξη των υπολογιστών και η δραµατική µείωση του κόστους αποθήκευσης της πληροφορίας. Η πιο γενική µορφή της αναζήτησης πληροφορίας είναι η ανάκτηση πληροφορίας η οποία δεν προϋποθέτει κανενός είδους δοµή ούτε στο ερώτηµα ούτε στην συλλογή µέσα στην οποία γίνεται η αναζήτηση. Ανάκτηση πληροφορίας είναι η εύρεση υλικού (συνήθως εγγράφων) µη δοµηµένης φύσης (συνήθως κειµένου) το οποίο ικανοποιεί µια πληροφοριακή ανάγκη µέσα από µεγάλες συλλογές [3]. Οι µηχανές αναζήτησης παγκόσµιου ιστού αποτελούν σίγουρα την πιο γνωστή εφαρµογή της επιστήµης της ανάκτησης πληροφορίας. Η δηµιουργία τους προσέφερε την δυνατότητα στοχευµένης προσπέλασης στην τεράστια ποσότητα πληροφορίας του διαδικτύου, η οποία χωρίς την ύπαρξη τους θα ήταν σχεδόν άχρηστη λόγω του µεγέθους της. Θα µπορούσαµε να πούµε, ίσως µε µια δόση υπερβολής, ότι οι σύγχρονες µηχανές αναζήτησης παγκόσµιου ιστού άλλαξαν τον τρόπο µε τον οποίο δηµιουργείται, αλλάζει και κατανέµεται η γνώση παρέχοντας µια νέα παγκόσµια διασύνδεση του ανθρώπου µε την πληροφορία [5]. Το χαρακτηριστικό τους αυτό έχει κάνει της µηχανές αναζήτησης ένα σηµαντικό κοµµάτι της εκπαίδευσης που µε την πάροδο του χρόνου τείνει να γίνει το κέντρο της. Επίσης η όλο και πιο πλουραλιστική πληροφόρηση µέσω του διαδικτύου οδηγεί σε σωστότερη πολιτική δράση τους ανθρώπους που πλέον µπορούν να ξεφύγουν από την παθητική ενηµέρωση και να σχολιάσουν ή και να δηµοσιοποιήσουν ειδήσεις. Παρά τα σηµαντικά τους πλεονεκτήµατα όµως δεν πρέπει να παραβλέπουµε ότι οι µηχανές αναζήτησης ανήκουν σε εταιρίες και έτσι πρέπει να ισορροπήσουν ανάµεσα στο κοινό συµφέρον και το κέρδος των ιδιοκτητών τους. Κατά καιρούς οι διάφορες µηχανές αναζήτησης έχουν κατηγορηθεί για καθοδήγηση της κοινής γνώµης µέσω της ενίσχυσης ή της διαγραφής ιστοσελίδων από τα

2 αποτελέσµατα τους [6], ενώ οι πολιτιστικές ανισότητες που δηµιουργούν έχουν οδηγήσει πολλές χώρες σε λήψη µέτρων για την ενίσχυση του πολιτισµού και της γλώσσας τους στο διαδίκτυο [7,8]. Τέλος οι µηχανές αναζήτησης παγκόσµιου ιστού δηµιουργούν προβλήµατα ιδιωτικότητας [9], τόσο µέσω των δυνατοτήτων που δίνουν στους χρήστες για γρήγορη αναζήτηση προσωπικών πληροφοριών όσο µέσω των πληροφοριών που συγκεντρώνουν µε σκοπό την πώληση τους σε διαφηµιστικές εταιρίες. Ως ιδιωτικότητα ορίζεται το θεµελιώδες δικαίωµα του πολίτη στον πληροφοριακό αυτοπροσδιορισµό, το δικαίωµα δηλαδή να αποφασίζει για την δηµοσίευση και την χρήση των προσωπικών του δεδοµένων. Μόνη περίπτωση εξαίρεσης αποτελούν οι περιπτώσεις σηµαντικότερων ζητηµάτων δηµοσίου συµφέροντος [10]. Θα µπορούσαµε να παροµοιάσουµε τις µηχανές αναζήτησης µε παράθυρα µέσα από τα οποία µπορούµε να δούµε το διαδίκτυο και συνήθως δεν προσέχουµε το ίδιο το παράθυρο. Όµως θα πρέπει να σκεφτούµε ότι το παράθυρο αυτό κάνει και εµάς ορατούς στο διαδίκτυο ενώ θολά του σηµεία και τα σηµεία παραµόρφωσης των µηχανών αναζήτησης παγκόσµιου ιστού δεν είναι τόσο εύκολα αντιληπτά [5]. 2. Νοµικό πλαίσιο µηχανών αναζήτησης παγκόσµιου ιστού Αν και οι µηχανές αναζήτησης έχουν κεντρικό ρόλο στην σηµερινή κοινωνία, ο εξωτερικός έλεγχος της λειτουργίας τους είναι ουσιαστικά ανύπαρκτος. Η ισχυρή εξάρτηση της προόδου της δηµοκρατίας από την ελεύθερη πρόσβαση στην πληροφορία, σε συνδυασµό µε το γεγονός ότι οι µηχανές αναζήτησης του παγκόσµιου ιστού αποτελούν σήµερα την σηµαντικότερη πηγή πληροφοριών φανερώνουν την ανάγκη θέσπισης ενός νοµικού πλαισίου που θα διαµορφώσει την εξέλιξη τους. Τέσσερις σηµαντικές περιοχές του νοµικού συστήµατος θα πρέπει να αναθεωρηθούν µε στόχο την λειτουργία των µηχανών αναζήτησης του παγκόσµιου ιστού: η πνευµατική ιδιοκτησία, η ελευθερία του λόγου, αντιµονοπωλιακή προστασία και η διαφάνεια των αλγορίθµων αναζήτησης. ιάφορες προτάσεις έχουν δηµοσιευθεί µε στόχο την διασφάλισης της διαφάνειας των µηχανών αναζήτησης. Στην συνέχεια παρατίθενται πέντε σηµεία ενός κώδικα επικοινωνίας όπως αυτά προτάθηκαν στο περιοδικό International Review of Information Ethics [11]. 1-Οι µηχανές αναζήτησης θα πρέπει να ενηµερώνουν τους χρήστες τους σχετικά µε τον τρόπο λειτουργίας τους. Συγκεκριµένα πρέπει να δηµοσιοποιούνται τα βασικά κριτήρια βαθµονόµησης των ιστοσελίδων. 2-Οι µηχανές αναζήτησης θα πρέπει να σχεδιάζουν τις ιστοσελίδες τους µε τον πιο διαφανή τρόπο. Για παράδειγµα, οι σελίδες που εµφανίζονται στη λίστα των αποτελεσµάτων για διαφηµιστικούς λόγους πρέπει να επισηµαίνονται ρητά. 3-Οι µηχανές αναζήτησης πρέπει να προστατεύουν τους ανηλίκους από σελίδες που µπορεί να τους βλάψουν. Για τον σκοπό αυτό πρέπει να παρέχονται φίλτρα και να επισηµαίνεται ότι η απόλυτη αποτελεσµατικότητα τους δεν είναι εγγυηµένη. 4-Ιστοσελίδες που έχουν κριθεί παράνοµες δεν πρέπει να συµπεριλαµβάνονται στα αποτελέσµατα. Επίσης η αποµάκρυνση τους πρέπει να γίνεται αµέσως µετά την καταδικαστική τους απόφαση. 5-Τέλος η διαχείριση των δεδοµένων των χρηστών πρέπει να διέπεται από την αρχή της πληροφοριακής λιτότητας, την αρχή δηλαδή της διατήρησης δεδοµένων µόνο όταν αυτά απαιτούνται για την λειτουργία των µηχανών αναζήτησης. 3. Έννοιες της επιστήµης Ανάκτησης Πληροφορίας Για να είναι αποτελεσµατική η ανάκτηση πληροφορίας θα πρέπει τα έγγραφα να µετατραπούν σε µια καταλληλότερη µορφή. Γενικά η κατηγοριοποίηση των µοντέλων αναπαράστασης µπορεί να γίνει σε δύο διαστάσεις: ανάλογα µε την µαθηµατική βάση της αναπαράστασης και ανάλογα µε τις αλληλεξαρτήσεις των όρων της αναπαράστασης [2,4]. Στη βάση της µαθηµατικής τους αναπαράστασης τα µοντέλα κατηγοριοποιούνται σε λογικά µοντέλα, µοντέλα διανυσµατικού χώρου και πιθανοκρατικά µοντέλα ενώ στην βάση των σχεσιακών ιδιοτήτων τους σε µοντέλα χωρίς αλληλεξαρτήσεις όρων, µοντέλα µε έµφυτες αλληλεξαρτήσεις όρων και µοντέλα µε υπερβατικές αλληλεξαρτήσεις όρων. Η λειτουργία των περισσοτέρων συστηµάτων ανάκτησης πληροφορίας βασίζεται στην δοµή δεδοµένων της ανεστραµµένης λίστας. Η δοµή αυτή προσφέρει την δυνατότητα γρήγορης πρόσβαση στα έγγραφα που περιέχουν έναν όρο. Επειδή όλα τα έγγραφα τοποθετούνται σε ευρετήρια µε βάση τους όρους που περιέχουν τα αρχεία που προκύπτουν ονοµάζονται ανεστραµµένα ευρετήρια. Όσον αφορά την αξιολόγηση των συστηµάτων ανάκτησης πληροφορίας µπορούν να προταθούν διάφορες ποσότητες [2]. Για την µέτρηση τους απαιτείται µια συλλογή εγγράφων, ένα ερώτηµα καθώς και η γνώση αν ένα έγγραφο είναι σχετικό µε ένα ερώτηµα ή όχι. Ακρίβεια είναι το ποσοστό από τα έγγραφα που έχουν ανακτηθεί τα οποία είναι σχετικά µε το ερώτηµα. ά έ έ έ ί = έ έ

3 Μια άλλη εκδοχή της ακρίβειας είναι ο υπολογισµός της όχι για όλα τα αποτελέσµατα αλλά µόνο για το πρώτα n αποτελέσµατα. Η ποσότητα αυτή ονοµάζεται ακρίβεια σε n. Ανάκληση είναι το ποσοστό από τα σχετικά έγγραφα το οποίο έχει ανακτηθεί. Η επίτευξη ανάκλησης 100% είναι πολύ εύκολη µε την επιστροφή όλων των εγγράφων. Εποµένως η ανάκληση µόνη της σαν ποσότητα δεν έχει καµία ουσία. Συνήθως συνδυάζεται η ανάκληση µε την ακρίβεια για την εξαγωγή χρήσιµων συµπερασµάτων. ά έ έ έ ά = ά έ Συντελεστής-F είναι ο αρµονικός µέσος όρος της ακρίβεια και της ανάκλησης όπου η ακρίβεια και η ανάκληση έχουν το ίδιο βάρος. 2 ί ά ή = ί + ά Η γενίκευση της ποσότητας αυτής είναι ο συντελεστής- Fβ στον οποίο η ανάκληση έχει β φορές το βάρος της ακρίβειας. ή = 1+ ί ά ί + ά Είναι προφανές από την παραπάνω σχέση ότι ο συντελεστής F0 ταυτίζεται µε την ακρίβεια ενώ καθώς το β τείνει στο άπειρο ο συντελεστής F(β ) τείνει να εξισωθεί µε την ανάκληση. 4. Λειτουργία µηχανών αναζήτησης παγκόσµιου ιστού Το µεγάλο άλµα στην αποτελεσµατικότητα των µηχανών αναζήτησης έγινε µε την χρήση των διασυνδέσεων των σελίδων για τον υπολογισµό της πιθανότητας µια σελίδα να είναι σχετική µε έναν όρο. Η µέθοδος αυτή της βαθµονόµησης των ιστοσελίδων δεν περιορίζεται σε µια απλή µέτρηση των συνδέσεων αλλά δίνει βάρη στις συνδέσεις ανάλογα µε την σελίδα από την οποία προέρχεται [12]. Έστω το απλό παράδειγµα διασύνδεσης σελίδων που φαίνεται στην Εικόνα 1. Όπου οι σελίδες αναπαρίστανται µε τους κόµβους και οι διασυνδέσεις µε κατευθυνόµενες συνδέσεις. Οι διασυνδέσεις έχουν σαν ετικέτα τον ίδιο όρο, πχ. µολύβι, οπότε θα πρέπει να υπολογίσουµε την πιθανότητα κάθε σελίδας να είναι σχετική µε τον όρο αυτό. Πρώτη µέθοδος είναι η τυχαία διαδροµή. Με την µέθοδο αυτή προσοµοιώνουµε έναν χρήστη ο οποίος κινείται τυχαία στο παραπάνω διάγραµµα µέσω των διασυνδέσεων ενώ στο κάθε του βήµα υπάρχει πιθανότητα 1-p επανεκκινήσει τη διαδροµή του επιλέγοντας µία τυχαία σελίδα. Η πιθανότητα p ονοµάζεται συντελεστής απόσβεσης και παίρνει συνήθως τιµές κοντά στα Τέλος αν φτάσει σε µια σελίδα που δεν περιέχει δεσµό τότε αναγκαστικά επιλέγει µια τυχαία σελίδα. Εικόνα 1 - Παράδειγµα διασύνδεσης σελίδων (Πηγή [6]) Η πιθανότητα µια σελίδα να είναι σχετική µε τον όρο που διερευνούµε είναι το ποσοστό των βηµάτων που κατέληξαν στην σελίδα αυτή µετά από αρκετές διαδροµές. Αν και η µέθοδος αυτή είναι αρκετά απλή στην κατανόηση της είναι µη συµφέρουσα υπολογιστικά αφού αργεί να βρεθεί σε σηµείο ισορροπίας. εύτερη µέθοδος είναι η µέθοδος της δύναµης για την οποία απαιτείται ο υπολογισµός του πίνακα P. Πρώτο βήµα είναι ο υπολογισµός του πίνακα των συνδέσεων C του οποίου τα στοιχεία είναι: 1 ύ ό, = 0 ύ ό Επόµενο βήµα είναι να µοιράσουµε τον συντελεστή εξασθένησης p στα µη µηδενικά στοιχεία κάθε σειράς και τον συντελεστή 1-p σε όλα τα στοιχεία της σειράς. Εξαίρεση αποτελούν οι σειρές µε µόνο µηδενικά στοιχεία όπου µοιράζεται η µονάδα µεταξύ όλων των στοιχείων της σειράς. Ο πίνακας που προκύπτει είναι ο απαιτούµενος πίνακας P. Τέλος αφού υπολογίσουµε µια αρχική εκτίµηση των πιθανοτήτων που ζητάµε και δηµιουργήσουµε µε αυτές το κάθετο διάνυσµα χρησιµοποιούµε την επαναληπτική σχέση: = Μέχρι το σηµείο ισορροπίας του w. Τα αποτελέσµατα των παραπάνω αλγορίθµων για συντελεστή εξασθένησης p=0.85 αναπαρίστανται στο µέγεθος των κόµβων της Εικόνα 1. Παρατηρούµε ότι αν και οι σελίδες A,C,D,F έχουν όλες από µία παραποµπή οι πιθανότητες να είναι σχετικές µε τον όρο που διερευνάται είναι πολύ διαφορετικές. Αυτό οφείλεται στο διαφορετικό βάρος των σελίδων που παραπέµπουν σε αυτές. Έτσι η σελίδα C έχει την µεγαλύτερη πιθανότητα από τις τέσσερις αφού η πιο ισχυρή σελίδα (B) παραπέµπει σε αυτήν.

4 5. Μηχανές αναζήτησης παγκόσµιου ιστού και ιδιωτικότητα Τον Αύγουστο του 2006 η εταιρία America On Line (AOL) δηµοσιοποίησε τις αναζητήσεις τριών µηνών για περίπου πελάτες της [13]. Αν και οι διευθύνσεις IP είχαν αντικατασταθεί από τυχαίους αριθµούς σε πολλές περιπτώσεις ήταν πολύ εύκολη η ταυτοποίηση των προσώπων από τις αναζητήσεις τους ακόµη και από απλούς χρήστες. Για παράδειγµα η αγάπη της Thelma Arnold για τα σκυλιά µαζί µε τις αναζητήσεις της για αγορά κατοικίας και την χρήση του επιθέτου της σε µερικές αναζητήσεις οδήγησαν στην ταυτοποίηση της, και στην δηµοσίευση του παραδείγµατος της στην εφηµερίδα New York Times, µε σκοπό την συνειδητοποίηση των πολιτών στο θέµα αυτό [14]. Οι αντιδράσεις πολιτών αλλά και οργανισµών ήταν άµεσες και οδήγησαν την εταιρία στο να διαγράψει πολύ γρήγορα από την σελίδα της τα δεδοµένα, τα οποία όµως είχαν ήδη διαρρεύσει στο διαδίκτυο. Η εταιρία ζήτησε δηµόσια συγγνώµη και ισχυρίστηκε ότι σκοπός της ενέργειας της ήταν η χρήση των δεδοµένων µόνο για ακαδηµαϊκή έρευνα. Το γεγονός αυτό ανέδειξε τα προβλήµατα ιδιωτικότητας που δηµιουργούνται µε την χρήση των µηχανών αναζήτησης παγκόσµιου ιστού. Συνήθως οι εταιρίες πίσω από αυτές στηρίζονται οικονοµικά στην πώληση πληροφοριών για στοχευµένη διαφήµιση µέσω του διαδικτύου και έτσι έχουν έναν τουλάχιστον πολύ σηµαντικό λόγο για να συγκεντρώνουν και να αναλύουν την ιστορία των αναζητήσεων των χρηστών τους. Αν συνδυάζουµε το γεγονός αυτό µε την αδιαµφισβήτητη αύξηση της χρήσης των µηχανών αναζήτησης για όλο και σηµαντικότερα θέµατα όπως πχ. η αναζήτηση ιατρικών συµβουλών [15,16] µπορούµε να κατανοήσουµε τις διαστάσεις αυτού του προβλήµατος. Ο σηµαντικότερος όµως κίνδυνος που πρέπει να αντιµετωπιστεί δεν βασίζεται στην οικονοµία και είναι βαθιά πολιτικός. Στην σύγχρονη εποχή υπάρχουν πολλές άλλες πηγές πληροφορίας για την ζωή του καθένα µας, όπως το στίγµα του κινητού µας τηλεφώνου, η χρήση της πιστωτικής µας κάρτας, η ανάληψη χρηµάτων από ATM και πολλά άλλα [17]. Η µεγάλη διαφορά µε αυτές τις περιπτώσεις είναι ότι η γνώση της ιστορίας των αναζητήσεων µας, δεν δίνει απλά πληροφορίες για τις πράξεις αλλά ενδέχεται να αποκαλύψει και τον τρόπο σκέψης µας [5]. Σκοπός µας λοιπόν θα πρέπει να είναι η ελαχιστοποίηση της πληροφορίας που στέλνεται στις µηχανές αναζήτησης χωρίς να µειώνεται η ποιότητα των αποτελεσµάτων των αναζητήσεων µας. 6. Όψεις του προβλήµατος της ιδιωτικότητας Μια µορφή του προβλήµατος της ιδιωτικότητας που δηµιουργούν οι µηχανές αναζήτησης παγκόσµιου ιστού είναι αυτή που αναφέρθηκε στην προηγούµενη ενότητα, δηλαδή η παρακολούθηση των αναζητήσεων µε σκοπό την δηµιουργία του προφίλ ενός συνόλου ανθρώπων [18]. Μια ακίνδυνη µορφή αυτού του προβλήµατος είναι η σελίδα GoogleTrends [19] στην οποία παρουσιάζονται οι συχνότητες εµφάνισης ερωτηµάτων ανά περιοχή. Σε αυτή την περίπτωση οι περιοχές στις οποίες οµαδοποιούνται τα ερωτήµατα είναι αρκετά µεγάλες για να θεωρηθεί ότι δηµιουργούν προβλήµατα ιδιωτικότητας. Πρέπει όµως να αναλογιστούµε ότι οι µηχανές αναζήτησης µπορούν να προσδιορίζουν την θέση ενός χρήστη µε πολύ µεγαλύτερη ακρίβεια. Στην προσπάθεια αυτή για την δηµιουργία προφίλ για ένα σύνολο ανθρώπων µπορεί να χρησιµοποιηθούν πληροφορίες δηµοσιευµένες στο διαδίκτυο για ακόµη ακριβέστερα αποτελέσµατα. Παράδειγµα αποτελούν οι τρείς αλγόριθµοι που κατοχύρωσε µε πατέντες η µηχανή αναζήτησης Google οι οποίοι προσανατολίζονται στην εξόρυξη πληροφοριών από ιστοσελίδες κοινωνικών σχέσεων [20]. Μια άλλη µορφή αυτού του προβλήµατος µπορεί να είναι η σήµανση ερωτηµάτων ή ακόµα αποτελεσµάτων µε σκοπό την αναζήτηση υπόπτων [18]. Ο µεγάλος όµως κίνδυνος σε αυτή την περίπτωση είναι το επόµενο της βήµα, η δηµιουργία κατηγορουµένων δηλαδή µε βάση τα ερωτήµατα τους. Η τρίτη µορφή του προβλήµατος µπορεί να είναι η εντοπισµός προσώπων µε βάση τα ερωτήµατα τους [18]. Η χρήση δηλαδή προηγούµενων ερωτηµάτων κάποιου χρήστη για να δηµιουργηθεί ένα ακριβές προφίλ που θα µπορεί να τον ξεχωρίσει από όλους τους χρήστες του διαδικτύου. Τέλος οι δυνατότητες που δίνουν οι µηχανές αναζήτησης στους χρήστες µπορούν να δηµιουργήσουν προβλήµατα ιδιωτικότητας αφού όσο ισχυρότερες γίνονται και όσο περισσότερες πληροφορίες δηµοσιοποιούµε για την ζωή µας στο διαδίκτυο τόσο πιο εύκολη είναι η αναζήτηση τους από οποιονδήποτε. 7. Σχετικά πεδία έρευνας υο γνωστά πεδία έρευνας έχουν αρκετές χρήσιµες οµοιότητες µε το πρόβληµα της ιδιωτικότητας στην αναζήτηση στον παγκόσµιο ιστό: η δηµοσιοποίηση δεδοµένων µε διατήρηση της ιδιωτικότητας και η ιδιωτική ανάκτηση πληροφορίας. Η δηµοσιοποίηση δεδοµένων µε διατήρηση της ιδιωτικότητας είναι το πρόβληµα δηµοσιοποίησης βάσεων δεδοµένων που αναφέρονται σε προσωπικά δεδοµένα ανθρώπων µε σκοπό την διερεύνηση τους χωρίς όµως να είναι δυνατή η συσχέτιση των δεδοµένων µε

5 συγκεκριµένα άτοµα [18]. Για παράδειγµα ίσως είναι επιθυµητό να δηµοσιοποιηθεί το ιατρικό ιστορικό των ανθρώπων που ζουν σε µια πόλη µε σκοπό την διερεύνησή τους για την πρόληψη ίσως κάποιας επιδηµίας. Χωρίς όµως να είναι δυνατή η συσχέτιση ενός ιστορικού µε τον άνθρωπο στον οποίο αναφέρεται. Μια µερική λύση στο πρόβληµα αυτό θα ήταν η γενίκευση των αναγνωριστικών χαρακτηριστικών. Για το παραπάνω παράδειγµα θα έπρεπε να διαγράψουµε απ όλες τις καταχωρήσεις το όνοµα του ασθενούς, τον αριθµό µητρώου του και γενικά οποιαδήποτε πληροφορία µπορεί να τον ταυτοποιήσει. Μια άλλη λύση θα ήταν η προσθήκη θορύβου στις καταχωρήσεις δηλαδή αντί να διαγράψουµε την ηµεροµηνία γέννησης του ασθενούς, πληροφορία η οποία µπορεί να είναι χρήσιµη, θα µπορούσαµε να προσθέσουµε ή να αφαιρέσουµε από αυτή ένα τυχαίο χρονικό διάστηµα. Τέλος µια λύση θα ήταν να διαγράψουµε έναν µικρό ποσοστό των καταχωρήσεων και να προσθέσουµε καταχωρήσεις που θα παρήγαγε ένα πρόγραµµα µε τυχαίο τρόπο. Πρέπει να σηµειωθεί ότι καµιά από τις παραπάνω λύσεις δεν λύνει το πρόβληµα ολοκληρωτικά για κάθε περίπτωση. Συνήθως χρησιµοποιούνται συνδυασµοί των παραπάνω λύσεων που διαµορφώνονται ανάλογα µε την εφαρµογή. Ακόµη όµως και σε αυτή την περίπτωση η λύση δεν παύει να είναι µερική, κάτι που φανερώνει και το περιστατικό µε την εταιρία AOL που αναφέρθηκε νωρίτερα. Το πρόβληµα της ιδιωτικότητας στην αναζήτηση στον παγκόσµιο ιστό µπορεί να αντιστοιχιστεί µε αυτό αν θεωρήσουµε ότι η βάση δεδοµένων προς δηµοσίευση είναι τα ερωτήµατα των χρηστών προς την µηχανή αναζήτησης. Θα πρέπει λοιπόν η µηχανή αναζήτησης να µην µπορεί να αντιστοιχίσει ένα ερώτηµα µε κάποιον χρήστη. Η ιδιωτική ανάκτηση πληροφορίας είναι το πρόβληµα της αναζήτησης πληροφοριών σε µία βάση χωρίς να είναι δυνατόν να αναγνωριστεί από την µεριά της βάσης τι ακριβώς ζητήθηκε [18]. Η προφανής λύση στο πρόβληµα αυτό, που όµως δηµιουργεί τεράστιο φόρτο, θα ήταν η απαίτηση όλου του περιεχοµένου της βάσης από το οποίο ο χρήστης θα µπορούσε να διαλέξει τι ακριβώς θέλει. Γενικά οι λύσεις που προτείνονται στο πρόβληµα αυτό απαιτούν χρήση αντιγράφων της βάσης και βαρείς υπολογιστικά αλγορίθµους τα οποία δεν µπορούν να εφαρµοστούν στις τεράστιες βάσεις των µηχανών αναζήτησης παγκόσµιου ιστού. 8. Πηγές PPI σε επίπεδα διαδικτυακών πρωτοκόλλων Ως personally identifiable information-ppi (προσωπικά προσδιορίζουσες πληροφορίες) ορίζονται οι πληροφορίες ή οµάδες πληροφοριών που µπορούν να προσδιορίσουν µε ακρίβεια ένα άτοµο [21]. Πρέπει να τονιστεί ότι οι PPI δεν περιορίζονται µόνο στα προσωπικά δεδοµένα και ότι ο συνδυασµός πληροφοριών που από µόνες τους δεν µπορούν να θεωρηθούν PPI µπορεί να είναι µία PPI. Ένα συχνά αναφερόµενο παράδειγµα είναι το συµπέρασµα ότι το 87% του αµερικανικού πληθυσµού µπορεί να ταυτοποιηθεί από τον συνδυασµό του φύλου, της ηµεροµηνίας γέννησης και του ταχυδροµικού κώδικα της κατοικίας του [22]. Στον Πίνακας 1 συγκεντρώνονται όλες οι πηγές πληροφοριών που µπορεί να συνδυαστούν για την δηµιουργία PPI µαζί µε τις προτεινόµενες λύσεις για την απόκρυψη τους. Πίνακας 1 - Πηγές πιθανών PPI (Πηγή [18]) (* βλέπε ενότητα 10. Πηγές PPI στο επίπεδο της εφαρµογής)

6 Στο επίπεδο TCP/IP της διαδικτυακής επικοινωνίας µπορούµε να εξάγουµε την IP διεύθυνση του κάθε χρήστη ή οποία αν και στις περισσότερες των περιπτώσεων δεν είναι στατική παραµένει η ίδια για ένα µέρος των αναζητήσεων µας. Επίσης σε αυτό το επίπεδο είναι ορατά ο οργανισµός ή ο internet service provider στον οποίο ανήκουµε, το λειτουργικό µας σύστηµα καθώς και ο χρόνος από την αρχή λειτουργίας του συστήµατος µας. Τέλος ο χρόνος Round Trip Time µπορεί να χρησιµοποιηθεί σε συνδυασµό µε µια παθητική παρατήρηση της φόρτισης-κίνησης στο διαδίκτυο για να υπολογιστεί µε σχετική ακρίβεια η απόσταση του χρήστη από κάποιον εξυπηρέτη. Η χρήση ενός proxy ανωνυµίας αποκρύπτει τις πληροφορίες αυτές µεταβιβάζοντας τα ερωτήµατα µας σε έναν ενδιάµεσο εξυπηρέτη ο οποίος τα καταθέτει στην µηχανή αναζήτησης και µας επιστρέφει την απάντηση. Ένα ακόµη βήµα είναι η χρήση ενός δικτύου ανωνυµίας Tor [23] στο οποίο αυτός ο εξυπηρέτης δεν είναι σταθερός αλλά αλλάζει ανά αναζήτηση και ανά χρήστη έτσι ώστε να µην µπορούν να οµαδοποιηθούν οι χρήστες από την µηχανή αναζήτησης κάτω από έναν εξυπηρέτη. Το µειονέκτηµα και τον δύο αυτών λύσεων είναι ότι µειώνουν κατά πολύ η ταχύτητα επιστροφής των αποτελεσµάτων. Η χρήση του προτείνεται τουλάχιστον στις εξαιρετικές περιπτώσεις των ερωτηµάτων που περιέχουν προσωπικά δεδοµένα. Στο επίπεδο των HTTP κεφαλίδων όπως φαίνεται περιέχονται πληροφορίες όπως ο τύπος και η έκδοση του λειτουργικού συστήµατος και του browser καθώς και χρησιµοποιούµενη κωδικοποίηση και γλώσσα. Σε αυτό το επίπεδο κατηγοριοποιούνται επίσης τα cookies, τα οποία είναι αναγνωριστικά string που αποθηκεύονται στον υπολογιστή του χρήστη µε στόχο την ταυτοποίηση του [24]. Πρώτη εφαρµογή τους ήταν η διατήρηση του καλαθιού µε τα ηλεκτρονικά ψώνια ενός χρήστης ακόµη και αν επανεκκινηθεί για κάποιον λόγο η σύνδεση του στο διαδίκτυο ενώ σήµερα χρησιµοποιούνται σε πάρα πολλές διαφορετικές εφαρµογές. Λύση στα παραπάνω προβλήµατα αποτελούν τα φίλτρα HTTP τα οποία δίνουν σε όλους τους χρήστες τα ίδια χαρακτηριστικά λειτουργικού, browser, κωδικοποίησης και γλώσσας ενώ πολλοί σύγχρονοι browser δίνουν την δυνατότητα διαγραφής των cookies. Στο επίπεδο της HTML περιλαµβάνονται κοµµάτια κώδικα σε javascript που ενσωµατώνονται σε σελίδες και µπορούν να επικοινωνούν µε τον αντίστοιχο εξυπηρέτη τα οποία όµως µπορούν εύκολα να απενεργοποιηθούν µε την χρήση ενός φίλτρου HTML. Στην κατηγορία αυτή περιλαµβάνονται και οι επιθέσεις Web Timing Attacks [25]. Οι επιθέσεις αυτές στηρίζονται στο γεγονός ότι οι µηχανές αναζήτησης παγκόσµιου ιστού είναι το κέντρο κάθε διαδροµής στο διαδίκτυο αφού µετά από έναν αριθµό βηµάτων κάθε χρήστης επιστρέφει στη σελίδα της µηχανής αναζήτησης. Στην Εικόνα 2 αναπαρίσταται γραφικά µια τυχαία διαδροµή ενός χρήστη στον παγκόσµιο ιστό αν αυτός θεωρηθεί επίπεδος. Η τακτική αυτή επιστροφή στη σελίδα της µηχανής αναζήτησης µπορεί να χρησιµοποιηθεί για τον έλεγχο της δικτυακής cache του υπολογιστή µας και να προδώσει έτσι τις τελευταίες σελίδες που έχουµε επισκεφτεί. Η χρήση proxy ανωνυµίας ή δικτύου ανωνυµίας tor δυσχεραίνει το πρόβληµα αυτό. Μια λύση στο πρόβληµα αυτό θα ήταν η κατάργηση της διαδικτυακής µνήµης cache που χρησιµοποιεί ο browser αλλά αυτό θα οδηγούσε σε µείωση της αποδοτικότητας του. Εικόνα 2 - Αναπαράσταση διαδικτυακής διαδροµής a- Μηχανή αναζήτησης Παγκόσµιου Ιστού b- Τυχαία διαδροµή χρήστη στον Παγκόσµιο Ιστό 9. Πηγές PPI στο επίπεδο της εφαρµογής Το τελευταίο επίπεδο του Πίνακας 1 είναι αυτό της εφαρµογής, σε αυτό περιέχονται πηγές πληροφοριών που εξαρτώνται αποκλειστικά από τις συνήθειες του χρήστη και την συµπεριφορά του στο διαδίκτυο. Για παράδειγµα η σύνδεση του σε λογαριασµό ηλεκτρονικού ταχυδροµείου της µηχανής αναζήτησης που χρησιµοποιεί ή η χρήση προσωπικών δεδοµένων ή εν δυνάµει PPI στα ερωτήµατα του. Μια καλή πρακτική θα ήταν λοιπόν να αποφεύγονται τα παραπάνω και να χρησιµοποιείται διαφορετικός browser για τις αναζητήσεις και διαφορετικός για την σύνδεση σε λογαριασµό ηλεκτρονικού ταχυδροµείου. Στην περίπτωση που χρειάζεται να αναζητήσουµε κάτι που φανερώνει κάποια προσωπικά µας δεδοµένα όπως το ιατρικό µας ιστορικό, προτείνεται η χρήση δικτύου ανωνυµίας Tor. Επίσης πρέπει να αποφεύγεται η χρήση µηχανών αναζήτησης που ανήκουν στην εταιρία του εκάστοτε παροχέα υπηρεσιών διαδικτύου [26]. Ο λόγος για αυτό είναι ότι οι εταιρίες αυτές γνωρίζουν ανά πάσα στιγµή την IP διεύθυνση των

7 Εικόνα 3 Customize Google (a) επιλογές για εύκολη αναζήτηση σε άλλες µηχανές αναζήτησης πελατών τους και έτσι µπορούν άµεσα να συνδέσουν κάθε πελάτη µε τα ερωτήµατα του. Τα ερωτήµατα µπορεί να οδηγούν στην ταυτοποίηση του χρήστη ακόµη και όταν δεν περιέχουν PPI από την συνάφεια που πολλές φορές έχουν µεταξύ τους, από τον χρόνο στον οποίο γίνονται συνήθως κατά την διάρκεια της µέρας ή τη σειρά που ακολουθούν. Αν για παράδειγµα αν το πρώτα πράγµα που κάνει ένας χρήστης αφού συνδεθεί στο διαδίκτυο είναι να αναζητά πάντοτε την ίδιες ιστοσελίδες πχ. κάποιας εφηµερίδας, καιρού, κοκ. µε συγκεκριµένη σειρά ή αν η ώρα που υποβάλλει κάποια ερωτήµατα δεν διαφέρει πολύ από µέρα σε µέρα τότε πιθανόν ο χρήστης να µπορεί να ταυτοποιηθεί ακόµη και αν αλλάζει η ip διεύθυνση του κάθε φορά που συνδέεται στο διαδίκτυο. Μια λύση στα παραπάνω είναι εφαρµογές παραγωγής τυχαίων ερωτηµάτων όπως οι επεκτάσεις του Firefox, TrackMeNot [27] και SquiggleSR [28] οι οποίες µπορούν να «πνίξουν» τα τυχόν PPI µέσα σε έναν τεράστιο όγκο τυχαίων δεδοµένων. Οι δύο αυτές εφαρµογές χρησιµοποιούν διαφορετικές προσεγγίσεις στον τρόπο λειτουργίας τους. Η εφαρµογή TrackMeNot δηµιουργεί αρχικά µια λίστα τυχαίων όρων από τροφοδοσίες RSS που ορίζει ο χρήστης ώστε να ταιριάζουν στις συνήθειες του. Στη συνέχεια υποβάλει ερωτήµατα στις µηχανές αναζήτησης ανανεώνοντας κάθε φορά την λίστα µε τυχαίους όρους από τις αποκρίσεις των µηχανών αναζήτησης. Η εφαρµογή SquiggleSr από την άλλη χρησιµοποιεί συνεχώς τις τροφοδοσίες RSS για την δηµιουργία των ερωτηµάτων που υποβάλλει. Ένα αδύναµο σηµείο των παραπάνω µεθόδων είναι ότι οι φράσεις που υποβάλλονται αποτελούνται πολλές φορές από λέξεις που είναι λογικά ασυσχέτιστες και έτσι να µπορούν να εύκολα να εντοπιστούν. Μια πρόταση για πιο αληθοφανή µορφή στα τυχαία αυτά ερωτήµατα θα ήταν η ανάπτυξη εφαρµογών που θα χρησιµοποιούν οντολογίες οι οποίες µπορούν να προσεγγίσουν εννοιολογικά την δοµή της γλωσσάς. Μια καλή προσέγγιση σε όλα τα επίπεδα του προβλήµατος της ιδιωτικότητας είναι η χρήση όσο το δυνατόν περισσότερων µηχανών αναζήτησης. Με τον τρόπο αυτό οι πληροφορίες που αποκαλύπτουµε διαιρούνται σε κοµµάτια κάνοντας έτσι ακόµη πιο δύσκολη την ταυτοποίηση κάποιου χρήστη. Ένα χρήσιµο εργαλείο προς αυτή την κατεύθυνση είναι η επέκταση του Firefox CustomizeGoogle [29] η οποία µεταξύ πολλών άλλων χρήσιµων λειτουργιών δίνει τη δυνατότητα εµφάνισης συνδέσµων σε άλλες µηχανές αναζήτησης στη σελίδα της Google (βλέπε Εικόνα 3). Τα µειονέκτηµα της είναι ότι προορίζεται µόνο την µηχανή αναζήτησης της Google και ότι οι επιλογές που δίνονται για άλλες µηχανές αναζήτησης είναι αµετάβλητες. Επίσης δεν προτρέπει τους χρήστες στην συχνή εναλλαγή της µηχανής αναζήτησης. Με στόχο τον περιορισµό αυτών των µειονεκτηµάτων αναπτύχθηκε στα πλαίσια της εργασίας αυτής µια νέα επέκταση του Firefox µε όνοµα Random Search Engine, της οποίας η διασύνδεση φαίνεται στην Εικόνα 4. Η επιλογή αυτού του browser έγινε λόγο της ανοιχτής αρχιτεκτονικής του και της πληθώρας ελεύθερα διαθέσιµων επεκτάσεων. Η εφαρµογή αυτή χρησιµοποιεί την λίστα των µηχανών αναζήτησης του Firefox από τις οποίες επιλέγει µε τυχαίο τρόπο µία ανά τακτά χρονικά διαστήµατα έτσι ώστε να προτρέψει την όσο γίνεται συχνότερες αλλαγές. Επίσης η χρήση της λίστας των µηχανών αναζήτησης του Firefox κάνει πολύ εύκολη την προσθήκη και διαγραφή στοιχείων από αυτήν από τις επιλογές του ίδιου του browser. Επίσης διατίθενται επεκτάσεις που βοηθούν ακόµη περισσότερα στην επεξεργασίας της λίστα αυτή όπως είναι εφαρµογή Add to Search Bar [30] µε την οποία µπορεί εύκολα να τοποθετηθεί στην λίστα των µηχανών αναζήτησης οποιοδήποτε πλαίσιο αναζήτησης βρεθεί σε µία ιστοσελίδα. Το µειονέκτηµα της επέκτασης Random Search Engine είναι ότι όταν λειτουργεί µπορεί να αλλάξει την µηχανή αναζήτησης σε στιγµές που ό χρήστης δεν επιθυµεί κάτι τέτοιο. Τότε θα πρέπει να ανατρέξει στην µπάρα των µηχανών αναζήτησης και να επιλέξει αυτή που επιθυµεί. Μια επέκταση που µπορεί να βελτιώσει αυτό το πρόβληµα είναι η Scroll Search Engines [31] µε την οποία γίνεται πολύ ευκολότερα η επιλογή της κατάλληλης µηχανής αναζήτησης. Η ανάπτυξη του add-on επιβεβαιώνει την προοπτική για πιο ασφαλείς αναζητήσεις µέσω των επεκτάσεων στις µηχανές αναζήτησης. Είναι επίσης σηµαντικό ότι τα addon αναπτύσσονται από την κοινότητα των χρηστών.

8 10. Συµπεράσµατα Οι µηχανές αναζήτησης παγκόσµιου ιστού είναι αναντικατάστατα εργαλεία γνώσεις που όµως δεν υπόκεινται σε κανένα ουσιαστικό νοµικό περιορισµό σε σχέση µε την συγκέντρωση πληροφοριών. Πρέπει λοιπόν να χρησιµοποιούνται µε προσοχή και σκεπτικισµό όσον αφορά την υποβολή ερωτηµάτων, ενώ κάθε δηµοσίευση στο διαδίκτυο πρέπει να λαµβάνει υπόψη τις δυνατότητες τους ότι δηλαδή θα µπορούσαν να χρησιµοποιηθούν για την αναζήτηση αυτών των πληροφοριών. 11. Αναφορές (a) (b) Εικόνα 4 - Επέκταση Random Search Engine (a) απενεργοποιηµένη (b) ενεργοποιηµένη [1] Βιβλιοθήκες: [2] Wikipedia, Information retrieval, Ιανουάριος [3] C.D. Manning, P. Raghavan, H. Schütze, Introduction to Information Retrieval, Cambridge University Press, Cambridge, UK, [4] A. Singhal, Modern information retrieval: A brief overview, IEEE Data Engin. Bull. Special Issue on Text and Databases 24, [5] L. Hinman, Esse est indicato in Google: Ethical and Political Issues in Search Engines, International Review of Information Ethics, Vol.3, [6] Amnesty International, Undermining freedom of expression in China. The role of Yahoo, Microsoft and Google. [7] Atelier, Europeana: European Babel Takes on Google Empire. European-Babel-Takes-on-Google-Empire [8] Europeana. Language Policy. [9] IRREPRESSIBLE.INFO, an Amnesty International campaign. [10] N. Jentzsch, Financial Privacy: An International Comparison of Credit Reporting Systems, Second Edition, Springer, [11] C. Welp, M. Machill, Code of Conduct. Transparency in the Net: Search Engines, International Review of Information Ethics, 2005, Vol.3. [12] Wikipedia, Page rank, Ιανουάριος [13] AOL s Massive Data Leek, Electronic Frontier Foundation, [14] M. Barbaro, T. Zeller Jr, A Face Is Exposed for AOL Searcher No , The New York Times, August [15] Τ. Ρarker-Ρope, Σερφάρουν στο Ίντερνετ ψάχνοντας για θεραπείες, Τα Νέα online αναδηµοσίευση των New York Times, Οκτώβριος [16] S. Cropton, ρ Google και µίστερ Χάιντ, Τα Νέα online αναδηµοσίευση των Times, Ιανουάριος [17] Ο παγκόσµιος χαφιές µας ξέρει, Το ποντίκι, Ιανουάριος [18] F. Saint-Jean, A. Johnson, D. Boneh, J. Feigenbaum, Private Web Search. [19] Google Trends. [20] M. Anderson, Google Searches for Ad Dollars in Social Networks, IEEE Spectrum, December [21] Wikipedia, Personally identifiable information, Ιανουάριος [22] L. Sweeney, comments on Standarts of Privacy of Individual Identifiable Information. PAA.html [23] Tor. [24] Wikipedia, HTTP cookies, Ιανουάριος [25] E. Felten, M. Schneider, Timing Attacks on Web Privacy, ACM, [26] How to keep your search history private, Electronic Frontier Foundation, [27] Track Me Not. [28] Squiggle RS. [29] Customize Google. [30] Add to Search Bar. [31] Scroll Search Engines.