Detailansicht
An intelligent systems approach for supporting privacy awareness in agile software development
Guntur Budi Herwanto
Art der Arbeit
Dissertation
Universität
Universität Wien
Fakultät
Fakultät für Informatik
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Doktoratsstudium der technischen Wissenschaften Informatik
Betreuer*innen
Gerald Quirchmayr ,
A Min Tjoa
DOI
10.25365/thesis.77024
URN
urn:nbn:at:at-ubw:1-18500.26503.880157-7
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
Die Grundsätze des "Privacy by Design" setzen seit langem die Standards für die Entwicklung datenschutzgerechter Systeme. Privacy Engineering versucht, die Lücke zwischen Datenschutzrichtlinien und der Entwicklung von Systemen oder Technologien zu schließen. Obwohl Privacy Engineering in die Lebenszyklen der Software- und Systementwicklung integriert ist, sind viele Methoden auf eine Wasserfallmodell-Softwareentwicklung ausgelegt. Dies stellt eine Herausforderung dar, da die meisten Softwareprodukte heute mit agilen Methoden entwickelt werden, die schnelle Iterationen erfordern und nicht den gesamten Systemumfang in einem frühen Stadium erfassen. Diese Forschungsarbeit befasst sich mit der Frage, wie Privacy Engineering effektiv in agile Softwareentwicklungsmethoden integriert werden kann. Datenschutz kann durch die Linse der kontextuellen Integrität verstanden werden, die von Kontext, Akteuren, Informationsarten und Verarbeitungsprinzipien abhängt. Ziel dieser Forschungsarbeit ist es, diese Definition in das Privacy Engineering einzubetten und die Herausforderungen des agilen Privacy Engineering mit Hilfe eines intelligenten Systemansatzes zu bewältigen. Der in dieser Studie vorgeschlagene intelligente Systemansatz konzentriert sich auf mehrere Schlüsselbereiche: automatische Identifizierung von datenschutzrelevanten Entitäten in Benutzergeschichten („User Stories“) unter Verwendung von Named Entity Recognition (NER)-Techniken, Generierung von Data Flow Diagrams (DFDs) aus agilen Anforderungen unter Verwendung von Natural Language Processing (NLP) und großen Sprachmodellen (LLMs), Unterstützung bei der Generierung von Datenschutzanforderungen durch Requirement Patterns und Empfehlung geeigneter Datenschutz-Designmuster unter Verwendung von Learning to Rank (LeToR)-Algorithmen. Diese Techniken wurden anhand von Beispielimplementierungen und empirischen Auswertungen evaluiert, um ihre Machbarkeit und Nützlichkeit sowohl für Anfänger als auch für Praktiker im Privacy Engineering zu demonstrieren. Diese Forschungsarbeit leistet einen Beitrag sowohl zur Anwendung von Techniken des maschinellen Lernens und der Verarbeitung natürlicher Sprache im Requirements Engineering als auch zum Bereich des Privacy Engineering. Zu den spezifischen Beiträgen gehören eine umfassende Methode zur Integration von Privacy Engineering in agile Anforderungen, die von intelligenten Systemen unterstützt werden, Techniken zur Identifizierung von datenschutzrelevanten Entitäten, zur Erstellung von DFDs und zur Erstellung von Datenschutzanforderungen in agilen Kontexten sowie ein Empfehlungssystem zur Auswahl geeigneter Datenschutz-Design-Patterns. Empirische Belege von Studierenden und Experten zeigen den praktischen Nutzen dieser intelligenten Systeme und unterstreichen ihr Potenzial, die Entwicklung von Datenschutzanforderungen in agilen Umgebungen zu rationalisieren. Diese Arbeit unterstreicht den Bedarf an automatisierten Tools für das Privacy Engineering und bietet eine praktische Lösung, um die Lücke in rascher Abfolge stattfindenden Iterationen der agilen Softwareentwicklung zu schließen.
Abstract
(Englisch)
Privacy by design principles have long set the standards for creating privacy-aware systems. Privacy engineering seeks to bridge the gap between privacy policies and developing systems or technologies. Although privacy engineering is integrated into software and system development life cycles, many methodologies are designed for Waterfall development. This poses a challenge since most software products are now built using agile methods, requiring quick iterations and not capturing the full system scope early on. This research addresses how to integrate privacy engineering into agile software development methodologies effectively. Privacy can be understood through the lens of contextual integrity, which depends on context, actors, information types, and processing principles. This research aims to embed this definition into privacy engineering, addressing the challenges of agile privacy engineering by using an intelligent system approach. Agile teams often struggle to identify privacy criteria within user stories and to model systems using data flow diagrams (DFDs). This can slow down security and privacy threat analysis processes. Additionally, there is a lack of concrete guidance for selecting the most suitable privacy patterns for specific scenarios, hindering the effective implementation of privacy measures in agile software development. The intelligent system approach proposed in this study focuses on several key areas: automatically identifying privacy-related entities in user stories using Named Entity Recognition (NER) techniques, generating DFDs from agile requirements using Natural Language Processing (NLP) and large language models (LLMs), assisting in generating privacy requirements through requirements patterns, and recommending appropriate privacy design patterns using Learning to Rank (LeToR) algorithms. These techniques were evaluated through example implementations and empirical evaluations, demonstrating their feasibility and usefulness for both beginners and practitioners in privacy engineering. This research contributes to both the application of machine learning and natural language processing techniques in requirements engineering and to the field of privacy engineering. The specific contributions include a comprehensive method for integrating privacy engineering into agile requirements supported by intelligent systems; techniques for identifying privacy-related entities, generating DFDs, and creating privacy requirements within agile contexts; and a recommendation system for selecting suitable privacy design patterns. Empirical evidence from students and experts demonstrates the practical benefits of these intelligent systems, highlighting their potential to streamline privacy requirements engineering in agile environments. This work emphasizes the need for automated tools in privacy engineering, offering a practical solution to bridge the gap in the rapid iterations of agile software development.
Schlagwörter
Schlagwörter
(Deutsch)
privacy by design Privacy Engineering Softwareentwicklung Agile Methoden Datenschutz
Schlagwörter
(Englisch)
Privacy by design Privacy engineering Agile software development Data protection
Autor*innen
Guntur Budi Herwanto 
Haupttitel (Englisch)
An intelligent systems approach for supporting privacy awareness in agile software development
Publikationsjahr
2024
Umfangsangabe
xix, 189 Seiten : Illustrationen
Sprache
Englisch
Beurteiler*innen
Günther Pernul ,
Steven Furnell
Klassifikation
54 Informatik > 54.52 Software engineering
AC Nummer
AC17363156
Utheses ID
72392
Studienkennzahl
UA | 786 | 880 | |