Ir para o conteúdo

Especificação do Formato research.xml

Versão do schema: 1.0
Namespace: urn:hdt-af:research:experiment:1.0
Arquivo XSD: research-experiment.xsd
Projeto: HDT-AF — Hyperledger Digital Twin / Aprendizagem Federada


O que é o research.xml?

Cada experimento federado do projeto HDT-AF possui um arquivo research.xml na raiz de seu diretório. Esse arquivo é a fonte canônica de especificação do experimento: ele descreve, de forma estruturada e validável, tudo o que antes estava espalhado entre specification.md, manifest.yaml e código Java.

research/experiments/
  research-experiment.xsd          ← schema canônico (valida todos os research.xml)
  research-xml-spec.md             ← esta documentação
  exp-har-smartphones-001/
    research.xml                   ← especificação do experimento HAR
  exp-ecg5000-anomaly-001/
    research.xml                   ← especificação do experimento ECG5000
  exp-dt-federated-001/
    research.xml                   ← especificação do experimento DT Industrial

Por que XML?

  • Validação formal via XSD — IDEs e pipelines CI detectam erros estruturais antes de qualquer execução.
  • Fonte única de verdade — elimina inconsistências entre specification.md, manifest.yaml e código.
  • Rastreabilidade — hash do research.xml pode ser registrado no Hyperledger Fabric como evidência de que o experimento foi executado conforme especificado.
  • Legibilidade para pesquisadores — não exige conhecer o código Java para entender o desenho do experimento.

Estrutura geral do documento

<?xml version="1.0" encoding="UTF-8"?>
<experiment xmlns="urn:hdt-af:research:experiment:1.0"
            xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
            xsi:schemaLocation="urn:hdt-af:research:experiment:1.0 ../research-experiment.xsd"
            schemaVersion="1.0">

  <identity>      <!-- quem, o quê, versão, status                  -->
  <dataset>       <!-- origem, particionamento e schema dos dados    -->
  <model>         <!-- algoritmo, arquitetura e hiperparâmetros      -->
  <orchestration> <!-- QUEM / QUANDO / COMO (3 dimensões federadas) -->
  <outputs>       <!-- arquivos, métricas permitidas e proibidas     -->
  <lgpd>          <!-- base legal, categoria de dados, retenção      -->
  <execution>     <!-- entrypoint, runtime, scripts de execução      -->

</experiment>

O atributo schemaVersion="1.0" é obrigatório e deve corresponder à versão do XSD em uso.


Seções detalhadas

<identity> — Identidade do experimento

Identifica de forma única o experimento no sistema.

<identity>
  <experimentId>exp-har-smartphones-001</experimentId>   <!-- chave primária no sistema -->
  <contractVersion>2.0.0</contractVersion>               <!-- versão semântica do contrato -->
  <title>MLP Federado para Reconhecimento de Atividade Humana por Sujeito</title>
  <coordinatorId>researcher-har-001</coordinatorId>      <!-- ID do pesquisador/coordenador -->
  <digitalTwinType>human_mobility_digital_twin</digitalTwinType>
  <taskType>multiclass_classification</taskType>         <!-- ver valores permitidos abaixo -->
  <targetVariable>activity_label</targetVariable>
  <status>ACTIVE</status>                                <!-- ver valores permitidos abaixo -->
</identity>

Valores permitidos para <taskType>:

Valor Descrição
binary_classification Classificação binária (0/1, sim/não)
multiclass_classification Classificação com 3+ classes
regression Predição de valor contínuo
anomaly_detection Detecção de anomalias por limiar
time_series_forecasting Previsão de séries temporais

Valores permitidos para <status>:

Valor Descrição
DRAFT Em elaboração, não publicado
PUBLISHED Publicado, aguardando aceite dos clientes
ACTIVE Em execução — clientes aceitaram e rodadas estão ocorrendo
CLOSED Encerrado normalmente pelo pesquisador
REVOKED Revogado (dados comprometidos ou violação de contrato)

<dataset> — Dados do experimento

Descreve a origem dos dados, como são particionados entre clientes e o schema autorizado.

<source> — Origem

<source>
  <name>UCI HAR Dataset</name>
  <origin>UCI Machine Learning Repository</origin>
  <url>https://archive.ics.uci.edu/dataset/240/...</url>
  <license>Creative Commons Attribution 4.0</license>
  <totalSamples>10299</totalSamples>
  <dimensions>561</dimensions>          <!-- número de features/dimensões -->
  <classes>
    <class id="1" label="WALKING"/>
    <class id="2" label="WALKING_UPSTAIRS"/>
    <!-- ... -->
  </classes>
  <syntheticData>false</syntheticData>  <!-- OBRIGATÓRIO: true ou false -->
</source>

<syntheticData>true</syntheticData> deve ser declarado sempre que os dados não forem reais. Isso afeta como os resultados são interpretados na publicação.

<partitioning> — Particionamento federado

<partitioning>
  <strategy>subject_based</strategy>   <!-- estratégia de divisão entre clientes -->
  <description>
    Descrição em linguagem natural de como os dados são divididos.
    Inclua: qual arquivo mapeia cada registro ao cliente, proporção,
    semente aleatória (se aplicável) e quais dados ficam fora dos clientes.
  </description>
  <numClients>21</numClients>
  <trainSplit>train/X_train.txt + ...</trainSplit>  <!-- opcional -->
  <testSplit>test/X_test.txt + ...</testSplit>       <!-- opcional: holdout central -->
  <localPath>data/{client_id}/{experiment_id}/</localPath>
</partitioning>

Estratégias de particionamento comuns:

<strategy> Descrição
subject_based Um cliente por sujeito/participante (HAR)
random_shuffle_seed42 Embaralhamento uniforme com semente fixa (ECG5000)
manual_assignment Atribuição manual por planta/equipamento (DT Industrial)
geographic Um cliente por região/instituição
temporal Cada cliente tem um período temporal distinto

<schema> — Schema de dados autorizado

Define quais campos podem ser usados no treinamento e quais são proibidos.

<schema>
  <sourceModel>federated_local_cdm</sourceModel>
  <fields>
    <field name="feature_001" type="float" role="feature"
           unit="normalized_unitless" required="true"/>
    <field name="activity_label" type="integer" role="target"
           unit="activity_id_1_to_6" required="true"/>
  </fields>
  <completenessMin>0.95</completenessMin>  <!-- fração mínima de campos não-nulos -->
</schema>

Valores para o atributo role:

Valor Descrição
feature Variável preditora — entra no modelo
target Variável-alvo — o que o modelo prediz
identifier Identificador de entidade (pseudonimizado)
metadata Metadado auxiliar (não entra no modelo)

<evaluation> — Dataset de avaliação central (opcional)

Presente somente quando o pesquisador reserva um split de teste fora dos clientes.

<evaluation>
  <datasetId>uci-har-official-test</datasetId>
  <ownerId>researcher-har-001</ownerId>
  <uri>research://datasets/uci-har/test</uri>
  <metricName>test_accuracy</metricName>
  <distributionPolicy>researcher_only_never_to_clients</distributionPolicy>
  <evaluateClientModels>true</evaluateClientModels>   <!-- avalia modelos locais -->
  <evaluateGlobalModel>true</evaluateGlobalModel>     <!-- avalia modelo global -->
</evaluation>

<model> — Algoritmo e arquitetura

Campos obrigatórios

<model>
  <algorithmId>federated_mlp_classifier</algorithmId>
  <updateFormat>neural_network_weights_csv</updateFormat>  <!-- formato do update MQTT -->
  <hyperparameters>
    <param name="epochs">10</param>
    <param name="batch_size">32</param>
    <param name="learning_rate">0.001</param>
    <!-- ... todos os hiperparâmetros configuráveis via RoundConfig -->
  </hyperparameters>
  <supportedTargets>
    <item>jvm_server</item>
    <item>android_java</item>
  </supportedTargets>
</model>

Arquitetura (opcional, mas recomendada)

<architecture>
  <type>MLP</type>
  <optimizer>adam_fedprox</optimizer>
  <loss>cross_entropy</loss>
  <layers>
    <layer name="input"   size="561"/>
    <layer name="hidden1" size="256" activation="relu"/>
    <layer name="hidden2" size="128" activation="relu"/>
    <layer name="output"  size="6"   activation="softmax"/>
  </layers>
</architecture>

<updateFormat> — formatos de update suportados:

Valor Descrição
neural_network_weights_csv Vetor de pesos de rede neural (doubles em CSV)
numeric_vector_csv Vetor numérico genérico (médias, centróides)
gradient_compressed Gradientes comprimidos (reservado para uso futuro)

<supportedTargets> — runtimes suportados:

Valor Descrição
jvm_server Servidor JVM padrão
edge_jvm JVM embarcada (dispositivos edge)
android_java Android com Java SDK puro (sem BLAS nativo)
macos_apple_silicon_java macOS Apple Silicon com JDK AArch64

<orchestration> — As três dimensões federadas

Esta é a seção central do research.xml. Ela implementa as três dimensões declaráveis introduzidas no refactoring do RoundCoordinator:

┌─────────────────────────────────────────────────────────────┐
│  <orchestration>                                            │
│    <participation>  ←  QUEM pode participar?               │
│    <schedule>       ←  QUANDO começa, monitora e encerra?  │
│    <aggregation>    ←  COMO agrega os updates?             │
│    <privacy>        ←  COMO protege os dados?              │
└─────────────────────────────────────────────────────────────┘

<participation> — QUEM

Define qual subconjunto de clientes elegíveis participa de cada rodada.

<participation>
  <selectionStrategy>random_sampled</selectionStrategy>
  <samplingFraction>0.70</samplingFraction>   <!-- obrigatório se strategy=random_sampled -->
  <minimumClients>1</minimumClients>          <!-- mínimo para iniciar rodada -->
  <nonResponsivePolicy>PROCEED_WITH_AVAILABLE</nonResponsivePolicy>
  <eligibleClientIds>                         <!-- opcional: restringe pool -->
    <item>client-1</item>
    <item>client-2</item>
  </eligibleClientIds>
  <rationale>
    Justificativa da estratégia de seleção escolhida.
  </rationale>
</participation>

<selectionStrategy> — estratégias disponíveis:

Valor Classe Java Quando usar
all_accepted AllAcceptedClientsStrategy Todos os clientes que aceitaram o contrato participam. Use quando a completude é crítica (ex.: dados de saúde).
random_sampled RandomSampledClientsStrategy Subconjunto aleatório por fração. Use em cenários non-IID com muitos clientes para aumentar diversidade.
round_robin RoundRobinStrategy Rotação determinística. Use quando a carga deve ser distribuída uniformemente ao longo das rodadas.

<nonResponsivePolicy> — comportamento quando cliente não responde:

Valor Comportamento
PROCEED_WITH_AVAILABLE Agrega com os clientes que responderam, ignora ausentes
REQUIRE_FULL_PARTICIPATION Aguarda todos os clientes selecionados; aborta rodada se algum falhar
REQUIRE_QUORUM_OF_SELECTED Agrega somente se atingir o quórum definido em <aggregation>

Importante: <minimumClients> em <participation> controla o mínimo para iniciar a rodada. O quórum para aceitar a agregação é definido em <aggregation>/<minimumClients>.

<schedule> — QUANDO

Controla o tempo de cada rodada e a condição de encerramento do experimento.

<schedule>
  <roundTimeoutSeconds>3600</roundTimeoutSeconds>    <!-- tempo máximo de 1 rodada -->
  <maxRounds>0</maxRounds>                          <!-- 0 = sem limite fixo -->
  <terminationCondition>MANUAL</terminationCondition>
  <scheduledStart>2026-07-01T09:00:00Z</scheduledStart>  <!-- opcional: agendamento -->
  <monitoringNotes>
    Texto livre para o pesquisador: o que observar, quando encerrar,
    critérios de convergência, etc.
  </monitoringNotes>
</schedule>

<terminationCondition> — condições de encerramento:

Valor Comportamento <maxRounds>
MANUAL O pesquisador encerra via monitor web quando julgar adequado Ignorado (deve ser 0)
MAX_ROUNDS O sistema encerra automaticamente após maxRounds rodadas Obrigatório > 0

Quando terminationCondition=MAX_ROUNDS e maxRounds=0, o documento é inválido — o XSD rejeita essa combinação.

Exemplos de configuração:

<!-- Desenvolvimento rápido: máximo 5 rodadas, 10 min cada -->
<schedule>
  <roundTimeoutSeconds>600</roundTimeoutSeconds>
  <maxRounds>5</maxRounds>
  <terminationCondition>MAX_ROUNDS</terminationCondition>
</schedule>

<!-- Produção: encerramento manual com 2h de timeout -->
<schedule>
  <roundTimeoutSeconds>7200</roundTimeoutSeconds>
  <maxRounds>0</maxRounds>
  <terminationCondition>MANUAL</terminationCondition>
</schedule>

<aggregation> — COMO (mecânica)

Define os parâmetros da agregação FedAvg e os critérios de aceitação de updates.

<aggregation>
  <strategy>fedavg_mlp_weights</strategy>
  <minimumClients>13</minimumClients>       <!-- quórum para agregar -->
  <minimumExamples>2600</minimumExamples>   <!-- total de exemplos mínimo -->
  <maxClientWeight>0.30</maxClientWeight>   <!-- peso máximo de um único cliente -->
  <minClientWeight>0.01</minClientWeight>   <!-- peso mínimo para participar -->
  <maxUpdateNorm>5000.0</maxUpdateNorm>     <!-- norma L2 máxima do vetor de update -->
  <clippingEnabled>true</clippingEnabled>   <!-- clipa updates com norma > maxUpdateNorm -->
</aggregation>

Como escolher <maxUpdateNorm>:

Tipo de update Ordem de grandeza típica
Vetor numérico simples (DT) 1 – 100
Pesos de MLP pequeno (ECG: 23k params) 1.000 – 10.000
Pesos de MLP médio (HAR: 177k params) 5.000 – 50.000
Gradientes completos 100 – 1.000

<privacy> — COMO (segurança)

Define as políticas de privacidade aplicadas antes da transmissão dos updates.

<privacy>
  <differentialPrivacy>true</differentialPrivacy>
  <epsilon>1.0</epsilon>                    <!-- orçamento de privacidade ε -->
  <noiseMultiplier>1.1</noiseMultiplier>    <!-- multiplicador de ruído Gaussiano -->
  <secureAggregation>false</secureAggregation>
  <maxRoundsPerClient>5</maxRoundsPerClient> <!-- limita composição de privacidade -->
</privacy>

Diretrizes LGPD para <differentialPrivacy>:

Categoria dos dados (<lgpd>/<dataCategory>) DP recomendada
general Opcional
behavioral Recomendada
industrial_telemetry Recomendada em produção
sensitive_health Obrigatória para dados clínicos reais
sensitive_biometric Obrigatória

<outputs> — Saídas autorizadas

Define o que cada cliente pode transmitir ao agregador.

<outputs>
  <files>
    <item>local_update.bin</item>    <!-- vetor de pesos/update -->
    <item>metrics.json</item>        <!-- métricas de treinamento -->
    <item>data_profile.json</item>   <!-- perfil do dataset local -->
  </files>
  <allowedMetrics>
    <item>train_accuracy</item>
    <item>sample_count</item>
    <!-- apenas métricas listadas aqui podem ser publicadas no MQTT -->
  </allowedMetrics>
  <prohibited>
    <item>raw_records</item>         <!-- campos explicitamente bloqueados -->
    <item>subject_identifier</item>
  </prohibited>
  <maxSizeBytes>20971520</maxSizeBytes>  <!-- limite total: 20 MB -->
</outputs>

O OutputPolicy do ExperimentContract Java é construído diretamente a partir desta seção. Qualquer campo em <prohibited> é filtrado pelo DataComponent antes do treinamento.


<lgpd> — Conformidade LGPD

Obrigatório em todos os experimentos. Documenta a base legal e as garantias de privacidade.

<lgpd>
  <legalBasis>LGPD Art. 7, III — execução de pesquisa com consentimento do titular</legalBasis>
  <dataCategory>behavioral</dataCategory>
  <pseudonymizationSalt>${LGPD_PSEUDONYM_SALT}</pseudonymizationSalt>  <!-- opcional -->
  <retentionDays>730</retentionDays>
  <notes>
    Descrição livre das salvaguardas implementadas.
  </notes>
</lgpd>

<dataCategory> — categorias de dados:

Valor Descrição LGPD Requisitos adicionais
general Dado não sensível (Art. 5, I) Base legal Art. 7
behavioral Padrão de comportamento/mobilidade Base legal Art. 7; DP recomendada
industrial_telemetry Telemetria de equipamentos Base legal Art. 7, IX
sensitive_health Dado de saúde (Art. 5, II) Base legal Art. 11; DP obrigatória
sensitive_biometric Dado biométrico (Art. 5, II) Base legal Art. 11; DP obrigatória

O texto completo do termo fica em <identity>/<consentContract>/<body>, acompanhado de versão, vigência, direitos do titular e contato do controlador. As sessões HAR e ECG carregam esse conteúdo no campo consentTermsMarkdown do contrato aceito, em vez de passar um endereço URI.


<execution> — Execução

Documenta como compilar e executar o experimento.

<execution>
  <entrypoint>br.ufma.lsdi.research.har.HarTrainingLocalModel</entrypoint>
  <runtime>
    <language>java</language>
    <version>17</version>
    <buildFile>pom.xml</buildFile>
  </runtime>
  <scripts>
    <script name="compile" description="Compila todos os módulos">
      sh scripts/compile.sh
    </script>
    <script name="run" description="Executa experimento">
      sh scripts/run-har-experiment.sh "research/datasets/uci-har/UCI HAR Dataset"
    </script>
    <script name="test" description="Suite completa de testes">
      sh scripts/run-tests.sh
    </script>
  </scripts>
  <networkPolicy>restricted</networkPolicy>  <!-- rede bloqueada durante execução -->
  <fsPolicy>read_only_data</fsPolicy>        <!-- filesystem somente leitura -->
</execution>

Como criar um novo experimento

1. Copiar o template mínimo

<?xml version="1.0" encoding="UTF-8"?>
<experiment xmlns="urn:hdt-af:research:experiment:1.0"
            xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
            xsi:schemaLocation="urn:hdt-af:research:experiment:1.0 ../research-experiment.xsd"
            schemaVersion="1.0">

  <identity>
    <experimentId>exp-NOME-001</experimentId>
    <contractVersion>1.0.0</contractVersion>
    <title>Título descritivo do experimento</title>
    <coordinatorId>researcher-XXX-001</coordinatorId>
    <digitalTwinType>tipo_do_gemeo_digital</digitalTwinType>
    <taskType>binary_classification</taskType>
    <targetVariable>nome_da_variavel_alvo</targetVariable>
    <status>DRAFT</status>
  </identity>

  <dataset>
    <source>
      <name>Nome do dataset</name>
      <syntheticData>false</syntheticData>
    </source>
    <partitioning>
      <strategy>subject_based</strategy>
      <numClients>10</numClients>
    </partitioning>
    <schema>
      <sourceModel>federated_local_cdm</sourceModel>
      <fields>
        <field name="feature_x" type="float" role="feature" required="true"/>
        <field name="target_y"  type="integer" role="target" required="true"/>
      </fields>
    </schema>
  </dataset>

  <model>
    <algorithmId>federated_mlp_classifier</algorithmId>
    <updateFormat>neural_network_weights_csv</updateFormat>
    <hyperparameters>
      <param name="epochs">10</param>
      <param name="batch_size">32</param>
      <param name="learning_rate">0.001</param>
    </hyperparameters>
    <supportedTargets>
      <item>jvm_server</item>
    </supportedTargets>
  </model>

  <orchestration>
    <participation>
      <selectionStrategy>all_accepted</selectionStrategy>
      <minimumClients>1</minimumClients>
      <nonResponsivePolicy>PROCEED_WITH_AVAILABLE</nonResponsivePolicy>
    </participation>
    <schedule>
      <roundTimeoutSeconds>3600</roundTimeoutSeconds>
      <maxRounds>0</maxRounds>
      <terminationCondition>MANUAL</terminationCondition>
    </schedule>
    <aggregation>
      <strategy>fedavg</strategy>
      <minimumClients>3</minimumClients>
      <minimumExamples>100</minimumExamples>
      <maxClientWeight>0.50</maxClientWeight>
      <minClientWeight>0.01</minClientWeight>
      <maxUpdateNorm>5000.0</maxUpdateNorm>
      <clippingEnabled>true</clippingEnabled>
    </aggregation>
    <privacy>
      <differentialPrivacy>false</differentialPrivacy>
      <secureAggregation>false</secureAggregation>
    </privacy>
  </orchestration>

  <outputs>
    <files>
      <item>local_update.bin</item>
      <item>metrics.json</item>
      <item>data_profile.json</item>
    </files>
    <allowedMetrics>
      <item>sample_count</item>
      <item>update_norm</item>
    </allowedMetrics>
  </outputs>

  <lgpd>
    <legalBasis>LGPD Art. 7, III</legalBasis>
    <dataCategory>general</dataCategory>
    <retentionDays>365</retentionDays>
  </lgpd>

  <execution>
    <entrypoint>br.ufma.lsdi.research.PACOTE.MeuTrainingLocalModel</entrypoint>
    <runtime>
      <language>java</language>
      <version>17</version>
      <buildFile>pom.xml</buildFile>
    </runtime>
    <scripts>
      <script name="run" description="Executa o experimento">sh scripts/run-NOME.sh</script>
    </scripts>
    <networkPolicy>restricted</networkPolicy>
    <fsPolicy>read_only_data</fsPolicy>
  </execution>

</experiment>

2. Validar contra o XSD

Via Maven (recomendado no CI):

mvn validate -pl research/experiments/exp-NOME-001

Via linha de comando com xmllint:

xmllint --noout \
  --schema research/experiments/research-experiment.xsd \
  research/experiments/exp-NOME-001/research.xml

Via IntelliJ IDEA: Abrir o research.xml → botão direito → "Validate". O IDE usa o xsi:schemaLocation para localizar o XSD automaticamente.

3. Registrar o hash no sistema

Após finalizar o research.xml, gere o hash SHA-256 e registre no ExperimentContract:

sha256sum research/experiments/exp-NOME-001/research.xml

O hash pode ser incluído no campo contractHash do contrato Java ou registrado como asset no Hyperledger Fabric para auditabilidade.


Relação com o código Java

O research.xml documenta as decisões que devem ser refletidas no código Java da sessão do experimento. A tabela abaixo mostra a correspondência:

Elemento XML Classe / campo Java
<identity>/<experimentId> ExperimentContract.experimentId()
<identity>/<contractVersion> ExperimentContract.contractVersion()
<orchestration>/<participation>/<selectionStrategy> ParticipationPolicy.selectionStrategyId()
<orchestration>/<participation>/<samplingFraction> ParticipationPolicy.randomSampled(fraction)
<orchestration>/<participation>/<nonResponsivePolicy> ParticipationPolicy.nonResponsivePolicy() → NonResponsivePolicy
<orchestration>/<schedule>/<roundTimeoutSeconds> ExperimentSchedule.roundTimeoutSeconds()
<orchestration>/<schedule>/<maxRounds> ExperimentSchedule.maxRounds()
<orchestration>/<schedule>/<terminationCondition> ExperimentSchedule.terminationCondition() → TerminationCondition
<orchestration>/<aggregation>/<minimumClients> AggregationPolicy.minimumClients()
<orchestration>/<aggregation>/<maxUpdateNorm> AggregationPolicy.maxUpdateNorm()
<orchestration>/<privacy>/<differentialPrivacy> PrivacyPolicy.differentialPrivacy()
<orchestration>/<privacy>/<epsilon> PrivacyPolicy.epsilon()
<identity>/<consentContract>/<body> ExperimentContract.consentTermsMarkdown()
<outputs>/<allowedMetrics> OutputPolicy.allowedMetrics()
<outputs>/<prohibited> OutputPolicy.prohibitedOutputs()

Regras de consistência

  1. <successMetric>/<name> deve aparecer em <outputs>/<allowedMetrics>.
  2. Se <terminationCondition> for MAX_ROUNDS, então <maxRounds> deve ser ≥ 1.
  3. Se <selectionStrategy> for random_sampled, então <samplingFraction> deve estar presente e ser um valor entre 0,0 e 1,0 (exclusivos).
  4. Se <dataCategory> for sensitive_health ou sensitive_biometric, é fortemente recomendado que <differentialPrivacy> seja true.
  5. Experimentos com dados pessoais devem incluir termo legível em <identity>/<consentContract>/<body> e carregar o texto em consentTermsMarkdown antes de aceitar o contrato.
  6. O <experimentId> deve coincidir exatamente com o nome do diretório do experimento.

Versionamento do schema

Versão XSD Mudanças
1.0 Versão inicial — suporte a ParticipationPolicy, ExperimentSchedule, AggregationPolicy, PrivacyPolicy, LGPD

Quando o schema evoluir (nova versão), atualizar o atributo schemaVersion no <experiment> e manter a retrocompatibilidade do XSD via elementos opcionais (minOccurs="0").