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.yamle código. - Rastreabilidade — hash do
research.xmlpode 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_ROUNDSemaxRounds=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
OutputPolicydoExperimentContractJava é construído diretamente a partir desta seção. Qualquer campo em<prohibited>é filtrado peloDataComponentantes 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):
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:
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¶
<successMetric>/<name>deve aparecer em<outputs>/<allowedMetrics>.- Se
<terminationCondition>forMAX_ROUNDS, então<maxRounds>deve ser ≥ 1. - Se
<selectionStrategy>forrandom_sampled, então<samplingFraction>deve estar presente e ser um valor entre 0,0 e 1,0 (exclusivos). - Se
<dataCategory>forsensitive_healthousensitive_biometric, é fortemente recomendado que<differentialPrivacy>sejatrue. - Experimentos com dados pessoais devem incluir termo legível em
<identity>/<consentContract>/<body>e carregar o texto emconsentTermsMarkdownantes de aceitar o contrato. - 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").