Autenticação Comportamental de Motoristas em Redes Veiculares

  • Paulo H. L. Rettore UFMG
  • André B. Campolina UFMG
  • Artur Souza UFMG
  • Guilherme Maia UFMG
  • Leandro A. Villas UNICAMP
  • Antonio A. F. Loureiro UFMG

Resumo


Muito se discute sobre o potencial de processamento e comunicação sem fio de veículos em um sistema de transporte. Nesse sentido, as redes veiculares (VANETs) têm como objetivo explorar a capacidade de comunicação e sensoriamento de veículos para alimentar com dados aplicações e serviços. VANETs também contribuem para o surgimento de Sistemas de Assistência ao Motorista (ADAS) e Sistemas de Transporte Inteligente (ITS), que buscam fornecer serviços aos usuários como viagens mais seguras e menos cansativas. Muitos desses sistemas necessitam autenticar seus usuários, porém o fazem de maneira que um motorista invasor possa utilizá-los. Este trabalho explora a identificação de motoristas como fator extra de autenticação em serviços locais e de uma rede veicular. Para isso, foi desenvolvido um sensor virtual para determinar a identidade de motoristas, com precisão acima de 98%, usando dados de sensores embarcados. Esse sensor também é utilizado na identificação de motoristas suspeitos. Além disso, diante da identificação de suspeitos, são discutidos os impactos desses motoristas na disseminação de dados em uma rede veicular. 

Referências

Aoude, G. S., Desaraju, V. R., Stephens, L. H., and How, J. P. (2011). Behavior classication algorithms at intersections and validation using naturalistic data. IEEE Intelligent Vehicles Symposium, Proceedings, (Iv):601–606.

Bergasa, L. M., Almeria, D., Almazan, J., Yebes, J. J., and Arroyo, R. (2014). DriveSafe: An app for alerting inattentive drivers and scoring driving behaviors. IEEE Intelligent Vehicles Symposium, Proceedings, (Iv):240–245.

Burton, A., Parikh, T., Mascarenhas, S., Zhang, J., Voris, J., Artan, N. S., and Li, W. (2016). Driver identication and authentication with active behavior modeling. In 12th International Conference on Network and Service Management (CNSM).

Carmona, J., García, F., Martín, D., Escalera, A., and Armingol, J. (2015). Data Fusion for Driver Behaviour Analysis. Sensors, 15(10):25968–25991.

Fleming, W. J. (2001). Overview of Automotive Sensors. IEEE Sensors Journal, 1(4):296–308.

Geurts, P., Ernst, D., and Wehenkel, L. (2006). Extremely randomized trees. Machine learning, 63(1):3–42.

Hallac, D., Sharang, A., Stahlmann, R., Lamprecht, A., Huber, M., Roehder, M., Leskovec, J., et al. (2016). In Intelligent Transportation Driver identication using automobile sensor data from a single turn. Systems (ITSC), 2016 IEEE 19th International Conference on, pages 953–958. IEEE.

Johnson, D. A. and Trivedi, M. M. (2011). Driving style recognition using a smartphone as a sensor platform. In 2011 14th International IEEE Conference on Intelligent Transportation Systems (ITSC), pages 1609–1615. IEEE.

Lin, J., Chen, S., Shih, Y., and Chen, S.-h. (2009). A study on remote on-line diagnostic system for vehicles by integrating the technology of OBD, GPS, and 3G. World Academy of Science, Engineering and Technology, 32(8):435–441.

Martínez, M., Echanobe, J., and del Campo, I. (2016). Driver identication and impostor detection based on driving behavior signals. In Intelligent Transportation Systems (ITSC), 2016 IEEE 19th International Conference on, pages 372–378. IEEE.

Olson, R. S., Bartley, N., Urbanowicz, R. J., and Moore, J. H. (2016). Evaluation of a tree-based pipeIn Proceedings of the Genetic and Evolutionary line optimization tool for automating data science. Computation Conference 2016, GECCO ’16, pages 485–492, New York, NY, USA. ACM.

Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., Vanderplas, J., Passos, A., Cournapeau, D., Brucher, M., Perrot, M., and Duchesnay, E. (2011). Scikit-learn: Machine learning in Python. Journal of Machine Learning Research, 12:2825–2830.

Qu, F., Wang, F. Y., and Yang, L. (2010). Intelligent transportation spaces: Vehicles, trafc, communications, and beyond. IEEE Communications Magazine, 48(11):136–142.

Rettore, P. H., André, B. P. S., Campolina, Villas, L. A., and A.F. Loureiro, A. (2016). Towards intravehicular sensor data fusion. In Advanced perception, Machine learning and Data sets (AMD’16) as part of the 2016 IEEE 19th International Conference on Intelligent Transportation Systems (ITSC 2016), Rio de Janeiro.

Rettore, P. H. L., Campolina, A. B., Villas, L. A., and Loureiro, A. A. F. (2017). A method of eco-driving In 2017 IEEE Symposium on Computers and Communications based on intra-vehicular sensor data. (ISCC), pages 1122–1127, Heraklion, Greece. IEEE.

Salemi, M. (2015). Authenticating drivers based on driving behavior. Rutgers The State University of New Jersey-New Brunswick.

Silva, H., Lourenço, A., and Fred, A. (2012). In-vehicle driver recognition based on hand ecg signals. In Proceedings of the 2012 ACM international conference on Intelligent User Interfaces.

Yuan, W. and Tang, Y. (2011). The driver authentication device based on the characteristics of palmprint and palm vein. In International Conference on Hand-Based Biometrics, pages 1–5.

Zhang, C., Patel, M., Buthpitiya, S., Lyons, K., Harrison, B., and Abowd, G. D. (2016). Driver Classication Based on Driving Behaviors. Proceedings of the 21st International Conference on Intelligent User Interfaces IUI ’16, pages 80–84.
Publicado
10/05/2018
Como Citar

Selecione um Formato
RETTORE, Paulo H. L.; CAMPOLINA, André B.; SOUZA, Artur; MAIA, Guilherme; VILLAS, Leandro A.; LOUREIRO, Antonio A. F.. Autenticação Comportamental de Motoristas em Redes Veiculares. In: SIMPÓSIO BRASILEIRO DE REDES DE COMPUTADORES E SISTEMAS DISTRIBUÍDOS (SBRC), 36. , 2018, Campos do Jordão. Anais [...]. Porto Alegre: Sociedade Brasileira de Computação, 2018 . p. 589-602. ISSN 2177-9384. DOI: https://doi.org/10.5753/sbrc.2018.2444.

Artigos mais lidos do(s) mesmo(s) autor(es)

1 2 > >>