Re-identificação de trajetórias de veículos baseada na caracterização das preferências de caminho

• Ekler Paulino Mattos UFMG / UFMS
• Augusto C. S. A. Domingues UFMG
• Antonio A. F. Loureiro UFMG

DOI: https://doi.org/10.5753/sbrc.2019.7405

Resumo

Traces de mobilidade veicular são conjuntos de dados de localização dos veículos em uma região com alta precisão espaço-temporal. O acesso a essas informações sensíveis podem ameaçar à segurança e privacidade dos motoristas, dado que a análise desses dados torna possível a descoberta de outras informações contextuais e latentes, como suas rotas diárias para casa ou o endereço do local de trabalho. Desta forma, muitas técnicas de ofuscação e anonimização têm sido propostas para mitigar o problema de privacidade de localização de usuários. Neste trabalho, analizamos uma técnica de anonimização chamada mix-zone, onde regiões urbanas promovem a anonimização simultânea de veículos pela mudança de seu pseudônimo. Mostramos como as informações sobre o comportamento dos motoristas em uma cidade, com suas preferências de caminho, podem ser usadas para re-identificar as suas trajetórias. Apresentamos uma técnica de re-identificação simples e eficiente que usa apenas dois pontos geo-referenciados como entrada. Validamos a nossa técnica com um dataset real dos traces de táxis da cidade de São Francisco, EUA, na qual re-identificamos até 95% das trajetórias anonimizadas.

Palavras-chave: Redes Veiculares, Mobilidade, Privacidade

Referências

Arain, Q. A., Memon, I., Deng, Z., Memon, M. H., Mangi, F. A., Zubedi, A. (2018). Location monitoring approach: multiple mix-zones with location privacy protection based on traffic flow over road networks. Multimedia Tools and Applications, 77(5), 5563–5607.

Beresford, A. R., Stajano, F. (2003). Location privacy in pervasive computing. IEEE Pervasive computing(1), 46–55.

Beresford, A. R., Stajano, F. (2004). Mix zones: User privacy in location-aware services. In Pervasive computing and communications workshops, 2004. proceedings of the second ieee annual conference on (pp. 127–131).

Chang, S., Li, C., Zhu, H., Lu, T., Li, Q. (2018). Revealing privacy vulnerabilities of anonymous trajectories. IEEE Transactions on Vehicular Technology.

Chaum, D. L. (1981). Untraceable electronic mail, return addresses, and digital pseudonyms. Communications of the ACM, 24(2), 84–90.

Chen, Z., Fu, Y., Zhang, M., Zhang, Z., Li, H. (2018). A flexible mix-zone selection scheme towards trajectory privacy protection. In 2018 17th ieee international conference on trust, security and privacy in computing and communications/12th ieee international conference on big data science and engineering (trustcom/bigdatase) (pp. 1180–1186).

Chow, C.-Y., Mokbel, M. F. (2011). Trajectory privacy in location-based services and data publication. ACM Sigkdd Explorations Newsletter, 13(1), 19–29.

De Montjoye, Y.-A., Hidalgo, C. A., Verleysen, M., Blondel, V. D. (2013). Unique in the crowd: The privacy bounds of human mobility. Scientific reports, 3, 1376.

Domingues, A. C., Silva, F. A., Loureiro, A. A. (2018). Space and time matter: An analysis about route selection in mobility traces. In 2018 ieee symposium on computers and communications (iscc) (pp. 00958–00963).

Dubuisson, M.-P., Jain, A. K. (1994). A modified hausdorff distance for object matching. In Proceedings of 12th international conference on pattern recognition (pp. 566– 568).

Freudiger, J., Raya, M., Félegyh´azi, M., Papadimitratos, P., Hubaux, J.-P. (2007). Mixzones for location privacy in vehicular networks. In Acm workshop on wireless networking for intelligent transportation systems (win-its).

Hoque, M. A., Hong, X., Dixon, B. (2012). Analysis of mobility patterns for urban taxi cabs. In Computing, networking and communications (icnc), 2012 international conference on (pp. 756–760).

Krumm, J. (2009). A survey of computational location privacy. Personal and Ubiquitous Computing, 13(6), 391–399.

Liu, B., Zhou, W., Zhu, T., Gao, L., Xiang, Y. (2018). Location privacy and its applications: A systematic study. IEEE Access, 6, 17606–17624.

Matheson, R. (2018). The privacy risks of compiling mobility data. Retrieved 2018-12-07, from http://news.mit.edu/2018/privacy-risks -mobility-data-1207

Piorkowski, M., Sarafijanovic-Djukic, N., Grossglauser, M. (2009, February).

CRAWDAD dataset epfl/mobility (v. 2009-02-24). Downloaded from https://crawdad.org/epfl/mobility/20090224. doi: 10.15783/C7J010

Primault, V., Boutet, A., Mokhtar, S. B., Brunie, L. (2018). The long road to computational location privacy: A survey. IEEE Communications Surveys & Tutorials.

Rossi, L., Walker, J., Musolesi, M. (2015). Spatio-temporal techniques for user identification by means of gps mobility data. EPJ Data Science, 4(1), 11.

Sekara, V., Mones, E., Jonsson, H. (2018). Temporal limits of privacy in human behavior. arXiv preprint arXiv:1806.03615.

Sui, P., Wo, T., Tianyu, Z., Li, X. (2013). Privacy-preserving trajectory publication against parking point attacks. 2013 IEEE 10th International Conference on Ubiquitous Intelligence and Computing and 2013 IEEE 10th International Conference on Autonomic and Trusted Computing.

Tan, Z., Wang, C., Fu, X., Cui, J., Jiang, C., Han, W. (2017). Re-identification of vehicular location-based metadata. ICST Trans. Security Safety, 4(11), e1.

Wernke, M., Skvortsov, P., D¨urr, F., Rothermel, K. (2014). A classification of location privacy attacks and approaches. Personal and ubiquitous computing, 18(1), 163– 175.

Zan, B., Sun, Z., Gruteser, M., Ban, X. (2013). Linking anonymous location traces through driving characteristics. In Proceedings of the third acm conference on data and application security and privacy (pp. 293–300).