승차 공유 개인 정보 보호

Ride sharing privacy

승차 공유 네트워크는 다른 온라인 플랫폼과 마찬가지로 사용자 개인 정보 보호 문제에 직면해 있습니다.앱을 둘러싼 우려 사항에는 재무 세부 정보의 보안(서비스 비용을 지불해야 하는 경우가 종종 있음), 개인 세부 정보 및 위치의 개인 정보 보호가 포함됩니다.일부 운전자들이 자신의 보안을 위해 승객용 카메라를 사용하기로 선택함에 따라 탑승 중 개인 정보 보호 문제도 발생할 수 있습니다.승차 공유 서비스의 사용이 더욱 광범위해짐에 따라 이와 관련된 개인 정보 보호 문제도 마찬가지입니다.

역사

승차 공유는 제2차 세계 대전 이후로 개념이 되어 왔지만, 프로그램이 [1]디지털화되기 시작한 1990년대 무렵이 되어서야 가능했습니다.최초의 전화 기반 승차 매칭 프로그램은 워싱턴 대학교의 벨뷰 스마트 트래블러, 로스앤젤레스 통근 교통 서비스의 로스앤젤레스 스마트 트래블러, 새크라멘토 [1]라이드셰어의 라이드셰어 익스프레스였습니다.그러나 이러한 전화 기반 프로그램에서는 운영 비용이 수익을 초과하기 시작했으며 인터넷 및 이메일 기반의 승차 매치가 대안으로 제시되었습니다.이 프로그램은 폐쇄된 캠퍼스에서 테스트되었으며(워싱턴 대학교와 관련된 사람들만 사용할 수 있음) 매우 성공적이었습니다.다른 두 프로그램인 ATENA와 MINERVA는 둘 다 컴퓨터화되었지만 실패한 [1]결말에 직면했습니다.1990년대에 인터넷이 만들어졌을 때, 온라인 라이드 매칭이 만들어졌습니다.웹 사이트는 원래 사람들이 카풀 옵션에 대한 정보를 얻을 수 있는 목록이나 포럼을 가지고 있었지만, 인터넷은 더 역동적이고 상호작용적인 플랫폼을 개발할 수 있는 기능을 제공했습니다.이 개념은 기술이 전통적인 카풀과 다르지 않았기 때문에 이륙하지 않았고, 단지 그것들을 찾는 능력이 더 쉬워졌습니다.카풀과 승차공유는 그다지 인기 있는 선택사항이 아니었기 때문에, 참여한 소수의 사람들은 이미 의제를 설정했기 때문에, 시간적으로 볼 때, 그것은 일반적인 근무 시간 외의 교통수단이 필요한 사람들에게는 도움이 되지 않았습니다.더 큰 규모의 회사들은 승차 공유 플랫폼을 확산시키기 위해 승차 매칭 회사들과 협력하는 것에 관심을 갖기 시작했습니다.모바일 기술의 가용성과 고정 지점이 아닌 접근성이 더욱 두드러짐에 따라 이러한 기술은 더욱 주목을 받고 있습니다.

소프트웨어 데이터에 대한 사용자 입력/개인 정보 보호

소프트웨어

사용자 입력 기능

승차 공유 응용 프로그램에는 다음과 같은 몇 가지 일반적인 사용자 입력 기능이 있습니다.

  • 사용자는 픽업 대상을 입력할 수 있습니다.
  • 사용자는 하차 목적지를 입력할 수 있습니다.
  • 사용자는 집 또는 회사 주소를 저장할 수 있습니다.
  • 사용자는 자주 방문하는 경우 고유한 장소를 저장할 수 있습니다.
  • 사용자는 지도에서 자신의 정확한 위치를 찾을 수도 있습니다.
  • 사용자는 쉽게 액세스할 수 있도록 신용 카드 정보를 저장할 수 있습니다.
  • 사용자는 앱이 전화 연락처 정보에서 가져온 친구를 초대할 수 있습니다.
  • 사용자는 자신의 프로필을 만들 수 있습니다.
  • 사용자는 잠재적 드라이버의 프로필과 함께 제공되는 모든 리뷰를 볼 수 있습니다.

승차 공유 회사에는 수집되는 사용자 정보의 측면에서 불분명한 몇 가지 추적 기능도 있습니다.

  • 앱은 사용자의 현재 위치와 주변 지역을 자동으로 연결해 추적하기 때문에 앱이 열리면 홈 페이지와 사용자의 위치가 즉시 추적되면서 정확한 지도가 바로 열립니다.
  • 픽업 또는 드롭다운 위치로 설정된 최근 주소는 검색 기록에 보관됩니다.
  • 앱이 연락처 액세스와 같이 전화기에 저장된 개인 데이터에 연결하도록 허용하면 앱이 전화기의 연락처 아래에 저장된 전화 번호(주소, 개인 정보) 이상에 액세스할 수 있습니다.

우버의 사생활

Uber에는 사용자 개인 정보가 잠재적으로 잊혀질 수 있는 옵션이 있으며 사용자로부터 수집하는 데이터가 무엇인지 알고 있으며 [2]투명하게 유지되고 있습니다.

  • 라이브 위치를 공유하거나 공유 해제할 수 있으며 위치 설정을 항상 설정할 수 있습니다.
  • 계정 및 여행에 대한 알림을 받을 수 있는 기능.
  • 다른 사용자가 다른 사용자의 정보를 추적하는 경우 두 사람을 연결할 수 있는 다른 방법을 추가하는 저장된 연락처 제거 기능.
  • 긴급 상황 시 911과 여행 세부 정보를 공유할 수 있습니다.
  • 개인 일정을 앱과 동기화하는 기능.

리프트 프라이버시

Lyft의 개인 정보 보호 [3]정책에 따르면 이들이 수집하는 정보는 다음과 같습니다.

  • 본인에게 제공되는 등록 정보(이름, 이메일, 전화번호)
  • 소셜 미디어 계정을 등록하는 데 사용하는 경우 해당 프로필의 정보(이름, 성별, 프로필 사진, 친구)가 사용됩니다.
  • 사용자가 프로파일에 입력하기로 선택한 모든 정보
  • 요금을 청구하는 승객에 대한 지불 정보(신용 카드 정보는 해당 승객에 의해 저장되지 않음)
  • 지원 팀과의 모든 상호 작용
  • 운전자 신청 중에 제공되는 정보(DOB, 주소, 사회 보장, 면허 정보 등)
  • 운전자에게 지불할 지불 정보
  • 저장된 위치를 포함한 위치 정보
  • 앱이 사용 중인 장치에 대한 정보
  • 사용량 데이터
  • 승차자와 운전자 간의 통화 및 문자
  • 피드백
  • 연락처(사용자가 허용하는 경우)
  • 쿠키

하드웨어

차량 내부 카메라

아주 최근에는 승차 공유 차량에 물리적 카메라가 구현되었습니다.이 이전에, 카메라가 자동차와 관련된 유일한 시간은 교통 카메라와 경찰차였습니다.하지만 도로를 감시하고 차 밖에서 일어나는 일을 추적하는 연속 녹화 카메라의 양이 증가했습니다.운전자와 탑승자 간의 상호 작용을 기록하기 위해 자동차 내부에 카메라를 구현하는 것은 새로운 것입니다.하지만, 사람들은 이 녹음이 여행 기간 동안 계속되고, 그들의 녹음에 구두로 동의하지 않기 때문에 그들의 사생활에 대해 걱정합니다.하지만, 그들은 사람의 차에 타는 것에 동의하기 때문에, 그들은 운전자의 규칙을 따라야 합니다.오디오 녹음에 대한 연방 규칙이 있습니다. 연방법은 "한 당사자의 동의"[4]만 요구합니다.

기록에 대한 정부 정책

1968년 옴니버스 범죄 통제 및 안전 거리법에 따르면 음성 대화 녹음에 관한 정책이 있으며, 여기에는 "일방 동의" 규칙에 대한 명확성이 포함됩니다.음성 대화와 관련하여, 참여하지 않은 대화를 녹음하는 것은 불법입니다.그러나 상대방의 동의를 받거나 녹음이 진행 중임을 알릴 필요 없이 대화의 구성원일 경우 녹음할 수 있습니다.

걱정

위치 추적의 잠재적 악용

탑승자의 위치를 알고 있는 애플리케이션에서 데이터가 악용될 수 있는 여러 영역이 있습니다.여행 데이터가 수집되기 때문에 승차 공유 회사가 기업과 파트너십을 맺고 있는 경우, 파트너는 데이터를 사용하여 미래의 위치를 예측하고 개인의 [5][6]관심사와 시장을 정확히 파악할 수 있습니다.기업은 사용자가 가장 자주 방문하는 상점 유형과 브랜드에 대한 정보를 수집하고 추적 가능한 온라인 프로필을 구축할 수 있습니다.이것은 또한 광고 회사와 관련이 있을 수 있습니다. 광고 회사는 개인적인 관심사를 대상으로 하고 온라인 상호 작용을 변경하여 사용자가 방문한 장소에 특정한 광고를 표시하기 시작할 수 있습니다.*예외*

나쁜 영향이 발생할 수 있는 경우도 있습니다.사용자가 자신의 정치적 입장과 관련된 무언가에 참여할 경우, 회사는 나중에 정보를 얻기 위해 이를 저장할 수 있으며 전문적인 환경에서 회사와 접촉할 경우 잠재적으로 사용자에게 불리하게 사용할 수 있습니다.이는 의학적, 종교적 또는 법적 제휴에도 적용될 수 있으며, 외부의 관점에서 사용자의 위치와 방문한 장소를 정당화할 수 없습니다.

사용자가 만든 온라인 프로필과 관련하여, 사람이 돌아다니기 위해 승차 공유 서비스에만 의존하는 경우, 사용자가 집에서 얼마나 오랫동안 떨어져 있었는지, 얼마나 멀리 떨어져 있는지 추적할 수 있습니다.사람들이 집에 없는 이상적인 시간이 언제인지 알기 때문에 사람들이 사용자를 스토킹하거나 강탈할 수 있는 기회가 됩니다.*인용* 좀 더 넓은 규모로 보면, 사용자가 상호작용하는 지역의 인구통계를 기준으로, 특정 지역 내에서 동일한 매장을 자주 방문하는 경우, 추정 소득과 같은 정보를 가정할 수 있습니다.*예외*

사용자는 쉽게 액세스할 수 있도록 집 또는 회사 주소를 저장할 수 있습니다.대부분의 경우, 사용자는 실제 주소를 입력하지만, 경우에 따라 데이터가 유출될 경우를 대비하여 안전을 위해 주소를 몇 거리 떨어진 곳에 두는 것으로 알려져 있습니다.그러나 이는 매우 기본적인 편향 수준이지만, 집 주소를 두어 거리 떨어진 곳에 두면 사용자가 위치한 일반적인 위치를 알 수 있습니다.

위치 인식 응용 프로그램

개인은 자신의 위치 정보가 저장되는 방법, 무엇을, 언제, 어디서 그리고 다른 사람들이 어느 정도까지 액세스할 수 있는지에 대해 우려합니다.승차 공유 응용 프로그램뿐만 아니라 공유를 사용할 수 있는 응용 프로그램에도 위치를 인식하는 여러 유형의 응용 프로그램이 있습니다.위치 기반 검색(LBS)은 사용자의 추적이 추적하기 위해 사용자의 현재 위치 주변에 있는 항목과 건물을 반환할 때 발생합니다.위치를 [7]결정하기 위해 주변 건물의 방향과 함께 지도가 그려집니다.지리적 위치 서비스는 사용자가 환경적 설치 공간을 사용하여 추적할 수 있도록 합니다.사용자의 위치를 추정하는 것입니다.모바일 감지는 수집할 수 있는 센서와 정보가 있는 사용자의 물리적 장치를 정확히 파악하는 과정입니다.위치 공유는 사용자가 실시간 상태에 있고 위치가 지속적으로 업데이트되고 추적되는 자발적인 상태입니다.

사용자 정보 활용

애플리케이션과 사용자가 승차 공유 서비스에 액세스하는 방법을 자세히 살펴보면, 사용자가 앱에 데이터를 입력하면 웹에서 영구적으로 액세스할 수 있습니다.정보를 삭제하거나 계정을 삭제하더라도 온라인 플랫폼에 정보가 생성되어 사용자의 동의 여부와 상관없이 존재합니다.이러한 응용 프로그램은 사용자의 신원을 추적하는 데 사용할 수 있는 모든 기능인 전화 번호, 이메일 및 프로필 사진과 같은 사용자 정보를 요청합니다.이 정보가 애플리케이션의 데이터베이스에 저장되면 애플리케이션이 액세스할 수 있을 뿐만 아니라 애플리케이션의 모든 파트너가 간접적으로 액세스할 수 있습니다.

대부분의 앱은 사용자가 승차에 연결되기 전에 결제가 완료되어 있습니다.사용자는 결제 정보를 반복적으로 입력하는 대신 쉽게 액세스할 수 있도록 신용 카드 정보를 저장할 수 있습니다.모든 거래 전에 암호나 터치 ID와 같은 보안 수준이 추가되지만 앱에서 이 정보의 안전을 보장하지는 않습니다.사용자의 동의 하에 현재 거래가 이루어지는지만 확인합니다.

이미지 역방향 검색

사용자는 프로필 사진을 프로그램에 입력할 수 있습니다.이렇게 하는 것은 운전자들이 자신이 의도한 승객을 찾을 수 있도록 돕기 위한 의도입니다.그러나 라이더의 이미지가 어떻게든 저장되어 웹에 업로드되면 개인 계정에 연결될 수 있기 때문에 문제가 발생할 수 있습니다.예를 들어, 페이스북의 얼굴 인식 고급 알고리즘으로, 외부 사진에서 사람들의 신원을 더 쉽게 식별할 수 있습니다.

솔루션

잡음 분포

연구원들은 이러한 문제에 대한 해결책을 제시하는 결론을 내렸는데, 이는 데이터 개인 정보 보호와 사용자 [8]익명성을 모두 지원하는 시스템입니다.솔루션은 사용자의 특정 위치가 오프셋되도록 노이즈 분포를 생성하는 프로그램입니다.기본적으로 암호화를 통해 사용자의 위치를 입력하고 시스템만이 읽을 수 있는 위치를 보고하는 것입니다. 따라서 실제 위치를 조작하는 것이 아니라 데이터가 시스템에 입력되는 방식입니다.이 솔루션은 이미 Mac OS와 Linux의 두 가지 주요 운영 체제에 구현되었습니다.이 솔루션은 개인 정보가 침해되거나 잠재적으로 데이터가 도난당할 우려가 있어 이러한 승차 공유 애플리케이션을 사용하는 것이 의심되는 사람들에게 도움이 되지만, 이 소프트웨어는 사용자를 익명으로 유지할 뿐만 아니라 데이터 보안도 처리할 수 있음을 입증했습니다.사용자를 숨기기 위해 다른 담요를 만드는 추가 보안 계층에 가깝습니다.

K-익명

K-익명성은 익명화 서버 역할을 하며, 이 서버는 사용자에게 익명화 커버를 제공하는 역할을 담당하는 신뢰할 수 있는 타사 서버입니다.K-익명은 [9]사용자의 실제 위치를 알지 못하는 상태에서 위치 망토를 만들어 위치 개인정보를 보호하기 위해 사용됩니다.소프트웨어는 실제 사용자와 가까운 여러 사용자를 찾으려고 합니다. 정확한 위치가 문제의 원래 사용자와 다시 연관될 수 없고 사용자가 근접하게 식별할 수 없는 이러한 여러 위치가 원래 사용자를 보호할 수 있기 때문입니다.모든 [9]사용자를 구분할 수 있는 방법은 없습니다.

퍼지 간섭 시스템

또 다른 해결책은 모바일 지리 [10]서비스와 관련하여 퍼지 간섭 시스템을 사용하는 것입니다.이 솔루션은 조직이 수집한 정보를 악용하기 쉬운 사용자를 식별하기 위해 다양한 세부 정보를 사용합니다.현재 위치 기반 서비스는 가장 가까운 종교 기관과 같은 몇 가지 민감한 정보를 노출할 수 있으며, 이는 조직이 순수한 상업적 목적으로 사용하는 사용자의 신원을 노출할 수 있습니다.이 논문은 우발적인 위반 시 사용자의 데이터를 보호하는 익명화 솔루션을 제안합니다.퍼지 추론 시스템과 작동 방식에 대한 설명이 있고 *작동 방식 설명*, 그리고 택시 운전사의 잠재적인 암시 방법이 잘 작동하는 것으로 입증된 익명화와 함께 구체적인 설계가 없기 때문에 이것이 사람들의 정보를 보호하는 효과적인 방법인지 확인합니다.위치 시스템이 사용자를 좁힐 수 있는 정밀도에는 여러 가지 수준이 있습니다.이러한 시스템은 양적 데이터를 질적 데이터로 변환하여 사용자의 신원과 위치를 흐리게 합니다.택시 운전사를 대상으로 시범 구현을 실시한 후, 몇 가지 문제가 발생했는데, 주로 사람의 실수로 인한 것이었습니다. 하지만 앞으로는 이 솔루션에 더 많은 시간을 투자하고 기존 솔루션과 결합하면 더 효과적인 솔루션을 제공할 수 있습니다.위치가 추적되고 사용자를 추적하는 데 사용되는 것을 두려워하는 사람들에게 이 솔루션은 사용자 데이터를 모호하게 만들어 추적 중이라면 완전히 정확하지 않습니다.추적 소프트웨어가 퍼지 솔루션을 구현한 사람들과 얼마나 가까운지에 대한 실험적 거리를 보여주는 데이터 테이블이 있습니다.이 솔루션은 사용자의 개인 정보를 완전히 보호하는 방법에 대한 문제를 완전히 해결하지는 못했지만 아직 도입 단계에 불과하기 때문에 성숙할 시간이 충분하지 않기 때문에 다른 접근 방식을 취하고 있습니다.위치 추적 소프트웨어는 이 솔루션을 시도하고 극복하기 위한 솔루션이 취해진 경우에도 여전히 비공개이지만 더 많은 연구와 리소스를 투입하면(특히 더 잘 개발될 수 있는 영역을 알려줌) 더 확장하고 개발될 수 있다는 결론을 내리기 때문에 개방적인 결말을 남깁니다.더 [11]나은

위치 변환

한 가지 제안된 솔루션은 외부 소스가 누군가의 개인 정보를 입수하는 것이 얼마나 어려울지 추정하는 모델입니다.위치 난독화, 섭동, 혼란 및 억제, 암호화 [7]기술을 포함하여 데이터를 숨기는 데 도움이 될 수 있는 몇 가지 메커니즘이 제안되었습니다.

위치 난독화

사용자의 위치를 난독화하는 것은 사용자의 위치를 흐리게 하는 것을 의미합니다.사용자의 위치 좌표는 여전히 보존되고 있지만 정확도는 [12]저하되고 있습니다.그러나 이는 위치 기반 서비스의 전체 이유를 무시하는 것이기 때문에 완전한 해결책이 될 수 없습니다.따라서 응용 프로그램이 난독화하는 것을 선택하는 것이 [7]보호에 도움이 될 것입니다.

NRand 알고리즘이라는 프로그램이 있는데, 이것은 사용자 위치 데이터에 가해지는 방해의 양을 결정하는 알고리즘입니다.이 알고리즘에는 구현해야 할 노이즈의 양과 데이터 변경이 원래 상태에서 [13]인식할 수 없는 형태로 변경하기에 충분한지 여부를 결정하는 것을 포함하여 몇 가지 문제가 발생합니다.

위치 섭동

지도에서 위치는 가까운 곳에 있지만 노이즈가 추가되어 정확한 사용자 위치는 아닙니다.이 레이어를 추가하면 충분히 가까운 범위에 다른 위치가 있으면 전환이 여러 위치에 추가되고 모든 [7][13]관심 지점을 마스킹합니다.

혼란과 억압

더미 위치가 실제 위치로 설정됩니다.이 작업은 사용자의 특정 위치를 정확하게 지정하고 여러 다른 위치로 변환하면서 실제 위치를 유지함으로써 수행됩니다.억제는 사용자가 영역에 진입할 때 사용자 정보가 일시적으로 일시적으로 중단되고 사용자의 ID가 손실되므로 보호 영역에서 다시 나갈 때 새 [7]ID를 갖게 되는 이러한 다양한 응용 프로그램의 하위 집합입니다.

암호화 기술

정보가 일종의 암호화 인터프리터를 통해 여러 [7]다른 데이터 포인트로 변환될 수 있기 때문에 원래 데이터를 추적할 수 없습니다.

참고 항목

레퍼런스

  1. ^ a b c Chan, Nelson D.; Shaheen, Susan A. (January 2012). "Ridesharing in North America: Past, Present, and Future" (PDF). Transport Reviews. 32 (1): 93–112. doi:10.1080/01441647.2011.621557. ISSN 0144-1647. S2CID 131187130.
  2. ^ "Uber Privacy". privacy.uber.com. Retrieved 2019-03-14.
  3. ^ Inc, Lyft. "Lyft Privacy Policy". Lyft. Retrieved 2019-04-21. {{cite web}}: last=일반 이름 있음(도움말)
  4. ^ "Reporter's Recording Guide". The Reporters Committee for Freedom of the Press. Retrieved 2020-12-01.
  5. ^ Hallgren, Per; Orlandi, Claudio; Sabelfeld, Andrei (August 2017). "PrivatePool: Privacy-Preserving Ridesharing". 2017 IEEE 30th Computer Security Foundations Symposium (CSF). Santa Barbara, CA: IEEE: 276–291. doi:10.1109/CSF.2017.24. ISBN 978-1-5386-3217-8. S2CID 10509617.
  6. ^ Kikuchi, Hiroaki; Takahashi, Katsumi (July 2015). "Zipf distribution model for quantifying risk of re-identification from trajectory data". 2015 13th Annual Conference on Privacy, Security and Trust (PST). IEEE: 14–21. doi:10.1109/pst.2015.7232949. ISBN 978-1-4673-7828-4.
  7. ^ a b c d e f Damiani, Maria L. (Oct 2014). "Location privacy models in mobile applications: conceptual view and research directions". GeoInformatica. 18 (4): 819–842. doi:10.1007/s10707-014-0205-7. S2CID 1536208. ProQuest 1562335430.
  8. ^ Pingley, Aniket; Yu, Wei; Zhang, Nan; Fu, Xinwen; Zhao, Wei (July 2012). "A context-aware scheme for privacy-preserving location-based services". Computer Networks. 56 (11): 2551–2568. doi:10.1016/j.comnet.2012.03.022. ISSN 1389-1286.
  9. ^ a b Biswas, Pratima; Sairam, Ashok Singh (July 2018). "Modeling privacy approaches for location based services". Computer Networks. 140: 1–14. doi:10.1016/j.comnet.2018.04.016. ISSN 1389-1286. S2CID 47021116.
  10. ^ Hashemi, Mahdi; Malek, Mohammad Reza (July 2012). "Protecting location privacy in mobile geoservices using fuzzy inference systems". Computers, Environment and Urban Systems. 36 (4): 311–320. doi:10.1016/j.compenvurbsys.2011.12.002. ISSN 0198-9715.
  11. ^ Ji, Rui; Yang, Yupu (2013-06-19). "Smooth support vector learning for fuzzy rule-based classification systems". Intelligent Data Analysis. 17 (4): 679–695. doi:10.3233/ida-130600. ISSN 1571-4128.
  12. ^ Zurbarán, Mayra; Wightman, Pedro; Brovelli, Maria; Oxoli, Daniele; Iliffe, Mark; Jimeno, Miguel; Salazar, Augusto (2018-08-17). "NRand-K: Minimizing the impact of location obfuscation in spatial analysis". Transactions in GIS. 22 (5): 1257–1274. doi:10.1111/tgis.12462. ISSN 1361-1682. S2CID 53013020.
  13. ^ a b Hua, Jingyu; Tong, Wei; Xu, Fengyuan; Zhong, Sheng (2017). "A Geo-Indistinguishable Location Perturbation Mechanism for Location-Based Services Supporting Frequent Queries". IEEE Transactions on Information Forensics and Security. 13 (5): 1155–1168. doi:10.1109/tifs.2017.2779402. ISSN 1556-6013. S2CID 25233842.