کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6853954 1437281 2018 39 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Location disclosure risks of releasing trajectory distances
ترجمه فارسی عنوان
خطرات افشای موقعیت مکانی از انتشار فاصله مسافت
ترجمه چکیده
دستگاه های ردیابی موقعیت مکانی مسیرهایی را برای خدمات و برنامه های جدید مانند ردیابی وسایل نقلیه و مدیریت ناوگان جمع آوری می کنند. در حالی که داده های مسیریابی یک منبع سودآور برای تجزیه و تحلیل داده است، همچنین حاوی اطلاعات حساس و تجاری حیاتی است. این امر منجر به توسعه سیستم هایی شده است که محاسبات حفظ حریم خصوصی را بر روی پایگاه داده های مسیریابی امکان پذیر می سازد، اما بسیاری از این سیستم ها در حقیقت (به طور مستقیم یا غیر مستقیم) به یک دشمن اجازه می دهند که فاصله (یا شباهت) بین دو مسیر را محاسبه کند. ما نشان می دهیم که استفاده از چنین سیستم هایی موجب نگرانی های امنیتی می شود که دشمن دارای مجموعه ای از مسیرهای شناخته شده است. به طور خاص، با توجه به مجموعه ای از مسیرهای شناخته شده و فاصله آنها به خطوط خصوصی و ناشناخته، ما یک حمله را ایجاد می کنیم که مکان هایی را که مسیر شخصی خصوصی شده است، با اعتماد به نفس بالا به ارمغان می آورد. حمله می تواند مورد استفاده قرار گیرد تا هر دو نتیجه مثبت (یعنی قربانی از یک مکان خاص بازدید کرده) و نتایج منفی (یعنی قربانی از یک مکان خاص بازدید نکرده باشد) مورد استفاده قرار گیرد. آزمایشات روی داده های واقعی و مصنوعی دقت صحت حمله ما را نشان می دهد.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
چکیده انگلیسی
Location tracking devices enable trajectories to be collected for new services and applications such as vehicle tracking and fleet management. While trajectory data is a lucrative source for data analytics, it also contains sensitive and commercially critical information. This has led to the development of systems that enable privacy-preserving computation over trajectory databases, but many of such systems in fact (directly or indirectly) allow an adversary to compute the distance (or similarity) between two trajectories. We show that the use of such systems raises privacy concerns when the adversary has a set of known trajectories. Specifically, given a set of known trajectories and their distances to a private, unknown trajectory, we devise an attack that yields the locations which the private trajectory has visited, with high confidence. The attack can be used to disclose both positive results (i.e., the victim has visited a certain location) and negative results (i.e., the victim has not visited a certain location). Experiments on real and synthetic datasets demonstrate the accuracy of our attack.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Data & Knowledge Engineering - Volume 113, January 2018, Pages 43-63
نویسندگان
, , , ,