승차 공유 개인 정보 보호

Ride Sharing Privacy

승차공유 네트워크는 다른 온라인 플랫폼과 마찬가지로 사용자 프라이버시 문제에 직면해 있다. 앱을 둘러싼 우려는 (서비스 비용을 지불하기 위해 종종 요구되는) 금융 세부사항의 보안과 개인 세부사항 및 위치의 프라이버시 등이다. 일부 운전자들이 자신의 보안을 위해 승객을 대면하는 카메라를 선택함에 따라 탑승 중 사생활에 대한 우려도 제기될 수 있다. 승차공유 서비스의 이용이 확산됨에 따라 이와 관련된 프라이버시 문제도 확산된다.

역사

승차 공유는 제2차 세계대전 이후 개념이었지만, 프로그램 디지털화가 시작된 것은 1990년대 전후가 되어서였다.[1] 최초의 전화 기반 승차 매칭 프로그램으로는 워싱턴 대학교의 벨뷰 스마트 트래블러, 로스앤젤레스의 통근 교통 서비스의 로스엔젤레스 스마트 트래블러, 새크라멘토 라이더스샤레의 라이더샤어 익스프레스 등이 있었다.[1] 그러나 이러한 전화 기반 프로그램에서는 운영 비용이 수익을 초과하기 시작했고 대안인 인터넷 및 전자우편 기반 승차감이 제안되었다. 이 프로그램은 폐쇄된 캠퍼스에서 테스트되었으며(워싱턴 대학과 관련된 사람들에게만 제공됨) 매우 성공적이었다. Athena와 MINERBA라는 다른 두 프로그램은 둘 다 컴퓨터화되었지만 성공적인 결말을 맞이했다.[1] 1990년대에 인터넷이 만들어졌을 때, 온라인 라이드 매칭이 만들어졌다. 웹사이트는 원래 사람들이 카풀 옵션을 위한 정보를 얻을 수 있는 목록이나 포럼을 가지고 있었지만, 인터넷은 플랫폼의 개발 능력을 제공했고, 이것은 좀 더 역동적이고 상호작용적이었다. 이 개념은 역학들이 기존의 카풀과 조금도 다르지 않고, 단지 그들을 찾을 수 있는 능력만 더 쉽게 만들어졌기 때문에 이륙하지 않았다. 카풀과 승차 공유는 그다지 인기 있는 옵션이 아니었기 때문에, 참여했던 적은 수의 인구가 이미 의제를 정했기 때문에, 시기적으로 볼 때, 정규 근무일 외의 교통수단이 필요한 사람들에게는 도움이 되지 않았다. 대형 업체들이 승차공유 플랫폼 확산을 위해 승차매칭 업체와 제휴에 관심을 갖기 시작했다. 모바일 기술의 가용성과 정지된 지점에서 접근성이 더욱 부각되면서 더욱 주목을 받고 있다.

소프트웨어 데이터로 사용자 입력/개인 정보 보호

소프트웨어

사용자 입력 기능

승차 공유 애플리케이션에는 다음과 같은 몇 가지 공통 사용자 입력 기능이 있다.

  • 사용자는 픽업 목적지를 입력할 수 있다.
  • 사용자는 하차 목적지를 입력할 수 있다.
  • 사용자는 집이나 회사 주소를 저장할 수 있다.
  • 이용자들은 자주 방문하면 독특한 장소를 저장할 수 있다.
  • 사용자들은 또한 지도에서 정확한 위치를 지적할 수 있다.
  • 이용자들은 쉽게 접근할 수 있도록 신용카드 정보를 저장할 수 있다.
  • 사용자들은 앱이 그들의 전화 연락처 정보로부터 꺼낸 그들의 친구를 초대할 수 있다.
  • 사용자는 자신의 프로필을 만들 수 있다.
  • 사용자는 잠재적인 드라이버의 프로필과 함께 제공되는 리뷰를 볼 수 있다.

승차공유 업체들은 또한 어떤 사용자 정보가 수집되고 있는지에 관해 불명확한 여러 추적 기능을 가지고 있다.

  • 애플리케이션은 사용자의 현재 위치와 주변 지역을 자동으로 연결하고 추적하기 때문에 앱이 열리면 홈페이지와 사용자의 위치를 바로 추적할 수 있어 정확한 지도가 즉시 열린다.
  • 픽업 또는 드롭 다운 위치로 설정된 최근 주소는 검색 기록에 보관된다.
  • 앱이 연락처 접속 등 전화기에 저장된 개인 데이터에 접속할 수 있도록 하면, 해당 전화의 연락처 아래에 저장된 전화번호(주소, 개인정보) 이상의 접속을 할 수 있다.

Uber 개인 정보 보호

Uber는 사용자의 개인 정보를 잠재적으로 잊어버릴 수 있는 옵션을 가지고 있으며 사용자로부터 수집하는 데이터가 무엇인지 알고 있으며 투명해지고 있다.[2]

  • 실시간 위치 공유 또는 공유 해제 기능 및 위치 설정이 항상 켜져 있는 기능.
  • 계정 및 여행에 대한 알림을 받을 수 있는 기능.
  • 누군가 다른 사람의 정보를 추적하는 경우 두 사람을 서로 연결할 수 있는 다른 방법으로 추가되는 저장된 연락처를 제거하는 기능.
  • 긴급 상황 발생 시 911과 운행 세부 정보를 공유할 수 있는 기능
  • 개인 달력을 앱과 동기화하는 기능.

리프트 프라이버시

리프트의 개인 정보 보호 정책에 따르면, 그들이 수집하는 정보는 다음을 포함한다.[3]

  • 제공된 등록 정보(이름, 이메일, 전화번호)
  • 소셜 미디어 계정이 등록에 사용되는 경우 해당 프로필의 정보(이름, 성별, 프로필 사진, 친구)가 사용됨
  • 사용자가 프로필에 넣도록 선택한 모든 정보
  • 이용자에게 요금을 부과하는 지불 정보(신용 카드 정보는 이용자에 의해 저장되지 않지만)
  • 지원 팀과의 모든 상호 작용
  • 운전자 신청 시 제공되는 정보(DOB, 주소, 사회 보장, 면허 정보 등)
  • 운전자에게 지불하기 위한 지불 정보
  • 저장된 위치를 포함한 위치 정보
  • 앱이 사용 중인 장치에 대한 정보
  • 사용량 데이터
  • 승차자와 운전자 사이의 통화 및 문자 메시지
  • 피드백
  • 연락처(사용자가 허용하는 경우)
  • 쿠키

하드웨어

차내 카메라

최근 들어 승차공유 차량에 물리적 카메라의 존재가 구현되었다. 이에 앞서 차량 관련 카메라는 교통 카메라와 경찰차뿐이었습니다. 그러나 단순히 도로를 감시하고 차 밖에서 일어나는 일을 추적하지 않는 연속 녹화 카메라의 양이 증가했다. 운전자와 승차자의 상호작용을 기록하기 위해 차내 카메라를 구현하는 것은 새로운 일이다. 하지만 이 녹음은 여행 기간 동안 진행되며, 녹음 내용에 구두로 동의하지 않기 때문에 사람들은 사생활에 대해 우려하고 있다. 하지만, 그들은 사람의 차에 타는 것에 동의하기 때문에, 그들은 운전자의 규칙을 지켜야 한다. 오디오 녹음에 관한 연방 규정이 있고, 연방법은 단지 "일당사자 동의"[4]만 요구한다.

녹화에 대한 정부 정책

1968년 옴니버스 범죄통제 및 안전거리법에 따르면, 음성대화를 녹음하는 것에 관한 정책들이 있는데, 여기에 수반되는 '일방적 동의' 규칙에 대한 명확화를 포함한다. 음성대화와 관련해서는 자신이 참여하지 않은 대화를 녹음하는 것은 불법이다. 다만 대화 당사자의 동의를 받거나 녹음 중이라는 사실을 알릴 필요 없이 대화 당사자인 경우 녹음할 수 있도록 했다.

걱정

위치 추적의 잠재적인 남용

이용자의 위치를 알고 있는 어플리케이션에 의해 잠재적으로 데이터가 남용될 수 있는 몇 가지 영역이 있다. 트립데이터를 수집하기 때문에 승차공유 업체가 기업과 제휴를 맺을 경우 협력사가 데이터를 활용해 미래 위치를 예측하고 개인의 관심사와 시장을 정확히 파악할 수 있다.[5][6] 기업은 이용자가 가장 많이 찾는 매장의 종류와 브랜드에 대한 정보를 수집할 수 있고 온라인 프로필도 구축할 수 있어 추적이 가능하다. 이것은 또한 광고 회사들과 관련될 수 있는데, 광고 회사들은 개인적인 관심사를 겨냥하고 온라인 상호작용을 변경하여 사용자가 방문한 곳을 향해 특정하게 만들어진 광고를 보여주기 시작할 수 있다. *이중*

나쁜 암시가 발생할 수 있는 경우도 있다. 만약 사용자가 자신의 정치적 관점과 관련된 일에 참여하게 된다면, 기업은 이것을 나중에 정보를 위해 저장하고 만약 그들이 전문적인 환경에서 회사와 접촉하게 된다면 잠재적으로 사용자에 대항하여 사용할 수 있다. 이는 사용자의 방문 장소와 장소가 외부 관점에서 볼 때 정당화될 수 없다는 의학적, 종교적 또는 법적 제휴에도 적용될 수 있다.

사용자가 만든 온라인 프로필과 관련하여, 사람이 돌아다니기 위해 승차공유 서비스에만 의존하는 경우, 사용자가 집에서 얼마나 멀리 떨어져 있는지 추적할 수 있다. 이것은 사람들이 언제 사람들이 집에 없는 이상적인 시기인지 알기 때문에 사용자들을 스토킹하거나 강탈할 수 있는 기회가 된다. *citation* 더 넓은 규모로 보면, 사용자가 상호작용하는 지역의 인구통계에 근거하여 특정 지역 내에서 동일한 매장을 자주 방문하면 추정수입 등 정보를 추정할 수 있다. *이중*

사용자는 쉽게 접근할 수 있도록 집이나 회사 주소를 저장할 수 있다. 사용자들이 실제 주소를 입력하는 경우가 대부분이지만, 데이터가 유출될 경우를 대비해 안전을 위해 두어 거리 떨어진 곳에 주소를 두는 경우도 있는 것으로 알려졌다. 그러나, 이것이 매우 기본적인 편향 수준이지만, 집 주소를 두어 거리 밖에 두는 것은 여전히 사용자가 어디에 주둔하고 있는지에 대한 일반적인 위치를 제공한다.

위치 인식 응용 프로그램

개인들은 자신의 위치정보가 어떻게, 무엇, 언제, 어디에 저장되고 있는지 뿐만 아니라, 다른 사람들이 그 정보에 어느 정도 접근할 수 있는지에 대해 염려한다. 승차 공유 애플리케이션뿐만 아니라, 공유가 가능한 모든 애플리케이션과 관련된 위치 인식 애플리케이션에는 몇 가지 유형이 있다. 위치 기반 검색(LBS)은 사용자의 추적이 추적하기 위해 사용자의 현재 위치 주변의 항목과 건물을 반환할 때 발생한다. 주변 건물의 방향과 함께 지도를 그려 위치를 결정한다.[7] 위치정보 서비스는 사용자가 환경 발자국을 따라 추적하도록 하고 있다. 사용자 위치의 추정치 입니다. 모바일 센싱은 수집이 가능한 센서와 정보가 있는 사용자의 물리적 기기를 정확히 파악하는 과정이다. 위치 공유는 사용자가 실시간이고 그 위치가 지속적으로 업데이트되고 추적되는 자발적인 상태를 말한다.

사용자 정보 사용

애플리케이션과 사용자가 승차공유 서비스에 어떻게 접속하는지를 보다 자세히 살펴보면, 일단 사용자가 앱에 데이터를 입력하면 웹에서 영원히 접속할 수 있게 된다. 정보를 삭제하거나 계정을 삭제하더라도 온라인 플랫폼에 정보가 생성돼 사용자가 동의하든 그렇지 않든 현재 존재한다. 이 애플리케이션들은 전화번호, 이메일, 프로필 사진과 같은 사용자 정보를 요구하는데, 이 모든 기능들은 사용자의 신원을 추적하는 데 사용될 수 있다. 일단 이 정보가 어플리케이션의 데이터베이스에 들어가면, 어플리케이션의 어떤 파트너도 간접적으로 접근할 수 있다.

대부분의 앱은 사용자가 자신의 승차감에 연결되기 전에 결제 및 완료를 받는다. 이용자들은 결제 정보를 반복적으로 입력하지 않고 쉽게 접근할 수 있도록 신용카드 정보를 저장할 수 있다. 모든 거래 전에 패스코드나 터치ID와 같은 보안 수준이 추가되어 있지만, 이것은 앱에서 이 정보의 안전을 보장하지는 않는다. 현재 거래는 사용자의 동의하에 이루어지도록 할 뿐이다.

역방향 이미지 검색

사용자들은 그들의 어플리케이션에 프로필 사진을 입력할 수 있다. 그렇게 하는 것은 운전자가 의도한 승차자를 발견하는 것을 도울 의도가 있다. 다만, 어떻게든 라이더의 이미지를 저장해 웹에 업로드하면 개인 계정에 접속할 수 있어 문제가 발생할 수 있다. 예를 들어, 페이스북의 얼굴 인식 고급 알고리즘으로, 외부 사진에서 사람들의 신원을 식별하는 것이 더 쉽다.

해결 방법

소음분포

연구자들은 데이터 프라이버시와 사용자 익명성 모두를 돕는 시스템인 이러한 문제에 대한 해결책을 도입하는 결론을 도출했다.[8] 솔루션은 사용자의 특정 위치가 상쇄되도록 노이즈 분배를 생성하는 프로그램이다. 그것은 기본적으로 사용자의 위치를 어떤 암호화를 통해 배치하고, 시스템만이 읽을 수 있는 위치를 보고하기 때문에, 실제 위치를 조작하는 것이 아니라, 단지 그 데이터가 시스템에 입력되는 방법만을 보고하는 것이다. 이 솔루션은 이미 맥 OS와 리눅스라는 두 개의 주요 운영 체제로 구현되었다. 이 솔루션은 개인 정보 침해나 데이터 도난을 우려해 이러한 승차공유 애플리케이션 사용이 의심스러운 사람들에게 도움을 주지만, 이 소프트웨어는 데이터 보안은 물론 사용자의 익명성을 유지할 수 있다는 것이 입증됐다. 사용자를 숨기기 위해 또 다른 담요를 만드는 추가 보안 계층에 가깝다.

K-익명성

K-anonymity는 사용자를 위한 익명 커버를 담당하는 신뢰할 수 있는 타사 서버인 Anonymizing Server 역할을 한다. K-anonymity는 사용자의 실제 위치를 알지 못한 채 위치 망토를 만들어 위치 프라이버시를 보존하기 위해 사용된다.[9] 소프트웨어는 실제 사용자와 가까운 다수의 사용자를 찾으려고 시도하는데, 그 이유는 정확한 위치가 문제의 원래 사용자와 다시 상관될 수 없기 때문이다. 그리고 근접하게 사용자에게 식별할 수 없는 이러한 여러 위치는 원래 사용자를 보호할 것이다. 모든 사용자를 구분할 방법이 없다.[9]

퍼지 간섭 시스템

또 다른 해결책은 모바일 지역 서비스와 관련하여 퍼지 간섭 시스템을 사용해 보는 것이다.[10] 이 솔루션은 획득한 정보를 악용하기 쉬운 조직에서 사용자를 식별하기 위해 서로 다른 세부사항을 사용할 것이다. 현재 위치기반 서비스는 가장 가까운 종교기관처럼 여러 개의 민감한 정보를 노출할 수 있어 조직들이 순수한 상업적 목적으로 활용하는 이용자의 정체성을 드러낼 수 있다. 본 논문은 우발적인 침해에 대비하여 사용자의 데이터를 보호하는 익명화 솔루션을 제안한다. 퍼지 추론 시스템과 그것이 어떻게 작동하는지에 대한 설명이 있고, 그리고 이것이 사람들의 정보를 보호하기 위한 효과적인 방법인지 알아보기 위해 택시 운전사들의 잠재적인 암시 방법이 있다. 왜냐하면 이것이 잘 작동한다는 것이 입증된 익명화를 가진 구체적인 디자인이 없기 때문이다. 위치 시스템이 사용자에게 좁힐 수 있는 정밀도 수준은 다르다. 이러한 시스템은 정량적 데이터를 질적 데이터로 변환하여 사용자의 신원 및 위치를 흐리게 한다. 택시 기사와 함께 시범 시행한 후, 몇 가지 복잡한 문제가 발생했는데, 대부분 인간이 잘못 해석한 것이지만, 앞으로는 이 솔루션에 더 많은 시간을 투자하여 이미 존재하는 해결책과 결합하는 것이 더 효과적인 해결책을 제공할 수 있을 것이다. 자신의 위치가 추적되는 것을 두려워하고 사용자에게 다시 추적되는 것을 두려워하는 사람들에게 이 솔루션은 사용자 데이터를 흐릿하게 만들어 그들이 추적하고 있다면 그것은 완전히 정확하지 않다. 퍼지 솔루션을 구현한 사람들과 추적 소프트웨어가 얼마나 가까운지에 대한 실험 거리를 보여주는 데이터 표들이 있다. 이 솔루션은 어떻게 하면 사용자의 프라이버시를 완전히 보호할 수 있을까 하는 문제를 완전히 해결하지는 못하기 때문에 다른 접근방식을 취하지만, 이제 막 도입 단계인 만큼 솔루션이 성숙할 시간이 부족했기 때문에 이를 위해 노력하고 있다. 위치추적 소프트웨어는 이 솔루션을 극복하기 위한 방법을 취했음에도 여전히 비공개적인 것은 아니지만, 더 많은 연구와 자원을 투입함으로써(그리고 구체적으로 어떤 분야가 더 잘 개발될 수 있는지) 더 확장될 수 있고 개발될 수 있다는 결론을 내려 개방적인 결말을 남긴다.에테르를 [11]치다

위치 변환

제안된 해결책 중 하나는 외부 정보원이 누군가의 개인 정보를 입수하는 것이 얼마나 어려울지 추정하는 모델이다. 위치 난독화, 동요, 혼란과 억제, 암호기법을 포함한 데이터를 숨기는 데 도움이 되는 몇 가지 메커니즘이 제안되어 있다.[7]

위치 난독화

사용자의 위치를 난독화한다는 것은 사용자의 위치를 흐리게 한다는 것을 의미한다. 사용자의 위치 좌표는 여전히 보존되고 있지만 정확도는 저하되고 있다.[12] 그러나 이는 위치 기반 서비스의 전체 이유를 무시하기 때문에 완전한 해결책이 될 수 없다. 그러므로 응용 프로그램이 난독화하는 것을 선별하는 것은 보호에 도움이 될 것이다.[7]

NRand 알고리즘이라는 프로그램이 있는데, NRand 알고리즘은 사용자 위치 데이터에 붙는 방해물의 양을 결정하는 알고리즘이다. 이 알고리즘에서 발생하는 몇 가지 문제가 있는데, 여기에는 얼마나 많은 노이즈를 구현해야 하는지, 그리고 데이터의 변경이 그것을 원래의 상태에서 인식할 수 없는 형태로 변경하기에 충분한지 결정하는 것 등이 포함된다.[13]

위치 섭동

지도에서 위치는 가까운 곳에 있지만 추가 노이즈 때문에 정확한 사용자 위치는 아니다. 이 추가 레이어를 사용하여, 충분히 가까운 범위의 다른 위치가 있는 경우, 전환은 여러 위치에 추가되고 모든 관심 지점을 가린다.[7][13]

혼란과 억압

더미 위치는 실제 위치로 설정된다. 사용자의 특정 위치를 정확히 파악하여 다른 여러 위치로 변환하면서도 실제 위치를 유지함으로써 그렇게 한다. 억제는 사용자가 영역에 진입할 때 단기간 동안 사용자 정보가 일시적으로 중단되고 사용자의 ID가 손실되므로 보호지역 밖으로 다시 나갈 때 새로운 ID를 갖는 이러한 다른 애플리케이션의 하위 집합이다.[7]

암호기술

정보가 어떤 종류의 암호통역기를 거치고, 몇 개의 다른 데이터 지점으로 변환될 수 있기 때문에 원본 데이터를 추적할 수 없다.[7]

참고 항목

참조

  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.
  2. ^ "Uber Privacy". privacy.uber.com. Retrieved 2019-03-14.
  3. ^ Inc, Lyft. "Lyft Privacy Policy". Lyft. Retrieved 2019-04-21.
  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.
  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. 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. 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.
  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.
  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.