論文の概要: Analyzing Privacy Implications of Data Collection in Android Automotive OS
- arxiv url: http://arxiv.org/abs/2409.15561v1
- Date: Mon, 23 Sep 2024 21:35:40 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-26 12:23:41.927899
- Title: Analyzing Privacy Implications of Data Collection in Android Automotive OS
- Title（参考訳）: Android Automotive OSにおけるデータ収集のプライバシ含意の分析
- Authors: Bulut Gözübüyük, Brian Tang, Kang G. Shin, Mert D. Pesé,
- Abstract要約: Android Automotive OS(AAOS)は1億台以上の車両に統合されている。
この膨大なデータ収集によって、プライバシーはますます重要になっている。
本稿では,AAOSのプライバシ含意に焦点をあて,データ収集の性質と範囲,および元の機器メーカー(OEM)のプライバシポリシについて検討する。
- 参考スコア（独自算出の注目度）: 15.970539534298137
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Modern vehicles have become sophisticated computation and sensor systems, as evidenced by advanced driver assistance systems, in-car infotainment, and autonomous driving capabilities. They collect and process vast amounts of data through various embedded subsystems. One significant player in this landscape is Android Automotive OS (AAOS), which has been integrated into over 100M vehicles and has become a dominant force in the in-vehicle infotainment market. With this extensive data collection, privacy has become increasingly crucial. The volume of data gathered by these systems raises questions about how this information is stored, used, and protected, making privacy a critical issue for manufacturers and consumers. However, very little has been done on vehicle data privacy. This paper focuses on the privacy implications of AAOS, examining the exact nature and scope of data collection and the corresponding privacy policies from the original equipment manufacturers (OEMs). We develop a novel automotive privacy analysis tool called PriDrive which employs three methodological approaches: network traffic inspection, and both static and dynamic analyses of Android images using rooted emulators from various OEMs. These methodologies are followed by an assessment of whether the collected data types were properly disclosed in OEMs and 3rd party apps' privacy policies (to identify any discrepancies or violations). Our evaluation on three different OEM platforms reveals that vehicle speed is collected at a sampling rate of roughly 25 Hz. Other properties such as model info, climate & AC, and seat data are collected in a batch 30 seconds into vehicle startup. In addition, several vehicle property types were collected without disclosure in their respective privacy policies. For example, OEM A's policies only covers 110 vehicle properties or 13.02% of the properties found in our static analysis.
- Abstract（参考訳）: 現代の車両は高度な計算とセンサーシステムとなり、高度な運転支援システム、車載インフォテインメント、自律運転能力によって証明されている。
彼らは様々な組み込みサブシステムを通じて大量のデータを収集し、処理する。
Android Automotive OS(AAOS)は1億台以上の車両に統合され、車載インフォテインメント市場において支配的な勢力となっている。
この膨大なデータ収集によって、プライバシーはますます重要になっている。
これらのシステムによって収集されたデータの量によって、この情報の保存、使用、保護に関する疑問が持ち上がり、プライバシが製造業者や消費者にとって重要な問題となる。
しかし、車のデータのプライバシーについてはほとんど行われていない。
本稿では,AAOSのプライバシ含意に注目し,データ収集の正確な性質と範囲,および元となる機器メーカー(OEM)のプライバシポリシについて検討する。
ネットワークトラフィックインスペクションと,各種OEMのルートエミュレータを用いたAndroidイメージの静的および動的解析という,3つの方法論的アプローチを取り入れた,PriDriveと呼ばれる新しい自動車プライバシ解析ツールを開発した。
これらの手法は、収集されたデータ型がOEMやサードパーティアプリのプライバシポリシ(不一致や違反を識別する)で適切に開示されたかどうかを評価する。
3つのOEMプラットフォームに対する評価の結果,車両の速度は約25Hzのサンプリング速度で収集されていることが明らかとなった。
モデル情報、気候と交流、シートデータなどの他の特性は、30秒で車のスタートアップに収集される。
さらに、各プライバシーポリシーの開示なしに、いくつかの車両資産タイプが収集された。
例えば、OEM Aのポリシーは、静的解析で見つかった110の車両特性または13.02%しかカバーしていない。
関連論文リスト
- D2E-An Autonomous Decision-making Dataset involving Driver States and Human Evaluation [6.890077875318333]
Driver to Evaluationデータセット(D2E)は、自律的な意思決定データセットである。
運転状態、車両状態、環境状況、および人間レビュアーによる評価スコアに関するデータが含まれている。
D2Eは、人間のドライバーファクターから評価結果をカバーする1100以上の対話運転ケースデータを含んでいる。
論文 参考訳（メタデータ） (2024-04-12T21:29:18Z) - G-MEMP: Gaze-Enhanced Multimodal Ego-Motion Prediction in Driving [71.9040410238973]
我々は、視線データを用いて、運転者の車両のエゴ軌道を推定することに集中する。
次に、GPSとビデオ入力と視線データを組み合わせた新しいマルチモーダルエゴ軌道予測ネットワークであるG-MEMPを開発する。
その結果,G-MEMPは両ベンチマークにおいて最先端の手法よりも優れていた。
論文 参考訳（メタデータ） (2023-12-13T23:06:30Z) - SKoPe3D: A Synthetic Dataset for Vehicle Keypoint Perception in 3D from
Traffic Monitoring Cameras [26.457695296042903]
道路側から見たユニークな合成車両キーポイントデータセットであるSKoPe3Dを提案する。
SKoPe3Dには150万以上の車両インスタンスと490万のキーポイントがある。
実験では、データセットの適用性と、合成データと実世界のデータ間の知識伝達の可能性を強調した。
論文 参考訳（メタデータ） (2023-09-04T02:57:30Z) - Connected Vehicles: A Privacy Analysis [8.513938423514636]
現代の車は、数年前には予測できなかった方法でデータを処理し、分析し、送信することができる。
生産車両のテレマティクスシステムについて検討し、関連するプライバシー関連の脅威のいくつかを確認することを目的としている。
論文 参考訳（メタデータ） (2022-07-13T13:26:12Z) - Benchmarking the Robustness of LiDAR-Camera Fusion for 3D Object
Detection [58.81316192862618]
自律運転における3D知覚のための2つの重要なセンサーは、カメラとLiDARである。
これら2つのモダリティを融合させることで、3次元知覚モデルの性能を大幅に向上させることができる。
我々は、最先端の核融合法を初めてベンチマークした。
論文 参考訳（メタデータ） (2022-05-30T09:35:37Z) - Multimodal Detection of Unknown Objects on Roads for Autonomous Driving [4.3310896118860445]
未知の物体を検出する新しいパイプラインを提案する。
我々は,最先端の美術品検出モデルを逐次的に組み合わせることで,ライダーとカメラのデータを利用する。
論文 参考訳（メタデータ） (2022-05-03T10:58:41Z) - CODA: A Real-World Road Corner Case Dataset for Object Detection in
Autonomous Driving [117.87070488537334]
我々は、ビジョンベース検出器のこの重要な問題を露呈する、CODAという挑戦的なデータセットを導入する。
大規模自動運転データセットで訓練された標準物体検出器の性能は、mARの12.8%以下に著しく低下した。
我々は最先端のオープンワールドオブジェクト検出器を実験し、CODAの新しいオブジェクトを確実に識別できないことを発見した。
論文 参考訳（メタデータ） (2022-03-15T08:32:56Z) - Identification of Driver Phone Usage Violations via State-of-the-Art
Object Detection with Tracking [8.147652597876862]
道路沿いのカメラで人間の介入を必要とせずに運転者用電話機の使用状況を把握できる、カスタムトレーニングされた最先端物体検出器を提案する。
提案手法はウインドスクリーンのグラアに起因する問題にも対処し、これを改善するために必要なステップを紹介している。
論文 参考訳（メタデータ） (2021-09-05T16:37:03Z) - SODA10M: Towards Large-Scale Object Detection Benchmark for Autonomous
Driving [94.11868795445798]
我々は,SODA10Mという名の自律走行用大規模物体検出ベンチマークをリリースし,1000万枚の未ラベル画像と6つの代表対象カテゴリをラベル付けした20K画像を含む。
多様性を向上させるために、画像は32の異なる都市で、1フレームあたり10秒毎に異なる気象条件、期間、場所のシーンで収集される。
我々は、既存の教師付き最先端検出モデル、一般的な自己監督型および半教師付きアプローチ、および将来のモデルの開発方法に関するいくつかの知見について、広範な実験と詳細な分析を行った。
論文 参考訳（メタデータ） (2021-06-21T13:55:57Z) - One Million Scenes for Autonomous Driving: ONCE Dataset [91.94189514073354]
自律運転シナリオにおける3次元物体検出のためのONCEデータセットを提案する。
データは、利用可能な最大の3D自動運転データセットよりも20倍長い144時間の運転時間から選択される。
我々はONCEデータセット上で、様々な自己教師的・半教師的手法を再現し、評価する。
論文 参考訳（メタデータ） (2021-06-21T12:28:08Z) - Fine-Grained Vehicle Perception via 3D Part-Guided Visual Data
Augmentation [77.60050239225086]
実画像中の車両に動的部品を付加した3次元自動車モデルによる効果的なトレーニングデータ生成プロセスを提案する。
私達のアプローチは人間の相互作用なしで完全に自動です。
VUS解析用マルチタスクネットワークとVHI解析用マルチストリームネットワークを提案する。
論文 参考訳（メタデータ） (2020-12-15T03:03:38Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。