論文の概要: Privacy Protection of Automotive Location Data Based on Format-Preserving Encryption of Geographical Coordinates
- arxiv url: http://arxiv.org/abs/2510.20300v1
- Date: Thu, 23 Oct 2025 07:39:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-25 03:08:17.530211
- Title: Privacy Protection of Automotive Location Data Based on Format-Preserving Encryption of Geographical Coordinates
- Title（参考訳）: 地理座標のフォーマット保存暗号化に基づく自動車位置情報のプライバシー保護
- Authors: Haojie Ji, Long Jin, Haowen Li, Chongshi Xin, Te Hu,
- Abstract要約: 本稿では,地理座標のフォーマット保存暗号化(FPE)に基づく,高精度なプライバシ保護機構を提案する。
実験の結果, 平均相対的距離保持率(RDR)は0.0844に達し, 臨界領域のホットスポット数は暗号化後98.9%減少した。
- 参考スコア（独自算出の注目度）: 7.607399833486961
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: There are increasing risks of privacy disclosure when sharing the automotive location data in particular functions such as route navigation, driving monitoring and vehicle scheduling. These risks could lead to the attacks including user behavior recognition, sensitive location inference and trajectory reconstruction. In order to mitigate the data security risk caused by the automotive location sharing, this paper proposes a high-precision privacy protection mechanism based on format-preserving encryption (FPE) of geographical coordinates. The automotive coordinate data key mapping mechanism is designed to reduce to the accuracy loss of the geographical location data caused by the repeated encryption and decryption. The experimental results demonstrate that the average relative distance retention rate (RDR) reached 0.0844, and the number of hotspots in the critical area decreased by 98.9% after encryption. To evaluate the accuracy loss of the proposed encryption algorithm on automotive geographical location data, this paper presents the experimental analysis of decryption accuracy, and the result indicates that the decrypted coordinate data achieves a restoration accuracy of 100%. This work presents a high-precision privacy protection method for automotive location data, thereby providing an efficient data security solution for the sensitive data sharing in autonomous driving.
- Abstract（参考訳）: ルートナビゲーション、運転監視、車両スケジューリングなど、特定の機能で自動車の位置データを共有する場合、プライバシー開示のリスクが増大する。
これらのリスクは、ユーザ行動認識、センシティブな位置推定、軌道再構成などの攻撃につながる可能性がある。
本稿では, 地理座標のフォーマット保存暗号化(FPE)に基づく高精度なプライバシ保護機構を提案する。
本発明の自動車座標データキーマッピング機構は、繰り返し暗号化および復号化による地理的位置情報データの精度損失を低減するように設計されている。
実験の結果, 平均相対的距離保持率(RDR)は0.0844に達し, 臨界領域のホットスポット数は暗号化後98.9%減少した。
本研究は, 提案アルゴリズムの精度損失を評価するために, 復号化精度の実験解析を行い, 復号化座標データの復号化精度が100%であることを示す。
本研究では,自動車の位置データに対する高精度なプライバシ保護手法を提案し,自動運転における機密データ共有のための効率的なデータセキュリティソリューションを提供する。
関連論文リスト
- On Spatial-Provenance Recovery in Wireless Networks with Relaxed-Privacy Constraints [1.1795056270534288]
本研究では、車両が位置ベースサービスを利用するために、その部分的な位置情報を共有できる緩和されたプライバシモデルを提案する。
車両は相関線形ブルームフィルタを用いて位置情報を埋め込む空間性能回復のための低遅延プロトコルを提案する。
提案手法では,ローパワーのジャマをローカライズしてサービス停止攻撃を行うなどのセキュリティ機能を実現するために,パケットヘッダに数ビットを必要とすることを示す。
論文 参考訳（メタデータ） (2025-09-15T10:28:52Z) - Conformal Prediction for Privacy-Preserving Machine Learning [83.88591755871734]
AESで暗号化されたMNISTデータセットの変種を用いて、暗号化されたドメインに直接適用しても、コンフォーマル予測法が有効であることを示す。
我々の研究は、安全でプライバシーに配慮した学習システムにおける原則的不確実性定量化の基礎を定めている。
論文 参考訳（メタデータ） (2025-07-13T15:29:14Z) - Privacy-Utility-Fairness: A Balanced Approach to Vehicular-Traffic Management System [5.519732380983778]
位置情報に基づく車両交通管理は、機密性の高い地理的データを保護する上で大きな課題に直面している。
既存の最先端ソリューションは、リンク攻撃や人口統計バイアスに対して要求されるレベルの保護を満たさないことが多い。
本稿では,位置に基づく車両交通管理システムにおけるプライバシ,ユーティリティ,公平性のバランスに関する課題に対処する新しいアルゴリズムを提案する。
論文 参考訳（メタデータ） (2025-07-09T13:49:13Z) - Leveraging Functional Encryption and Deep Learning for Privacy-Preserving Traffic Forecasting [3.177180500119784]
本稿では,セキュアでプライバシ保護された位置情報と交通予報システムを提案する。
我々の新しいk匿名方式は,ドライバが送信した暗号化された位置情報を集約するために機能暗号化を利用する。
本研究では,60分間の予測地平線に対する平均絶対誤差を10%以下に抑えた提案手法の有効性を示す。
論文 参考訳（メタデータ） (2025-04-17T18:21:55Z) - Investigating Vulnerabilities of GPS Trip Data to Trajectory-User Linking Attacks [49.1574468325115]
単一旅行からなるGPS旅行データセットにおいて,ユーザ識別子を再構築する新たな攻撃を提案する。
個人識別が削除された場合でも再識別のリスクは大きい。
さらなる調査では、少数の人しか訪れていない場所を頻繁に訪れているユーザーは、再識別に弱い傾向にあることが示されている。
論文 参考訳（メタデータ） (2025-02-12T08:54:49Z) - A neural-network based anomaly detection system and a safety protocol to protect vehicular network [0.0]
この論文は、車車間通信を可能にすることにより、道路の安全性と効率を向上させるために、CITS(Cooperative Intelligent Transport Systems)の使用に対処する。
安全性を確保するため、論文では、Long Short-Term Memory (LSTM)ネットワークを用いた機械学習に基づくミスビヘイビア検出システム(MDS)を提案する。
論文 参考訳（メタデータ） (2024-11-11T14:15:59Z) - Protecting Vehicle Location Privacy with Contextually-Driven Synthetic Location Generation [5.283624671933499]
車両位置情報のプライバシー保護におけるGeo-Indの脆弱性を実証する新たな脅威モデルであるVehiTrackを紹介した。
VehiTrackは、難読データから正確な車の位置を正確に決定できる。
本研究では,現実的な車両運動パターンに難読化を限定する新しい測地難読化手法であるTransProtectを提案する。
論文 参考訳（メタデータ） (2024-09-14T17:47:23Z) - Your Car Tells Me Where You Drove: A Novel Path Inference Attack via CAN Bus and OBD-II Data [57.22545280370174]
On Path Diagnostic - Intrusion & Inference (OPD-II) は物理カーモデルとマップマッチングアルゴリズムを利用した新しい経路推論攻撃である。
我々は4台の異なる車両と41トラックの道路および交通シナリオに対する攻撃を実行した。
論文 参考訳（メタデータ） (2024-06-30T04:21:46Z) - Automated Automotive Radar Calibration With Intelligent Vehicles [73.15674960230625]
本稿では,自動車用レーダセンサの自動校正手法を提案する。
本手法では, 車両の外部改造を必要とせず, 自動走行車から得られる位置情報を利用する。
実地試験場からのデータを評価した結果,インフラセンサを自動で正確に校正できることが判明した。
論文 参考訳（メタデータ） (2023-06-23T07:01:10Z) - Decentralized Stochastic Optimization with Inherent Privacy Protection [103.62463469366557]
分散最適化は、現代の協調機械学習、分散推定と制御、大規模センシングの基本的な構成要素である。
データが関与して以降、分散最適化アルゴリズムの実装において、プライバシ保護がますます重要になっている。
論文 参考訳（メタデータ） (2022-05-08T14:38:23Z) - Graph-Homomorphic Perturbations for Private Decentralized Learning [64.26238893241322]
ローカルな見積もりの交換は、プライベートデータに基づくデータの推測を可能にする。
すべてのエージェントで独立して選択された摂動により、パフォーマンスが著しく低下する。
本稿では,特定のヌル空間条件に従って摂動を構成する代替スキームを提案する。
論文 参考訳（メタデータ） (2020-10-23T10:35:35Z)
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。