[論文レビュー] Elastic Pathing: Your Speed is Enough to Track You

Bernhard Firner, Shridatt Sugrim+2 more|arXiv (Cornell University)|Dec 30, 2013

Human Mobility and Location-Based Analysis参考文献 30被引用数 11

ひとこと要約

この論文では、時刻付き速度データと既知の出発地点（例：自宅）から、走行経路と目的地を再構築するためのアルゴリズム「Elastic Pathing」を紹介する。経路の曖昧さをモデル化し、誤差を最小化する経路スコアリングを用いることで、実世界のデータを数週間にわたり分析した結果、真値から250メートル以内で10%、500メートル以内で20%の精度を達成し、速度ベースの使用量課金型自動車保険プログラムにおける深刻なプライバシーリスクを露呈した。

ABSTRACT

Today people increasingly have the opportunity to opt-in to "usage-based" automotive insurance programs for reducing insurance premiums. In these programs, participants install devices in their vehicles that monitor their driving behavior, which raises some privacy concerns. Some devices collect fine-grained speed data to monitor driving habits. Companies that use these devices claim that their approach is privacy-preserving because speedometer measurements do not have physical locations. However, we show that with knowledge of the user's home location, as the insurance companies have, speed data is sufficient to discover driving routes and destinations when trip data is collected over a period of weeks. To demonstrate the real-world applicability of our approach we applied our algorithm, elastic pathing, to data collected over hundreds of driving trips occurring over several months. With this data and our approach, we were able to predict trip destinations to within 250 meters of ground truth in 10% of the traces and within 500 meters in 20% of the traces. This result, combined with the amount of speed data that is being collected by insurance companies, constitutes a substantial breach of privacy because a person's regular driving pattern can be deduced with repeated examples of the same paths with just a few weeks of monitoring.

研究の動機と目的

• 速度データのみを用い、出発地点が既知の場合に走行経路と目的地を推定可能であることを示すこと。
• 使用量課金型自動車保険プログラムにおいて、速度データのみがプライバシーを保護するとされる仮定に疑問を呈すること。
• 曖昧な速度トレースから現実の走行経路を再構築できるスケーラブルなアルゴリズムの開発。
• 何週間分もの繰り返し速度データが、ユーザーの位置情報プライバシーをどの程度脅かすかを定量化すること。
• 速度データを非機密情報とみなすリスクを強調すること。実際には再識別が可能である可能性がある。

提案手法

• Elastic Pathingアルゴリズムは、経路再構築を、観測された速度トレースと既知の出発地点に基づく、可能な経路の探索問題として定式化する。
• 各経路に沿った予測速度と観測速度との間の累積誤差に基づいて、候補となる経路をスコアリングする。
• 指数的に増加する経路空間を全探索するのを避けるために、動的計画法を用いて効率的に経路を探索する。
• 主要道路と住宅地の道路といった道路階層のドメイン知識を組み込むことで、交差点やドーナツ型の交差点での曖昧さを低減する。
• 誤差評価のため、予測された終点と実際の終点との間の地理的距離を計算するためにハーヴェイズンの公式を適用する。
• OpenStreetMapデータを活用して道路網のトポロジーを取得し、顧客の自宅住所を統合して経路終点の妥当性を検証する。

実験結果

リサーチクエスチョン

• RQ1 時刻付き速度データと既知の出発地点から、走行経路と目的地を正確に再構築できるか？
• RQ2 速度データの曖昧さ（例：曲がり角と停止）が、経路再構築をどの程度妨げるか？
• RQ3 自宅住所と道路網の知識を組み込むことで、経路予測の正確性はどの程度向上するか？
• RQ4 ユーザーの定期的到着地点を信頼性高く特定するために、最低限どの程度のデータ量が必要か？
• RQ5 高速道路と住宅地の道路といった異なる道路タイプにおいて、アルゴリズムの性能はどのように変化するか？

主な発見

• Elastic Pathingアルゴリズムは、テストトレースの10%において、真の位置から250メートル以内の目的地を正しく予測した。
• 20%のトレースにおいて、実際の終点から500メートル以内の予測がなされ、実用的な精度が確認された。
• 主要道路では高い正確性を示したが、住宅地の曇りの多い曲がり角では、経路選択の多様性が著しく増加し、困難をきたした。
• 数週間分のデータがあれば、自宅や職場といった日常的な到着地点を高い信頼性で特定できることが分かった。
• 最終的な目的地が正しく予測されなかった場合でも、アルゴリズムは通常の経路の大部分を再構築でき、ルーティン的な迂回路の推定が可能だった。
• 結果として、速度データに加えて既知の出発地点と繰り返し観測されたデータがあれば、位置情報プライバシーが深刻に侵害される可能性があることが示された。