Vezető Azonosítás és Személyes Adatok Predikciója Autók Hálózati Logjából
Napjainkban már nem csak a telefonjaink, hanem az autójaink is hatalmas mennyiségű adatot gyűjtenek rólunk. Ezt különféle szenzorok teszik lehetővé, amik többek között sebességet, kormányszöget, gáz-, fék- és kuplung-pozíciót is mérhetnek. Ezeket az adatokat az autók kommunikációs hálózatából (CAN buszból) az ODBII interfészen keresztül lehet elérni. Autók hálózati logjaiként is szoktak rá hivatkozni a szakirodalomban. Várható hogy az autonóm járművekkel a láthatáron az ilyen adatok gyűjtése óriási hangsúlyt fog kapni a közeljövőben.
Egy felettébb érdekes, de még kiaknázatlan használati területe a CAN hálózati logoknak a vezető azonosítás. Csupán néhány publikáció jelent meg az elmúlt pár évben ami kifejezetten vezető azonosítással foglalkozik CAN hálózati logokból. Egyik oldalról az ilyen identitást felderítő adatokban a privát adatok veszélyezettségét látták (Enev et al. 2016). Másik oldalról meg a vezető azonosítás potenciálját látták abban hogy növeljék a vezetés élvezhetőségét (Hallac et al. 2017). Csakhogy az előbb említett kutatások erősen korlátozottak: először is csak kevés vezetőt tudnak megkülönböztetni, amiknek a száma 2 és 5 között terjed. Másodszor, az összes vezető ugyanazon az útvonalon megy végig. Ezek a feltételek erősen korlátozzák ezen modellek alkalmazhatóságát.
Amellett hogy vezető azonosítást végzek, arra törekszem hogy személyes adatok predikciójára is kiterjesszem a kutatásomat. Itt személyes adatok alatt nemet, kort, vezetői tapasztalatot, stb. értek. Szeretném kiemelni, hogy a személyes adatok predikciójára CAN hálózati logokból még nem volt példa eddigi kutatásokban. A motiváció emögött az ilyen jellegű adatok kamatoztathatósága – McKinzey&Co, egy menedzsment-tanácsadó cég becslése szerint az autókból nyert adatok értéke 2030-ig akár 750 milliárd dollárt fog érni. (Christina Rogers: What Your Car Knows About You, The Wall Street Journal) A cégek már tudatosan készülnek az autókból nyert adatok piacára, ami majd várhatóan meghaladja még az autók piacát is! (Peter Cohan: This Startup Is Helping Daimler And BMW Compete With Google For $10 Trillion Market, Forbes)
A dolgozatomban mutatni fogok egy neurális hálókra épülő gépi tanulás modellt a vezetők azonosítására. Az ehhez felhasznált, CAN buszon lehallgatott adatokat különböző szenzoroktól kapjuk, amik figyelik a fék, gáz, illetve kuplung pozícióját, az autó sebességet, stb. Azért esett a választásom neurális hálókra mert általánosságban jól teljesítenek különféle idősorok klasszifikálásában, más classifierekkel ellentétben (Cui et al. 2016.). Több mint 30, különböző útvonalon haladó vezető CAN hálózati logjai állnak e célból rendelkezésre. Az ezekre épülő modell pontosságát empirikus módon kiértékelem. Legvégül a kutatásom potenciális alkalmazási területeit mutatom be, illetve felvetek néhány jövőbeli kutatási irányt.
[Enev vet al. 2016] Miro Enev, Alex Takakuwa, Karl Koscher, and Tadayoshi Kohno. 2016. Automobile Driver Fingerprinting.
[Hallac et al. 2017] David Hallac, Abhijit Sharang, Rainer Stahlmannz, Andreas Lamprechtz, Markus Hubery, Martin Roehdery, Rok Sosič, Jure Leskovec. Driver Identification Using Automobile Sensor Data from a Single Turn.
[Cui et al. 2016] Zhicheng Cui, Wenlin Chen, Yixin Chen. Multi-Scale Convolutional Neural Networks for Time Series Classification.
szerző
-
Remeli Mina
Mérnök informatikus szak, alapképzés
alapképzés (BA/BSc)
konzulens
-
Dr. Ács Gergely
adjunktus, Hálózati Rendszerek és Szolgáltatások Tanszék
