The Achilles’ Heel of License Plate Recognition Parking Enforcement: Balancing Privacy Protection and Enforcement
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Parking enforcement is crucial for addressing illegal parking in urban areas. In smart cities, the license plate recognition (LPR) systems have been adopted to enhance parking enforcement by enabling automated monitoring and detection of parking violations. However, the extensive information collection raises public privacy concerns about how the data are processed and stored on a central server. To address the privacy issue during parking enforcement and enable flexible data access control with the user consent, we propose a novel privacy-preserving and access-control-enhanced parking enforcement scheme, where the central server cannot obtain the license plate information of vehicles that follow the parking rules and can provide encrypted evidence for detected violations in case of disputes. Specifically, by utilizing the keyed-hash message authentication code, parking enforcement vehicles can generate a parking record based on the location and the license plate number of a vehicle, which is then used to identify whether there is a parking violation for the vehicle. Moreover, by integrating the designed time-based conditional proxy re-encryption scheme, the distributed key generation technique, and the blockchain technology, a central server can provide encrypted and tamper-proof evidence for violations. The evidence can only be decrypted by the corresponding vehicle owners (VOs), and the owners can grant the decryption permission to a judge when there is a dispute. The security analysis demonstrates that our scheme can achieve the privacy preservation of VOs and consent-based data access control. Simulation results show the efficiency and practicability of the proposed scheme.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle