MétaCan
Menu
Retour à la cohorte
Enregistrement W4400679639 · doi:10.1109/jiot.2024.3429409

The Achilles’ Heel of License Plate Recognition Parking Enforcement: Balancing Privacy Protection and Enforcement

2024· article· en· W4400679639 sur OpenAlexafffund
Liang Xue, Rundong Gan, Xiaodong Lin

Notice bibliographique

RevueIEEE Internet of Things Journal · 2024
Typearticle
Langueen
DomaineEngineering
ThématiqueSmart Parking Systems Research
Établissements canadiensUniversity of GuelphYork University
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésLicenseEnforcementComputer securityComputer scienceInternet privacyLaw enforcementCrashBusinessLaw

Résumé

récupéré en direct d'OpenAlex

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.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,008
score de la tête « metaresearch » (Gemma)0,011
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,008
Score d'incertitude au seuil0,041

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0080,011
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,002
Études des sciences et des technologies0,0020,005
Communication savante0,0060,015
Science ouverte0,0030,006
Intégrité de la recherche0,0040,005
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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.

Tête enseignante Opus0,023
Tête enseignante GPT0,254
Écart entre enseignants0,230 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations3
Publié2024
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueIEEE Internet of Things JournalMême sujetSmart Parking Systems ResearchTravaux en français237 207