Toward Lightweight and Privacy-Preserving Data Provision in Digital Forensics for Driverless Taxi
Notice bibliographique
Résumé
Data provision, referring to data upload and data access, is one key phase in vehicular digital forensics. The unique features of driverless taxi (DT) bring new issues to this phase: I1) efficient verification of data integrity when diverse data providers (DPs) upload data; I2) DP privacy preservation during data upload; and I3) privacy preservation of both data and investigator (IN) under complex data ownership when accessing data. Considering that the existing works on digital forensics cannot address all these issues, we first propose a novel lightweight and privacy-preserving data provision (LPDP) approach consisting of three mechanisms: 1) privacy-friendly batch verification mechanism (PBVm); 2) data access control mechanism (DACm); and 3) decentralized IN warrant issuance mechanism (DIWIm). PBVm ensures scalable verification of data integrity to address I1. PBVm also ensures the DP privacy preservation in terms of the location privacy and unlinkability of data upload requests to address I2. Besides, DACm and DIWIm are combined to ensure data privacy preservation and the identity privacy of IN in terms of the anonymity and unlinkability of data access requests without sacrificing the traceability to address I3. Security analysis and performance evaluations validate LPDP’s capabilities in addressing the three issues.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,004 | 0,009 |
| Science ouverte | 0,003 | 0,007 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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.
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».