Logo Logo
Hilfe
Kontakt
Switch language to English
Wiesner, Kevin (2015): Datenerfassung und Privatsphäre in partizipativen Sensornetzen. Dissertation, LMU München: Fakultät für Mathematik, Informatik und Statistik
[img]
Vorschau
PDF
Wiesner_Kevin.pdf

13MB

Abstract

Partizipative Sensornetze (PSNs) stellen eine neue Art von Sensornetzen dar, die auf Basis von freiwillig zur Verfügung gestellten Mobiltelefonen etabliert werden. Sie ermöglichen eine großflächige Erfassung von Messdaten im direkten Umfeld von Menschen und können für zahlreiche Anwendungsszenarien verwendet werden. Neben ihren Vorzügen bringen PSNs aber auch Schwierigkeiten mit sich. Zwei zentrale Herausforderungen sind die ressourcenschonende Datenerfassung und der Schutz der Privatsphäre – beide resultieren aus der Instrumentalisierung privater Mobiltelefone zur Datenerfassung. Da der primäre Verwendungszweck der Geräte nicht die Aufzeichnung von Messdaten ist, darf diese deren Ressourcen nicht merklich belasten. Außerdem muss sichergestellt werden, dass durch die Erfassung von Messdaten die Privatsphäre der teilnehmenden Nutzer nicht verletzt wird. Der erste Teil der Arbeit beschäftigt sich mit dem Aspekt der ressourcenschonenden Datenerfassung. Zunächst werden PSNs betrachtet, bei denen punktuell Messungen durchgeführt werden. Bei diesen Netzen müssen die teilnehmenden Geräte über die durchzuführenden Messungen unterrichtet werden. Damit hierbei die Ressourcen der Endgeräte nicht unnötig belastet werden, wird ein Konzept vorgestellt, das einerseits eine robuste Verteilung der Messaufgaben sicherstellt, gleichzeitig jedoch versucht, die Energieressourcen der Mobiltelefone zu schonen. Bei PSNs mit großflächiger und kontinuierlicher Datenerfassung spielt die Verteilung der Messaufgaben keine so entscheidende Rolle. Hier muss vielmehr sichergestellt werden, dass die Energie- und die Übertragungskosten auf Seiten der Nutzer möglichst gering bleiben. Aus diesem Grund wird ein Ansatz zur lokalen Gruppierung von Messknoten beschrieben, der durch eine Aufteilung der anfallenden Aufgaben und eine intelligente Auswahl der Knoten zu einer ressourcenschonenden und weniger redundanten Datenerfassung führt. Der zweite Teil der Arbeit befasst sich mit dem Schutz der Privatsphäre der Teilnehmer und beinhaltet zwei Themenblöcke. Zum einen wird ein Ansatz zur automatisierten Erzeugung von Privatsphäre-Zonen vorgestellt, der ohne das Eingreifen der Nutzer die Zonen an das jeweilige Umfeld anpasst. Diese Zonen werden um die vom Nutzer häufig besuchten Orte erstellt und verhindern so mögliche, auf der Identifikation dieser Orte basierende Deanonymisierungsangriffe. Zum anderen wird ein Kalibrierungssystem für PSNs beschrieben, dessen Fokus sowohl auf der Verbesserung der Datenqualität als auch auf der Wahrung der Privatsphäre der Nutzer liegt. Hierfür ermöglicht dieses eine rückwirkende Anpassung bereits übertragener Daten, verhindert aber gleichzeitig durch eine Modifikation der Kalibrierungsparameter und der Upload-Zeitpunkte eine direkte Zuordnung zu einem Nutzer.

Abstract

Participatory Sensing Networks (PSNs) represent a new kind of sensor networks that are established on the basis of voluntarily provided mobile phones. They allow for large-scale data collection in the immediate environment of people and can be used for various application scenarios. However, alongside their advantages, PSNs entail several difficulties. Two key challenges are the resource-efficient data collection and the protection of privacy - both resulting from exploiting private mobile phones for data collection. As the recording of measurement data is not the devices’ primary purpose, it must not significantly burden their resources. In addition, it has to be ensured that the privacy of participating users is not violated by the acquisition of measurement data. The first part of this thesis addresses the issue of resource-efficient data collection. At first, PSNs are examined in which measurements are only conducted at selected places. In these networks, the participating devices have to be informed about the required measurements. To avoid an unnecessary burdening of device resources at this stage, a concept is presented that ensures a robust distribution of measurement tasks and, at the same time, tries to conserve the mobile phones’ energy resources. In PSNs with large and continuous data collection, the distribution of measurement tasks is less essential. It is rather necessary to ensure that energy and transmission costs on the user side remain as low as possible. For this reason, an approach for the local clustering of measurement nodes is described that allows for a resource-efficient and less redundant data collection by dividing and intelligently assigning occurring tasks. The second part of the thesis deals with the protection of the participants’ privacy and contains two thematic blocks. Firstly, an approach to automate the generation of privacy zones is presented. It adjusts the zones to the environment without the intervention of the user. These zones are created around the user’s frequently visited places and thereby prevent deanonymisation attacks based on the identification of these places. Secondly, a calibration system for PSNs is described that focuses both on improving data quality and on the protection of user privacy. It allows for a retroactive adjustment of already transferred data, but simultaneously prevents an unambiguous attribution to a user by modifying the calibration parameters and the time of their transmission.