Please use this identifier to cite or link to this item: http://dx.doi.org/10.18419/opus-13929
Full metadata record
DC FieldValueLanguage
dc.contributor.authorZhu, Xinxin-
dc.date.accessioned2024-02-19T15:08:29Z-
dc.date.available2024-02-19T15:08:29Z-
dc.date.issued2023de
dc.identifier.other188123049X-
dc.identifier.urihttp://nbn-resolving.de/urn:nbn:de:bsz:93-opus-ds-139484de
dc.identifier.urihttp://elib.uni-stuttgart.de/handle/11682/13948-
dc.identifier.urihttp://dx.doi.org/10.18419/opus-13929-
dc.description.abstractConnected vehicles are able to acquire and share enormous amount of information with various onboard sensors and network communication. The information sharing can cause privacy concerns. The uniqueness of these concerns lies in the mobility of connected vehicles, which encounter different situations regularly. Different situations may have different requirements on the intensity of privacy protection. Thus, a situational policy for privacy protection should be applied. To enable a connected vehicle to carry out the situational policy correctly and effectively, we propose “Adaptive Privacy in Flow”, a framework that utilizes stream processing technology to adapt the privacy-enhancing technologies within a connected vehicle’s data pipeline through continuous evaluation of the environments. Our framework provides a solution of applying the situational privacy policy accordingly to the sensor data. It reacts to situational changes automatically, without restart or user intervention. Besides, it allows simultaneous and individual dynamic privacy protection for different third-party applications. Moreover, it is capable of handling the diversity of the data types in connected vehicles, from simple scalar value to complex data type like the images, ensuring a comprehensive privacy protection.en
dc.description.abstractVernetzte Fahrzeuge können mit verschiedenen Onboard-Sensoren und Netzwerkkommunikation enorme Mengen an Informationen erfassen und teilen. Das Teilen von Informationen kann Datenschutzbedenken hervorrufen. Die Einzigartigkeit des Bedenkens besteht in der Mobilität der vernetzten Fahrzeuge, die sich regelmäßig in unterschiedlichen Situationen befinden. Unterschiedliche Situationen können unterschiedliche Anforderungen an die Intensität des Datenschutzes besitzen. Daher sollte eine situative Richtlinie zum Schutz der Privatsphäre angewendet werden. Damit ein vernetztes Fahrzeug die situative Richtlinie korrekt und effektiv umzusetzen kann, schlagen wir "Adaptive Privacy in Flow" vor, ein Framework, das Stream-Processing-Technologie nutzt, um die datenschutzfördernden Technologien innerhalb der Datenpipeline eines vernetzten Fahrzeugs durch kontinuierliche Bewertung der Umgebungen anzupassen. Unser Framework bietet eine Lösung zur Anwendung der situativen Datenschutzrichtlinie entsprechend auf die Sensordaten. Es reagiert automatisch auf Veränderungen in den Situationen, ohne Neustart oder Benutzereingriff. Darüber hinaus, es ermöglicht gleichzeitigen und individuellen dynamischen Datenschutz für verschiedene Drittanbieter-Anwendungen. Außerdem kann es mit der Vielfalt der Datentypen in vernetzten Fahrzeugen umgehen, von einfachen Skalarwerten bis hin zu komplexen Datentypen wie Bildern und gewährleistet einen umfassenden Datenschutz.de
dc.language.isoende
dc.rightsinfo:eu-repo/semantics/openAccessde
dc.subject.ddc004de
dc.titleLive adaptation of privacy-enhancing technologies in connected vehicles' data pipelinesen
dc.typemasterThesisde
ubs.fakultaetInformatik, Elektrotechnik und Informationstechnikde
ubs.institutInstitut für Parallele und Verteilte Systemede
ubs.publikation.seiten90de
ubs.publikation.typAbschlussarbeit (Master)de
Appears in Collections:05 Fakultät Informatik, Elektrotechnik und Informationstechnik

Files in This Item:
File Description SizeFormat 
XZ_MA_AdaPrivFlow.pdf7,24 MBAdobe PDFView/Open


Items in OPUS are protected by copyright, with all rights reserved, unless otherwise indicated.