Hispanopedia Wiki
Articulo de referencia

Privacidad en viajes compartidos

Las plataformas de transporte compartido se enfrentan a problemas de privacidad de los usuarios , al igual que otras plataformas en línea. Entre las preocupaciones relacionadas ...

Hispanopedia WikiContenido en espanolLectura gratuita

Las plataformas de transporte compartido se enfrentan a problemas de privacidad de los usuarios , al igual que otras plataformas en línea. Entre las preocupaciones relacionadas con estas aplicaciones se incluyen la seguridad de los datos financieros (que a menudo se requieren para pagar el servicio) y la privacidad de los datos personales y la ubicación . Los problemas de privacidad también pueden surgir durante el viaje, ya que algunos conductores optan por usar cámaras orientadas hacia los pasajeros para su propia seguridad. A medida que el uso de los servicios de transporte compartido se generaliza, también aumentan los problemas de privacidad asociados a ellos.

Historia

El concepto de viajes compartidos existe desde la Segunda Guerra Mundial , pero no fue hasta la década de 1990 cuando los programas comenzaron a digitalizarse. [ 1 ] Algunos de los primeros programas de búsqueda de viajes por teléfono fueron Bellevue Smart Traveler de la Universidad de Washington , Los Angeles Smart Traveler de los Servicios de Transporte para Viajeros de Los Ángeles y Rideshare Express de Sacramento Rideshare. [ 1 ] Sin embargo, en estos programas telefónicos, los costos operativos comenzaron a superar los ingresos y se propuso una alternativa: la búsqueda de viajes por internet y correo electrónico. Este programa se probó en un campus cerrado (solo estaba disponible para personas asociadas con la Universidad de Washington), y resultó muy exitoso. Otros dos programas, ATHENA y MINERVA, también se informatizaron, pero no tuvieron éxito. [ 1 ] Con la creación de internet en la década de 1990, se creó la búsqueda de viajes en línea. Originalmente, los sitios web tenían listas o foros donde las personas podían obtener información sobre opciones para compartir coche , pero internet proporcionó la capacidad de desarrollar plataformas más dinámicas e interactivas. Este concepto no prosperó porque su funcionamiento era similar al de los viajes compartidos tradicionales; solo se había facilitado la búsqueda de usuarios. Dado que los viajes compartidos no eran opciones muy populares, la pequeña población que participaba ya tenía agendas establecidas, por lo que, en términos de horarios, no resultaba útil para quienes necesitaban transporte fuera de su jornada laboral habitual. Las grandes empresas comenzaron a interesarse en asociarse con empresas de búsqueda de viajes compartidos para expandir la plataforma. Estas empresas están ganando terreno a medida que la disponibilidad de tecnología móvil y, por lo tanto, la accesibilidad desde cualquier lugar, se ha vuelto más común.

Entrada de datos del usuario/privacidad con los datos del software

Software

funciones de entrada del usuario

Las aplicaciones de viajes compartidos tienen varias características comunes de entrada de datos por parte del usuario:

  • Los usuarios pueden introducir su lugar de recogida.
  • Los usuarios pueden introducir su destino de entrega.
  • Los usuarios pueden guardar una dirección particular o laboral.
  • Los usuarios pueden guardar lugares únicos si los visitan con frecuencia.
  • Los usuarios también pueden indicar su ubicación exacta en un mapa.
  • Los usuarios pueden guardar la información de su tarjeta de crédito para acceder a ella fácilmente.
  • Los usuarios pueden invitar a sus amigos, a quienes la aplicación accede a través de la información de contacto de su teléfono.
  • Los usuarios pueden crear su propio perfil.
  • Los usuarios pueden ver los perfiles de sus posibles conductores, así como las reseñas que los acompañan.

Las empresas de transporte compartido también cuentan con varias funciones de seguimiento que no dejan claro qué información del usuario se recopila:

  • La aplicación se conecta automáticamente y rastrea la ubicación actual del usuario y las áreas circundantes, por lo que cuando se abre la aplicación, se abre inmediatamente un mapa preciso como página de inicio y se rastrea de inmediato la ubicación del usuario.
  • Las direcciones recientes que se hayan configurado como lugares de recogida o entrega se guardan en el historial de búsqueda.
  • Permitir que la aplicación se conecte a los datos personales almacenados en el teléfono, como el acceso a los contactos, puede permitir que la aplicación acceda a más que solo números de teléfono (direcciones, información personal) que se hayan almacenado bajo el contacto en el teléfono.

Privacidad de Uber

Uber tiene una opción donde la privacidad del usuario puede ser potencialmente olvidada y son conscientes de qué datos están recopilando del usuario y están siendo transparentes: [ 2 ]

  • Posibilidad de compartir o dejar de compartir la ubicación en tiempo real, así como de tener la configuración de ubicación siempre activada.
  • Posibilidad de recibir notificaciones sobre tu cuenta y tu viaje.
  • Posibilidad de eliminar los contactos almacenados, lo que añade otra forma de vincular a dos personas si alguien está rastreando la información de otra persona.
  • Posibilidad de compartir los detalles del viaje con el 911 en caso de emergencia.
  • Posibilidad de sincronizar el calendario personal con la aplicación.

Privacidad de Lyft

Según la Política de Privacidad de Lyft , [ 3 ] la información que recopilan incluye:

  • Información de registro proporcionada a ellos (nombre, correo electrónico, número de teléfono)
  • Si se utiliza una cuenta de redes sociales para registrarse, se utilizará la información de ese perfil (nombre, género, foto de perfil, amigos).
  • Cualquier información que el usuario decida incluir en el perfil.
  • Información de pago para cobrar a los pasajeros (aunque no almacenan la información de la tarjeta de crédito).
  • Cualquier interacción con el equipo de soporte
  • Información proporcionada durante la solicitud de conductor (fecha de nacimiento, dirección, número de seguro social, información de la licencia, etc.).
  • Información de pago para pagar a los conductores
  • Información de ubicación, incluidas las ubicaciones guardadas.
  • Información sobre el dispositivo en el que se está utilizando la aplicación.
  • Datos de uso
  • Llamadas y mensajes de texto entre pasajeros y conductores.
  • Comentario
  • Contactos (si el usuario lo permite)
  • Galletas

Hardware

Cámara dentro del coche

Recientemente se ha implementado la presencia de cámaras físicas en vehículos de transporte compartido. Anteriormente, las únicas cámaras relacionadas con automóviles eran las de tráfico y las de los coches patrulla. Sin embargo, ha habido un aumento en la cantidad de cámaras de grabación continua que no solo vigilan la carretera y registran lo que sucede fuera del vehículo. La implementación de cámaras dentro de los automóviles para grabar las interacciones entre conductores y pasajeros es algo nuevo. Sin embargo, a las personas les preocupa su privacidad, ya que esta grabación se realiza durante todo el trayecto y no dan su consentimiento verbal para ser grabadas. No obstante, sí dan su consentimiento para estar en el automóvil de otra persona, por lo que deben acatar las normas del conductor. Existen normas federales sobre grabaciones de audio; la ley federal solo exige el consentimiento de una de las partes. [ 4 ]

Políticas gubernamentales sobre grabación

Según la Ley Ómnibus de Control del Crimen y Calles Seguras de 1968 , existen políticas relativas a la grabación de conversaciones de audio, incluyendo aclaraciones sobre la regla del "consentimiento de una sola parte". En cuanto a las conversaciones de audio, es ilegal grabar una conversación en la que uno no participa. Sin embargo, está permitido grabar si uno mismo participa en la conversación, sin necesidad de obtener el consentimiento de la otra persona ni de informarle de que se está grabando.

Preocupaciones

El posible abuso del rastreo de ubicación

Existen varias áreas donde la aplicación podría hacer un uso indebido de los datos al conocer la ubicación del usuario. Dado que se recopilan datos de los viajes, si la empresa de transporte compartido tiene acuerdos con corporaciones, estas pueden utilizarlos para predecir ubicaciones futuras, identificar los intereses de un individuo y dirigirle publicidad. [ 5 ] [ 6 ] Las corporaciones pueden recopilar información sobre qué tipos de tiendas y marcas visita con mayor frecuencia un usuario y crear un perfil en línea rastreable. Esto también puede aplicarse a las empresas de publicidad, que pueden segmentar los intereses personales y modificar sus interacciones en línea para mostrar anuncios personalizados y específicos según los lugares que el usuario haya visitado. *cita*

En algunos casos, podrían surgir consecuencias negativas. Si el usuario participa en actividades relacionadas con sus posturas políticas, las empresas pueden almacenar esta información y usarla en su contra si el usuario entra en contacto con la empresa en un entorno profesional. Esto también se aplica a las afiliaciones médicas, religiosas o legales, de modo que la ubicación y los lugares que visita un usuario no se justifican desde una perspectiva externa.

En relación con el perfil en línea del usuario, si una persona depende exclusivamente de servicios de transporte compartido para desplazarse, se puede rastrear cuánto tiempo ha estado fuera de casa y a qué distancia se encuentra. Esto representa una oportunidad para que se acose o se robe al usuario, ya que se sabe cuándo es el momento ideal para que no esté en casa. *cita* En un contexto más amplio, basándose en la demografía de la zona con la que interactúa un usuario, si frecuenta las mismas tiendas dentro de una zona determinada, se puede inferir información, como sus ingresos estimados. *cita*

Los usuarios tienen la opción de guardar una dirección particular o laboral para acceder a ella fácilmente. Generalmente, los usuarios ingresan su dirección real, pero en algunos casos, se sabe que ingresan una dirección a pocas calles de distancia, simplemente por seguridad, en caso de que se filtren datos. Sin embargo, aunque esta es una medida de seguridad muy básica, indicar la ubicación aproximada del usuario proporciona información sobre su lugar de trabajo.

Aplicaciones que tienen en cuenta la ubicación

Las personas tienen inquietudes sobre cómo, qué, cuándo y dónde se almacena su información de ubicación, así como sobre el alcance del acceso de otros a ella. No solo en lo que respecta a las aplicaciones de viajes compartidos, sino a cualquier aplicación que tenga habilitada la función de compartir, existen varios tipos de aplicaciones que son conscientes de la ubicación. La búsqueda basada en la ubicación (LBS) ocurre cuando el seguimiento de un usuario devuelve elementos y edificios alrededor de su ubicación actual para ser rastreados. Se dibuja un mapa con la orientación de los edificios circundantes para determinar una ubicación. [ 7 ] Los servicios de geolocalización hacen que el usuario sea rastreado con una huella ambiental. Es una estimación de la ubicación de un usuario. La detección móvil es el proceso de localizar el dispositivo físico del usuario, que tiene sensores e información que se puede recopilar. Compartir la ubicación es un estado voluntario en el que el usuario está en tiempo real y su ubicación se actualiza y rastrea constantemente.

Utilización de la información del usuario

Analizando con más detalle las aplicaciones y cómo un usuario accede al servicio de transporte compartido, una vez que el usuario ingresa datos en la aplicación, estos permanecerán accesibles en la web de forma permanente. Incluso si elimina la información o su cuenta, los datos se han creado en una plataforma en línea y existen independientemente de si el usuario lo autoriza o no. Estas aplicaciones solicitan información del usuario, como número de teléfono, correo electrónico y foto de perfil, datos que pueden utilizarse para rastrear la identidad del usuario. Una vez que esta información se encuentra en la base de datos de la aplicación, tanto la aplicación como sus socios pueden acceder a ella indirectamente.

La mayoría de las aplicaciones procesan y completan el pago antes de que el usuario pueda conectarse a su viaje. Los usuarios tienen la opción de guardar la información de su tarjeta de crédito para acceder a ella fácilmente, en lugar de tener que ingresarla repetidamente. Si bien existe un nivel adicional de seguridad, como un código de acceso o Touch ID antes de cada transacción, esto no garantiza la seguridad de dicha información dentro de la aplicación. Solo garantiza que la transacción actual se realice con el consentimiento del usuario.

Los usuarios pueden añadir una foto de perfil a sus aplicaciones. Esto tiene como objetivo ayudar a los conductores a identificar a sus pasajeros. Sin embargo, esto puede generar problemas, ya que si la imagen de un pasajero se guarda y se sube a internet, se pueden establecer vínculos con cuentas personales. Por ejemplo, gracias al avanzado algoritmo de reconocimiento facial de Facebook , es más fácil identificar a las personas a partir de fotografías.

Soluciones

Distribución del ruido

Los investigadores han llegado a una conclusión que presenta una solución para estos problemas: un sistema que ayuda tanto con la privacidad de los datos como con el anonimato del usuario. [ 8 ] La solución es un programa que crea una distribución de ruido para que la ubicación específica de un usuario se vea afectada. Básicamente, encripta la ubicación del usuario y reporta esa ubicación de forma que solo el sistema pueda leerla, por lo que no manipula la ubicación real, sino la forma en que esos datos se ingresan al sistema. Esta solución ya se ha implementado en dos de los principales sistemas operativos: Mac OS y Linux . Esta solución ayuda a quienes desconfían de usar estas aplicaciones de transporte compartido por temor a que se invada su privacidad o a que se roben sus datos, pero este software ha demostrado que puede gestionar la seguridad de los datos y mantener el anonimato del usuario. Es como una capa adicional de seguridad que crea una capa más para ocultar al usuario.

Anonimato K

K-anonymity funciona como un servidor de anonimización, un servidor de terceros de confianza encargado de proporcionar cobertura anónima a los usuarios. K-anonymity se utiliza para preservar la privacidad de la ubicación creando una capa de ubicación sin conocer la ubicación real del usuario. [ 9 ] El software intenta encontrar varios usuarios cercanos al usuario real, ya que de lo contrario las ubicaciones exactas no podrían correlacionarse con el usuario original en cuestión, y estas ubicaciones, que no pueden ser identificadas por los usuarios cercanos, protegerían al usuario original. No hay forma de distinguir entre todos los usuarios. [ 9 ]

Sistemas de interferencia difusa

Otra solución es intentar usar sistemas de inferencia difusa en relación con los geoservicios móviles. [ 10 ] Esta solución usaría diferentes detalles para identificar al usuario que no serían propensos a que las organizaciones abusen de la información obtenida. Actualmente, los servicios basados ​​en la ubicación pueden revelar varias piezas de información sensible, como las instituciones religiosas más cercanas, que pueden revelar la identidad del usuario, que las organizaciones utilizan con fines puramente comerciales. El artículo propone una solución, la anonimización, que protege los datos del usuario en caso de filtraciones accidentales. Hay una explicación del sistema de inferencia difusa y cómo funciona *explicar cómo funciona* y luego el método de implicación potencial en taxistas para ver si es una forma efectiva de proteger la información de las personas, ya que no hay un diseño concreto con anonimización que haya demostrado ser bueno. Hay diferentes niveles de precisión que el sistema de ubicación puede acotar a un usuario. Estos sistemas convierten datos cuantitativos en datos cualitativos que ocultarían la identidad y la ubicación de un usuario. Tras una prueba piloto con taxistas, surgieron varias complicaciones, principalmente por interpretaciones erróneas humanas. Sin embargo, en el futuro, invertir más tiempo en esta solución y combinarla con soluciones ya existentes podría proporcionar una solución más eficaz. Para quienes temen que se rastree su ubicación y que esta se utilice para rastrearlos, esta solución difusa los datos del usuario, de modo que, si se les rastrea, el rastreo no es del todo preciso. Existen tablas de datos que muestran distancias experimentales de proximidad entre un software de rastreo y quienes implementaron la solución difusa. Esta solución adopta un enfoque diferente, ya que no resuelve completamente el problema de cómo proteger la privacidad del usuario, pero está trabajando para lograrlo, dado que aún no ha tenido tiempo suficiente para madurar, pues se encuentra en etapas introductorias. Pone de manifiesto que el software de rastreo de ubicación aún no es privado, incluso cuando se han tomado soluciones para intentar superar esta limitación. Sin embargo, deja un final abierto, ya que concluye que con más investigación y recursos (y especificando qué áreas podrían mejorarse) podría expandirse y desarrollarse mejor. [ 11 ]

Transformación de la ubicación

Una solución propuesta es un modelo que estimaría la dificultad que tendrían fuentes externas para acceder a la información privada de una persona. Se han propuesto varios mecanismos que serían útiles para ocultar datos, incluyendo la ofuscación de la ubicación, la perturbación, la confusión y la supresión, así como técnicas criptográficas. [ 7 ]

Ofuscación de ubicación

Ocultar la ubicación de un usuario significa enmascararla. Las coordenadas de ubicación del usuario se conservan, pero su precisión se ve reducida. [ 12 ] Sin embargo, esta no es una solución completa, ya que ignoraría el propósito fundamental de los servicios basados ​​en la ubicación. Por lo tanto, ser selectivo con la información que una aplicación oculta contribuiría a la protección. [ 7 ]

Existe un programa, llamado algoritmo NRand, que determina la cantidad de interferencia que se aplica a los datos de ubicación del usuario. Este algoritmo presenta algunos problemas, como determinar la cantidad de ruido que se debe implementar y si la modificación de los datos es suficiente para alterarlos hasta convertirlos en algo irreconocible respecto a su estado original. [ 13 ]

perturbación de la ubicación

En un mapa, una ubicación se fija a algo cercano, pero no a la ubicación exacta del usuario debido al ruido añadido. Con esta capa adicional, si hay otra ubicación lo suficientemente cerca, se añadirá una transición a múltiples ubicaciones y se enmascararán todos los puntos de interés. [ 7 ] [ 13 ]

Confusión y supresión

Se establece una ubicación ficticia como la ubicación real. Esto se logra determinando la ubicación específica de un usuario y transformándola en varias otras ubicaciones, pero manteniendo la ubicación real. La supresión es un subconjunto de estas diferentes aplicaciones donde, durante un breve período de tiempo, cuando un usuario ingresa a un área, la información del usuario se suspende temporalmente y se pierde su identidad, de modo que cuando sale del área protegida, tiene una nueva identidad. [ 7 ]

Técnicas criptográficas

Los datos originales no se pueden rastrear porque la información pasa por algún tipo de intérprete criptográfico y podría transformarse en varios puntos de datos diferentes. [ 7 ]

Véase también

Referencias

  1. 1 2 3 Chan, Nelson D.; Shaheen, Susan A. (enero de 2012). "Viajes compartidos en Norteamérica: pasado, presente y futuro" (PDF) . Transport Reviews . 32 (1): 93–112 . doi : 10.1080/01441647.2011.621557 . ISSN 0144-1647 . S2CID 131187130 .  
  2. ↑ "Privacidad de Uber" . privacy.uber.com . Consultado el 14 de marzo de 2019 .
  3. ↑ "Política de privacidad de Lyft" . Lyft . Consultado el 21 de abril de 2019 .
  4. ↑ "Guía de grabación para reporteros" . Comité de Reporteros para la Libertad de Prensa . Consultado el 1 de diciembre de 2020 .
  5. ↑ Hallgren, Per; Orlandi, Claudio; Sabelfeld, Andrei (agosto de 2017). «PrivatePool: Viajes compartidos que preservan la privacidad». 2017 IEEE 30th Computer Security Foundations Symposium (CSF) . Santa Bárbara, CA: IEEE. págs. 276–291 . doi : 10.1109/CSF.2017.24 . ISBN  978-1-5386-3217-8. S2CID 10509617 . 
  6. ↑ Kikuchi, Hiroaki; Takahashi, Katsumi (julio de 2015). «Modelo de distribución Zipf para cuantificar el riesgo de reidentificación a partir de datos de trayectoria» . 13.ª Conferencia Anual sobre Privacidad, Seguridad y Confianza (PST) de 2015. IEEE. págs. 14-21 . doi : 10.1109/pst.2015.7232949 . ISBN  978-1-4673-7828-4.
  7. 1 2 3 4 5 6 Damiani, Maria L. (octubre de 2014). "Modelos de privacidad de ubicación en aplicaciones móviles: visión conceptual y direcciones de investigación". GeoInformatica . 18 ( 4): 819– 842. Bibcode : 2014GInfo..18..819D . doi : 10.1007/s10707-014-0205-7 . S2CID 1536208. ProQuest 1562335430 .  
  8. ↑ Pingley, Aniket; Yu, Wei; Zhang, Nan; Fu, Xinwen; Zhao, Wei (julio de 2012). "Un esquema sensible al contexto para servicios basados ​​en la ubicación que preservan la privacidad". Computer Networks . 56 (11): 2551– 2568. doi : 10.1016/j.comnet.2012.03.022 . ISSN 1389-1286 . 
  9. 1 2 Biswas, Pratima; Sairam, Ashok Singh (julio de 2018). "Modelado de enfoques de privacidad para servicios basados ​​en la ubicación". Computer Networks . 140 : 1–14 . doi : 10.1016/j.comnet.2018.04.016 . ISSN 1389-1286 . S2CID 47021116 .  
  10. ↑ Hashemi, Mahdi; Malek, Mohammad Reza (julio de 2012). "Protección de la privacidad de la ubicación en geoservicios móviles mediante sistemas de inferencia difusa". Computers, Environment and Urban Systems . 36 (4): 311– 320. Bibcode : 2012CEUS...36..311H . doi : 10.1016/j.compenvurbsys.2011.12.002 . ISSN 0198-9715 . 
  11. ↑ Ji, Rui; Yang, Yupu (19 de junio de 2013). "Aprendizaje suave de vectores de soporte para sistemas de clasificación basados ​​en reglas difusas". Análisis de datos inteligentes . 17 (4): 679– 695. doi : 10.3233/ida-130600 . ISSN 1571-4128 . 
  12. ↑ Zurbarán, Mayra; Wightman, Pedro; Brovelli, María; Oxoli, Daniele; Iliffe, Marcos; Jimeno, Miguel; Salazar, Augusto (17 de agosto de 2018). "NRand-K: Minimizar el impacto de la ofuscación de ubicación en el análisis espacial". Transacciones en SIG . 22 (5): 1257– 1274. Bibcode : 2018TrGIS..22.1257Z . doi : 10.1111/tgis.12462 . ISSN 1361-1682 . S2CID 53013020 .  
  13. 1 2 Hua, Jingyu; Tong, Wei; Xu, Fengyuan; Zhong, Sheng (2017). "Un mecanismo de perturbación de ubicación geoindistinguible para servicios basados ​​en la ubicación que admiten consultas frecuentes". IEEE Transactions on Information Forensics and Security . 13 (5): 1155– 1168. doi : 10.1109/tifs.2017.2779402 . ISSN 1556-6013 . S2CID 25233842 .