面向智能汽车软隐私的威胁建模更新
密码学与安全
2024-03-04 v1
摘要
作为驾驶员的自然人消费源自互联网的数据，同时自身也作为相关数据的来源。由此可见，公民在驾驶时隐私面临潜在风险，因此有必要在该应用领域中对隐私威胁进行建模。本文通过更新近期的一种威胁建模方法，并将其专门定制于软隐私目标属性，来解决隐私威胁问题，该属性确保公民对其个人数据的完全控制。该方法现在将文档来源作为一个需考虑的显式变量。我们通过纳入事实标准 LINDDUN 方法的新版本以及 ENISA 提供的另一相关来源（被发现与软隐私相关）来展示该方法。主要发现是一组针对汽车领域目标属性的 23 个领域无关威胁、43 个领域特定资产以及 525 个领域相关威胁。尽管这些数量超过了先前版本，但其主要价值在于为至少两个论点提供不言自明的支撑。其一是 LINDDUN 的演进方式很大程度上正如我们原始方法所倡导的那样，因为我们先前建议的若干扩展已不再悬而未决。其二是 ENISA 对智能汽车上隐私的处理应大幅扩展，因为我们这 525 个威胁均落在同一范围内。
引用
@article{arxiv.2308.11273,
title = {Up-to-date Threat Modelling for Soft Privacy on Smart Cars},
author = {Mario Raciti and Giampaolo Bella},
journal= {arXiv preprint arXiv:2308.11273},
year = {2024}
}
备注
Accepted in 7th International Workshop on SECurity and Privacy Requirements Engineering (SECPRE 2023). arXiv admin note: substantial text overlap with arXiv:2306.04222