Vehicular networks allow vehicles to exchange their states periodically to improve traffic safety. This information threatens driver's privacy. In this thesis, we preserve location privacy with a small impact on safety applications. We propose two context-based schemes which determine the appropriate situations to change pseudonyms. Privacy metrics and schemes are also discussed and compared. We modify a Monte Carlo methodology to measure the quality of service of safety applications. ; Vehicular Networks ermöglichen Fahrzeugen ihren Status zur Verbesserung der Verkehrssicherheit auszutauschen. Diese Information bedroht die Privatsphäre der Fahrer. Der Ansatz in dieser Arbeit bewahrt die Location Privacy mit einem geringen Einfluss auf Sicherheitsanwendungen. Wir schlagen zwei kontextbasierte Systeme vor und diskutieren und vergleichen Datenschutz-Metriken und Schemata. Wir haben eine Monte-Carlo-Methode angepasst, um die Service-Qualität von Anwendungen zu messen.


    Access

    Download


    Export, share and cite




    Preserving Location-Privacy in Vehicular Networks via Reinforcement Learning

    Berri, Sara / Zhang, Jun / Bensaou, Brahim et al. | IEEE | 2022



    Privacy Aware Prevention of Sybil Attack in Vehicular Ad Hoc Networks

    Kumar, Rajeev / Chauhan, Naveen / Kumar, Pushpender et al. | Springer Verlag | 2020