Source : preprint arXiv:1710.04578v1 [cs.CR], 12 octobre 2017 (aucune venue d’édition imprimée dans le PDF) · DOI non imprimé · University of Michigan, Ann Arbor · accès OPEN · PDF Unknown2017-MobileImusReveal.pdf, sha256 dacd56a299ec366f…, 15 pages Lu le : 2026-11-02. LECTURE COMPLÈTE (texte extrait entier ; page 11 relue en image pour le tableau II). Statut summarized. Thème : fusion · identification du conducteur par IMU de téléphone, vie privée Métadonnées vérifiées dans le PDF : le citekey Unknown… est un placeholder. Titre, trois auteurs (Dongyao Chen, Kyong-Tak Cho, Kang G. Shin, les deux premiers à contribution égale) et année 2017 relevés en première page ; pas de DOI imprimé.

Contexte et question

Les travaux antérieurs d’identification du conducteur reposent sur des données du réseau embarqué (CAN, via la prise OBD-II), dont l’accès est de plus en plus restreint et dont le décodage est propriétaire. Les auteurs demandent si un adversaire qui n’a accès qu’aux IMU d’un appareil mobile (gyroscope, accéléromètre, magnétomètre) peut identifier le conducteur, y compris à partir d’un seul virage. L’angle du papier est la vie privée : il décrit une attaque, nommée Dri-Fi.

Méthode

• Alignement et filtrage : les mesures sont alignées sur le repère terrestre à l’aide du magnétomètre, les pointes anormales sont retirées, puis un filtre passe-bas lisse gyroscope et accéléromètre (§III-B).
• Détection des virages : une manœuvre de direction est reconnue quand la vitesse de lacet dépasse en valeur absolue un seuil δ_bump fixé empiriquement à 0,15 rad/s ; les bornes sont étendues jusqu’à |Y| ≈ 0. Le cap est obtenu par intégration du lacet (éq. 1) ; on ne retient que les manœuvres avec 70° ≤ |θ_final| ≤ 110° (écarte changements de voie, ≈ 0°, et demi-tours, ≈ 180°) (§III-C).
• Interpolation : chaque virage est ramené à une longueur fixe, pour limiter l’effet du rayon de virage et des fréquences d’échantillonnage différentes (§III-C).
• Trois descripteurs (§III-D) : F1, accélération le long de l’axe de fin de virage, A_eot[nTs] = A[nTs]·sin(θ[nTs]) (éq. 2) ; F2, sa variation ; F3, la variation du lacet brut.
• Vecteur de caractéristiques : le virage est découpé en 5 étapes de durée égale ; pour chaque descripteur et chaque étape, percentiles 10, 25, 50, 75, 90 et autocorrélations aux retards 1 à 10. Les auteurs écartent moyenne, variance, min et max, jugés inutiles (note 6, p. 7).
• Classifieurs : SVM, forêt aléatoire de 100 arbres, Naive Bayes. Pour l’approche par trajet, le Naive Bayes accumule les vraisemblances des virages successifs avec un a priori uniforme (éq. 3).
• Construction du jeu d’apprentissage sans étiquettes : un modèle de mélange gaussien (GMM) décide, d’après la log-vraisemblance (positive ou non), si un trajet vient d’un conducteur déjà connu ou d’un nouveau (§III-F). Le contexte (heure, lieu, etc.) ne sert qu’à étiqueter l’apprentissage, jamais à l’identification.

Données

• Application Android à 100 Hz, installée sur Google Pixel, Nexus 5X, Samsung Galaxy S5 et Note 5 (§IV-A, §IV-G).
• 12 conducteurs (9 hommes, 3 femmes, 22 à 50 ans), quatre mois de collecte, plus de 116 heures de conduite, 1 688 miles, zones urbaines et périurbaines (§IV-A).
• Grande échelle : 10 voitures de 7 modèles, conducteurs libres de leur véhicule et de leur itinéraire (cas T7). Petite échelle : deux conducteurs, une Honda Accord et un Ford Explorer, itinéraire imposé ou libre (T1 à T6, Tab. I).
• Validation croisée à 10 plis.

Résultats chiffrés

Analyse des facteurs (classification binaire, hasard = 50 %, un virage, Fig. 10, §IV-B) :

• Une précision proche du hasard quand seuls voiture et itinéraire changent, élevée quand le conducteur change : les auteurs en concluent que les descripteurs ne dépendent que du conducteur.
• Un seul virage, 12 conducteurs au total (Fig. 11, §IV-C) : forêt aléatoire 90,8 / 83,5 / 74,1 % pour 5 / 8 / 12 conducteurs ; SVM 90,5 / 83,1 / 72,8 %. Ancre : « just one turn with 74.1%, 83.5%, and 90.8% accuracy across 12 » (résumé, p. 1) ; « Dri-Fi can fingerprint the driver with 90.5%, 83.1%, » (§IV-C, p. 10).
• Par trajet, Naive Bayes, 8 virages (Fig. 12) : 96,6 / 95,4 / 95,3 % pour 5 / 8 / 12 conducteurs. Ancre : « 96.6%, 95.4%, and 95.3% across 5, 8, and 12 drivers » (p. 10). La courbe n’est pas monotone ; le Naive Bayes est un peu moins bon que SVM ou forêt après un seul virage (p. 11). 500 itérations, un trajet de test tiré au hasard, les autres trajets servant à l’apprentissage.
• Interpolation (Tab. II, p. 11, 12 conducteurs) : virages à gauche, avec interpolation 73,1 % (SVM) et 78,0 % (forêt), sans 65,2 % et 72,0 % ; virages à droite, avec 74,1 % et 74,3 %, sans 71,5 % et 72,2 %. Différence moyenne : -6,95 points (gauche), -2,35 points (droite). Les auteurs l’expliquent par la plus grande variabilité des rayons de virage à gauche.
• Jeu d’apprentissage par GMM (Fig. 13, §IV-E) : sur 12 trajets de test, seul le trajet du conducteur appris a une log-vraisemblance positive ; si le conducteur est nouveau, toutes sont négatives ou infinies négatives. Pas de taux chiffré.
• Étiquettes erronées (Fig. 14, SVM, 5 conducteurs) : avec 20 % d’étiquettes fausses, 70,7 % après un virage. Ancre : « the adversary can still achieve 70.7% » (§IV-F, p. 12).
• Surcoût sur le téléphone (Fig. 15, §IV-G) : hausse de CPU de 2 % (Pixel) et 3,4 % (Nexus 5X) ; navigation seule 767,10 mA, Dri-Fi ajoute 49,60 mA, soit 6,5 % de plus. Ancre : « drew only 49.60mA additional current » (p. 12).

Limites déclarées par les auteurs

• Un appareil qui bouge pendant la conduite (une montre au poignet) ajoute du bruit et dégrade la précision (§VI).
• L’état du conducteur (émotion, urgence, état physique) peut modifier la précision ; ces effets ne sont pas étudiés et sont renvoyés à des travaux futurs (§VI).
• Un seul virage ne suffit pas toujours : fausses détections possibles (feux, piétons, §III-E), d’où l’accumulation sur plusieurs virages.
• La précision à un virage baisse quand le nombre de conducteurs augmente ; le maximum testé est de 12 (§VI).
• Contre-mesure proposée : ajouter du bruit aux mesures IMU quand le lacet franchit δ_bump, ou demander une permission d’accès aux IMU (§VI).

Ce que ça change pour Teleforge (interprétation, hors de l’article)

• La chaîne de détection de virage est simple et reproductible : seuil de lacet à 0,15 rad/s, cap intégré, filtre sur |θ| entre 70° et 110°. Utile comme point de comparaison pour notre segmentation des virages, en gardant en tête que ces seuils sont réglés sur des smartphones à 100 Hz.
• L’article suppose un gyroscope. Les boîtiers sans gyroscope (accéléromètre seul, lacet dérivé) ne permettent pas de reproduire F3 ni la détection par lacet telle quelle.
• Le résultat sur 12 conducteurs sert de borne : une signature de conduite existe dans les IMU, ce qui a un intérêt direct pour la gestion des données de conduite (anonymisation, partage).
• Les chiffres reposent sur des conducteurs volontaires, sur un échantillon de 12 personnes ; à ne pas reprendre comme performance en flotte réelle.
• Le protocole « facteurs séparés » (T1 à T6) est un bon modèle pour vérifier qu’un descripteur dépend du conducteur et non du véhicule ou de l’itinéraire.