💻 computer science

Safe2Hail: A Forensic-Driven Post-Trip Tracking Framework for Ride-Hailing Safety in Africa

Safe2Hail è un framework basato sull'analisi forense progettato per migliorare la sicurezza dei servizi di ride-hailing in Africa attraverso l'implementazione di un meccanismo di tracciamento post-viaggio sicuro e leggero che registri i dati di prossimità tra passeggeri e conducenti dopo la fine di una corsa, affrontando il critico vuoto di sicurezza lasciato dalle attuali misure limitate al solo periodo del viaggio.

Autori originali: Alvina Minja, Robert Maina, Mahmud Oloyede, Jema Ndibwile

Pubblicato 2026-07-09

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Alvina Minja, Robert Maina, Mahmud Oloyede, Jema Ndibwile

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina di prendere un ride-sharing in una città frenetica come Nairobi o Dar es-Salaam. Entri nell'auto, l'app traccia il tuo viaggio e ti senti al sicuro perché sai dove ti trovi. Ma cosa succede nel momento in cui il viaggio termina? O peggio, cosa succederebbe se l'autista annullasse la corsa a metà strada, o se venissi lasciato nel posto sbagliato?

Secondo il documento, le attuali app di ride-hailing sono come guardie giurate che timbrano l'uscita non appena scendi dall'auto. Una volta che il viaggio è ufficialmente "concluso" nell'app, le funzioni di sicurezza (come la condivisione della posizione in tempo reale o i pulsanti SOS) smettono di funzionare. Se succede qualcosa di brutto subito dopo la fine del viaggio, o se la corsa è stata interrotta sospettosamente, non rimane alcun registro digitale che possa aiutare gli investigatori a capire cosa sia successo.

Safe2Hail è una nuova idea progettata per colmare questo "punto cieco". Immaginalo come un "ombra digitale" che rimane con te per un po' dopo la fine del viaggio, giusto per sicurezza.

Ecco come il documento lo spiega, utilizzando analogie semplici:

1. Il Problema: Il vuoto dell' "Interruttore Off"

Attualmente, le app di ride-hailing sono come un film che smette di riprodursi nel momento in cui scorrono i titoli di coda. Se un crimine avviene durante i titoli di coda, il film non lo registra. I ricercatori hanno scoperto che molte situazioni pericolose — come rapine, molestie o rapimenti — avvengono proprio dopo che un viaggio viene annullato o termina in anticipo. Le app non tracciano questi momenti, lasciando un "vuoto forense" (un pezzo mancante di evidenza).

2. La Soluzione: L' "Ombra Post-Viaggio"

Safe2Hail è un framework che agisce come una telecamera di sicurezza temporanea che continua a registrare per alcuni minuti dopo che il viaggio dovrebbe essere terminato.

Come funziona: Se il sistema rileva qualcosa di strano (come un viaggio che termina improvvisamente in un quartiere degradato, o un autista che devia dal percorso in modo insolito), non si limita a fermarsi. Invece, passa alla modalità "Post-Track".
La "Sincronizzazione di Prossimità": Immagina che il telefono del passeggero e il telefono dell'autista si tengano per mano digitalmente. Anche dopo che la corsa è stata annullata, questi due telefoni continuano a sussurrare al server di Safe2Hail ogni 30 secondi, dicendo: "Io sono ancora qui", e "Io sono ancora qui".
Il Controllo della Distanza: Il sistema utilizza la matematica (chiamata formula di Haversine, che è solo un modo elegante per misurare la distanza tra due punti su un globo) per calcolare quanto distano l'autista e il passeggero.
- Se rimangono vicini (entro 10 metri) per un certo periodo, il sistema lo registra come un "evento di stretta prossimità". Questo è un elemento di prova cruciale. Dimostra che, anche se l'app diceva che il viaggio era finito, il passeggero era ancora fisicamente vicino all'autista.
- Se si allontanano (più di 50 metri), il sistema smette di registrare e li segna come "separati".

3. La Dashboard del "Punteggio di Rischio"

I ricercatori hanno costruito una dashboard che assomiglia a un sistema a semaforo per il pericolo.

Hanno creato una "Matrice di Rischio" (una tabella di punteggio) che analizza diversi fattori: È tarda notte? L'area è nota per la criminalità? L'autista ha una cattiva cronologia?
Se un viaggio ha un "Punteggio di Rischio" elevato (come una luce rossa), il sistema presta un'attenzione extra. Tratta il viaggio come sospetto e attiva immediatamente l' "Ombra Post-Track".
La dashboard mostra un grafico della distanza tra l'autista e il passeggero nel tempo, aiutando gli investigatori a vedere esattamente cosa è successo dopo la fine del viaggio.

4. Cosa hanno effettivamente testato

Il documento descrive una simulazione (una prova pratica), non un dispiegamento nel mondo reale su utenti reali di Uber o Bolt.

Hanno costruito un'app di ride-hailing "finta" usando codice informatico.
Hanno creato scenari in cui i viaggi terminavano in anticipo o fuori rotta.
Il Risultato: Il sistema ha funzionato. Ha tracciato con successo la distanza tra il "finto" autista e il "finto" passeggero dopo la fine del viaggio. Ha identificato correttamente quando erano vicini e quando si erano separati. Ha registrato questi dati in modo sicuro e privato.

5. Le Limitazioni (Ciò che il documento ammette)

Gli autori sono onesti riguardo ai limiti attuali:

Richiede cooperazione: Il sistema funziona solo se sia l'autista che il passeggero tengono i loro telefoni accesi e il GPS attivo. Se un malintenzionato spegne il telefono o il GPS, l' "ombra" scompare.
Il GPS non è perfetto: Nelle città molto affollate con edifici alti, i segnali GPS possono essere instabili. Il sistema utilizza una "zona cuscinetto" (da 10 a 25 metri) per tenere conto di questa imprecisione, ma non è preciso come un sensore ad alta tecnologia.
È un prototipo: Questa è una versione "beta". Non è ancora stata implementata su milioni di utenti reali, quindi non sappiamo come gestirà il caos del mondo reale, come le connessioni internet scadenti o le persone che cercano di hackerare il sistema.

Riassunto

In breve, Safe2Hail è una proposta per impedire alle app di ride-hailing di "dimenticarsi" di te nel momento in cui il viaggio finisce. Aggiunge una rete di sicurezza che mantiene un registro temporaneo, privato e criptato del fatto che un passeggero e un autista siano rimasti vicini dopo che una corsa è stata annullata o terminata in anticipo. Ciò fornisce alla polizia e agli investigatori una "scia digitale" per risolvere crimini che attualmente restano insoluti perché l'app ha smesso di osservare troppo presto.

Sintesi Tecnica: Safe2Hail – Un Framework di Tracciamento Post-Viaggio Orientato alla Forense

1. Definizione del Problema

I servizi di ride-hailing in Africa orientale (specificamente in Kenya e Tanzania) si sono espansi rapidamente, pur dovendo affrontare sfide persistenti in termini di sicurezza che le attuali misure delle piattaforme non riescono a risolvere. Sebbene le funzionalità di sicurezza esistenti — come gli avvisi SOS, la condivisione della posizione in tempo reale e il monitoraggio GPS — siano efficaci durante un viaggio, esse cessano di operare immediatamente al termine o alla cancellazione prematura del viaggio. Ciò crea un critico "gap forense" dove le minacce alla sicurezza, inclusi rapine, dirottamenti e molestie, possono verificarsi dopo la fine ufficiale del viaggio senza lasciare alcuna traccia digitale.

Il problema specifico affrontato è la mancanza di responsabilità e tracciabilità quando un viaggio viene interrotto prematuramente (ad esempio, il conducente o il passeggero annulla il viaggio a metà percorso, cambi di destinazione non autorizzati o spoofing del GPS). In questi scenari, i passeggeri si ritrovano spesso abbandonati in luoghi insicuri e gli investigatori mancano dei dati necessari per ricostruire gli eventi o verificare la prossimità tra conducente e passeggero dopo l'incidente.

2. Metodologia

Gli autori propongono Safe2Hail, un framework modulare e consapevole della dimensione forense, progettato per estendere il monitoraggio oltre la durata ufficiale del viaggio. La metodologia prevede tre componenti principali:

A. Architettura del Sistema

Il sistema è implementato come una piattaforma middleware leggera composta da:

Simulatore di Dati del Viaggio: Genera la telemetria del viaggio e attiva il rilevamento delle anomalie.
Motore di Post-Tracciamento (Post-Track Engine): Il componente forense centrale che avvia una sequenza di "Sincronizzazione di Prossimità" al rilevamento di un'anomalia del viaggio (specificamente terminazioni premature).
Dashboard: Un'interfaccia web-based per la visualizzazione dei dati del viaggio e dei log di post-tracciamento.

Il backend utilizza Python (Flask) per il server API, SQLite con SQLAlchemy per la persistenza dei dati, e Chart.js/Leaflet.js per la visualizzazione.

B. Rilevamento delle Anomalie e Punteggio di Rischio

Il sistema identifica 13 specifiche anomalie del viaggio, tra cui terminazioni premature del viaggio, deviazioni significative dal percorso e anomalie del GPS. Per dare priorità a queste, gli autori hanno sviluppato una Matrice di Rischio Contestuale utilizzando un modello di punteggio moltiplicativo:

Punteggio di Rischio ( $R$ ): Calcolato come $R = C \times R_h \times T_d$ , dove $C$ è il punteggio del livello di criminalità (basato sulla posizione), $R_h$ è il moltiplicatore della cronologia delle valutazioni e $T_d$ è il moltiplicatore dell'ora del giorno.
Punteggio dell'Evento: Le anomalie sono valutate in base a Probabilità (1–5) e Impatto (1–5). Ad esempio, gli "Trigger SOS" e le "Terminazioni Premature del Viaggio" hanno ricevuto i punteggi più alti (25 e 20, rispettivamente), dando priorità al motore di post-tracciamento.

C. Logica di Sincronizzazione di Prossimità Post-Tracciamento

Quando un viaggio termina prematuramente e l'endpoint si trova a più di 50 metri dalla destinazione prevista, il sistema avvia una sincronizzazione temporanea:

Meccanismo: I dispositivi del conducente e del passeggero scambiano coordinate GPS ogni 30 secondi tramite un canale criptato per un periodo di ritenzione (ad esempio, 5 minuti).
Calcolo della Distanza: Il sistema utilizza la formula di Haversine per calcolare la distanza in tempo reale tra i due dispositivi.
Soglie:
- 10 metri: Indica che il passeggero è probabilmente ancora all'interno o fisicamente vicino al veicolo.
- 25 metri: Approssima gli scenari di separazione, tenendo conto della varianza dell'accuratezza del GPS negli ambienti urbani.
- 50 metri: È la soglia per terminare la sincronizzazione e segnare lo stato come "separato".
Gestione dei Dati: Tutti i log sono anonimizzati, criptati e memorizzati in un database relazionale per garantire la tracciabilità forense senza compromettere la privacy dell'utente.

3. Contributi Chiave

Il documento delinea tre contributi primari:

Meccanismo di Post-Tracciamento: Un modulo leggero che estende temporaneamente il monitoraggio dopo le anomalie del viaggio per preservare tracce digitali verificabili mantenendo la privacy.
Mappatura del Rischio Contestuale: Una matrice di rischio sistematica che classifica e ordina le anomalie del viaggio specifiche per i contesti di Tanzania e Kenya.
Moltiplicatori di Rischio Dinamici: Un sistema di punteggio che adatta la gravità delle anomalie in base a fattori contestuali come i tassi di criminalità locali, la cronologia delle valutazioni del conducente e l'ora del giorno.

4. Risultati e Valutazione

Gli autori hanno sviluppato un prototipo funzionante e hanno condotto test beta utilizzando ambienti simulati (simulatori di app Flutter per conducenti e passeggeri).

Scenari di Simulazione: Il sistema è stato testato contro scenari che includono terminazioni premature, cancellazioni, deviazioni dal percorso e disattivazione del GPS.
Prestazioni: Il prototipo ha dimostrato un'elevata accuratezza nella classificazione degli esiti della prossimità post-viaggio:
- Fine Prematura: 95% di accuratezza.
- Deviazione dal Percorso: 92% di accuratezza.
- Cancellazione: 90% di accuratezza.
- GPS Disabilitato: 89% di accuratezza (notato come "Traccia persa" in alcuni casi a causa della dipendenza dal GPS).
Visualizzazione: La dashboard ha visualizzato con successo l'evoluzione temporale della distanza di prossimità, distinguendo chiaramente tra eventi di "prossimità mantenuta" e "separazione" rispetto alle soglie definite (10m e 25m).

5. Significato e Rivendicazioni

Il documento sostiene che Safe2Hail affronti un vuoto specifico e non mitigato nella sicurezza dei servizi di ride-hailing: la mancanza di tracciabilità forense dopo che un viaggio è stato terminato.

Continuità Forense: A differenza delle app tradizionali che interrompono il monitoraggio al termine del viaggio, Safe2Hail fornisce una traccia digitale continua per aiutare gli investigatori a determinare se un passeggero è rimasto nel veicolo dopo una terminazione improvvisa.
Rispetto della Privacy: Il sistema è progettato per memorizzare solo identificatori anonimizzati e dati di distanza, evitando la cattura di informazioni personali.
Scalabilità e Integrazione: Costruito su un'architettura leggera Flask/SQLite, il framework è progettato per essere facilmente integrato nelle infrastrutture di ride-hailing esistenti senza un carico eccessivo.
Limitazioni Riconosciute: Gli autori notano con modestia che l'attuale prototipo dipende da un comportamento cooperativo dei dispositivi (il GPS deve essere attivo) e manca di verifica tramite Bluetooth Low Energy (BLE) o NFC, il che limita la sua capacità di confermare la presenza nel "medesimo veicolo" se il GPS è disabilitato o il segnale è debole. La valutazione si basa su modellazione e simulazione, non su un dispiegamento su larga scala nel mondo reale.

In conclusione, Safe2Hail propone un approccio scalabile e guidato dalla forense per migliorare la responsabilità e la sicurezza negli ecosistemi di ride-hailing, estendendo la finestra di monitoraggio oltre la durata ufficiale del viaggio.