💻 computer science

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

Safe2Hail은 현재의 운행 중 조치들이 남긴 결정적인 안전 공백을 해결하기 위해, 승객과 운전자 사이의 근접 데이터를 운행 종료 후에도 기록하는 보안성이 높고 경량화된 사후 추적 메커니즘을 구현함으로써 아프리카의 차량 호출 안전성을 강화하도록 설계된 포렌식 기반 프레임워크입니다.

원저자: Alvina Minja, Robert Maina, Mahmud Oloyede, Jema Ndibwile

게시일 2026-07-09

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Alvina Minja, Robert Maina, Mahmud Oloyede, Jema Ndibwile

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

나이로비나 다르에스살람 같은 번화한 도시에서 차량 호출 서비스를 이용한다고 상상해 보세요. 차에 올라타면 앱이 당신의 여정을 추적하고, 당신은 자신의 위치를 알고 있기에 안전함을 느낍니다. 하지만 탑승이 끝나는 순간에는 어떤 일이 벌어질까요? 더 최악의 경우, 운전자가 주행 도중에 예약을 취소하거나 당신을 엉뚱한 곳에 내려준다면 어떻게 될까요?

이 논문에 따르면, 현재의 안전 앱들은 마치 당신이 차에서 내리는 즉시 퇴근해 버리는 보안 요원과 같습니다. 앱에서 공식적으로 "종료"되는 순간, 실시간 위치 공유나 SOS 버튼 같은 안전 기능들이 작동을 멈춥니다. 만약 탑승이 끝난 직후에 불미스러운 일이 발생하거나, 탑승이 의심스럽게 조기 종료되었다면, 조사관들이 무슨 일이 일어났는지 파악하는 데 도움이 될 디지털 기록이 남지 않게 됩니다.

Safe2Hail은 이러한 "사각지대"를 해결하기 위해 설계된 새로운 아이디어입니다. 이것을 탑승이 끝난 후에도 잠시 동안 당신 곁을 지켜주는 **디지털 "그림자(Shadow)"**라고 생각해보세요.

논문에서는 이 개념을 다음과 같이 쉬운 비유를 들어 설명합니다.

1. 문제점: "오프 스위치(Off-Switch)"의 간극

현재의 차량 호출 앱은 영화가 엔딩 크레딧이 올라가는 순간 재생을 멈추는 것과 같습니다. 만약 크레딧이 올라가는 동안 범죄가 발생한다면, 영화는 그 장면을 기록하지 않습니다. 연구진은 많은 위험한 상황들—예를 들어 강도, 성희롱, 납치 등—이 탑승이 취소되거나 조기에 종료된 직후에 발생한다는 것을 발견했습니다. 앱들은 이러한 순간들을 추적하지 않으며, 이는 "포렌식 간극(증거가 누락되는 구간)"을 남깁니다.

2. 해결책: "사후 추적 그림자(Post-Trip Shadow)"

Safe2Hail은 탑승이 끝나기로 예정된 시점으로부터 몇 분간 카메라가 계속 돌아가도록 만드는 임시 보안 카메라와 같은 역할을 하는 프레임워크입니다.

작동 방식: 시스템이 이상 징나(예: 나쁜 동네에서 갑자기 탑승 종료, 또는 운전자가 이상한 경로로 우회함)를 감지하면, 단순히 멈추지 않습니다. 대신 "Post-Track(사후 추적)" 모드로 전환됩니다.
"근접 동기화(Proximity Sync)": 승객의 휴대폰과 운전자의 휴대폰이 디지털적으로 손을 잡고 있다고 상상해 보세요. 탑승이 취소된 후에도 이 두 휴대폰은 30초마다 Safe2Hail 서버에 "나 아직 여기 있어", "나도 아직 여기 있어"라고 속삭이며 신호를 보냅니다.
거리 체크: 시스템은 수학(하버사인 공식, 지구 위에서 두 지점 사이의 거리를 측정하는 세련된 방법)을 사용하여 운전자와 승객 사이의 거리를 계산합니다.
- 만약 두 사람이 일정 시간 동안 가까이(10미터 이내) 머물러 있다면, 시스템은 이를 "근접 이벤트(close proximity event)"로 기록합니다. 이는 매우 중요한 증거가 됩니다. 앱상으로는 탑승이 종료되었음에도 불구하고, 승객이 여전히 운전자 근처에 있었다는 사실을 입증하기 때문입니다.
- 만약 두 사람이 멀어진다면(50미터 이상), 시스템은 기록을 중단하고 "분리됨(separated)"으로 표시합니다.

3. "리스크 스코어(Risk Score)" 대시보드

연구진은 위험도를 나타내는 신호등 시스템처럼 보이는 대시보드를 구축했습니다.

연구진은 다음과 같은 요소들을 살펴보는 "리스크 매트릭스(Risk Matrix, 위험도 행렬)"를 만들었습니다: 밤늦은 시간인가? 범죄가 빈번한 지역인가? 운전자의 과거 이력이 좋지 않은가?
만약 탑승의 "리스크 스코어"가 높다면(빨간불 상태), 시스템은 특별히 주의를 기울입니다. 시스템은 해당 탑승을 의심스러운 것으로 간주하고 즉시 "Post-Track Shadow"를 실행합니다.
대시보드는 시간에 따른 운전자와 승객 사이의 거리 그래프를 보여주며, 조사관들이 탑승 종료 후 정확히 어떤 일이 일어났는지 파악할 수 있도록 돕습니다.

4. 실제 테스트 내용

이 논문은 실제 Uber나 Bolt 사용자들에게 적용된 실전 배포가 아닌, 시뮬레이션(테스트 실행)을 설명하고 있습니다.

연구진은 컴퓨터 코드를 사용하여 "가짜" 차량 호출 앱을 만들었습니다.
탑승이 조기에 종료되거나 경로를 벗어나는 시나리오를 설정했습니다.
결과: 시스템은 성공적이었습니다. 탑승이 종료된 후에도 "가짜" 운전자와 승객 사이의 거리를 성공적으로 추적했습니다. 시스템은 두 사람이 언제 가까이 있었고 언제 분리되었는지를 정확히 식별했습니다. 또한 이 데이터를 안전하고 사적으로 기록했습니다.

5. 한계점 (논문에서 인정하는 부분)

저자들은 현재의 한계에 대해 솔직하게 밝히고 있습니다:

협조가 필요함: 이 시스템은 운전자와 승객가 모두 휴대폰을 켜두고 GPS를 활성화한 상태여야만 작동합니다. 만약 악의적인 의도를 가진 사람이 휴대폰이나 GPS를 꺼버리면 "그림자"는 사라집니다.
GPS는 완벽하지 않음: 고층 빌딩이 많은 복잡한 도시에서는 GPS 신호가 흐릿할 수 있습니다. 시스템은 이러한 오차를 고려하여 "버퍼 존(10~25미터)"을 사용하지만, 초정밀 센서만큼 정밀하지는 않습니다.
프로토타입 단계임: 이것은 "베타 테스트" 버전입니다. 아직 수백만 명의 실제 사용자에게 배포되지 않았으므로, 나쁜 인터넷 연결이나 시스템 해킹 시도와 같은 실제 환경의 혼란을 어떻게 처리할지는 알 수 없습니다.

요약

요약하자면, Safe2Hail은 차량 호출 앱이 탑승이 끝나는 즉시 당신을 "잊어버리는" 것을 막기 위한 제안입니다. 이 시스템은 탑승이 취소되거나 조기에 종료되었을 때, 승객과 운전자가 서로 가까이 있었는지에 대한 기록을 일시적이고 사적이며 암호화된 방식으로 남기는 안전망을 추가합니다. 이를 통해 경찰과 조사관들은 현재 앱이 너무 빨리 감시를 멈춰버려 미제로 남게 되는 범죄들을 해결할 수 있는 "디지털 흔적"을 가질 수 있게 됩니다.

기술 요약: Safe2Hail – 포렌식 기반의 사후 여정 추적 프레임워크

1. 문제 정의

동아프리카(특히 케냐와 탄자니아)의 차량 호출 서비스는 급격히 확장되었으나, 기존 플랫폼의 조치로는 해결할 수 없는 지속적인 안전 문제를 직면하고 있다. SOS 알림, 실시간 위치 공유, GPS 모니터링과 같은 기존의 안전 기능들은 주행 중에는 효과적이지만, trip 취소나 조기 종료 시 즉시 작동을 중단한다. 이는 범죄, 납치, 괴롭힘 등의 안전 위협이 공식적인 여정 종료 직후에 발생할 수 있음에도 불구하고 디지털 흔적이 남지 않는 결정적인 "포렌식 공백(forensic gap)"을 생성한다.

본 연구가 다루는 구체적인 문제는 여정이 조기에 종료되었을 때(예: 운전자 또는 승객이 경로 중간에 취소, 승인되지 않은 목적지 변경, 또는 GPS 스푸핑 등) 발생하는 책임 소재 및 추적 가능성의 결여이다. 이러한 시나리오에서 승객은 안전하지 않은 장소에 고립될 수 있으며, 조사관들은 사건 발생 후 사건을 재구성하거나 사고 당시 운전자와 승객 사이의 근접성을 검증하는 데 필요한 데이터를 확보할 수 없게 된다.

2. 방법론

저자들은 공식 여정 기간 이후에도 모니터링을 연장하도록 설계된 모듈형, 포렌식 인지 프레임워크인 Safe2Hail을 제안한다. 방법론은 세 가지 핵심 구성 요소로 이루어진다:

A. 시스템 아키텍처

시스템은 다음과 같은 경량 미들웨어 플랫폼으로 구현된다:

여정 데이터 시뮬레이터(Trip Data Simulator): 여정 텔레메트리를 생성하고 이상 징후 탐지를 트리거한다.
사후 추적 엔진(Post-Track Engine): 여정 이상 징후(특히 조기 종료)가 감지되면 "근접 동기화(Proximity Sync)" 시퀀스를 시작하는 핵심 포렌식 구성 요소이다.
대시보드(Dashboard): 여정 데이터와 사후 추적 로그를 시각화하기 위한 웹 기반 인터페이스이다.

백엔드는 API 서버를 위한 Python (Flask), 데이터 영속성을 위한 SQLite와 SQLAlchemy, 그리고 시각화를 위한 Chart.js/Leaflet.js를 활용한다.

B. 이상 징비 탐지 및 리스크 점수 산정

시스템은 조기 종료, 상당한 경로 이탈, GPS 이상 징후를 포함한 13가지 특정 여정 이상 징후를 식별한다. 이를 우선순위화하기 위해 저자들은 곱셈 점수 모델을 사용하는 **맥락적 리스크 매트릭스(Contextual Risk Matrix)**를 개발하였다:

리스크 점수 ( $R$ ): $R = C \times R_h \times T_d$ 로 계산된다. 여기서 $C$ 는 위치 기반 범죄 수준 점수, $R_h$ 는 평점 이력 승수, $T_d$ 는 시간대 승수이다.
이벤트 점수: 이상 징후는 가능성(1–5)과 영향력(1–5)을 기준으로 점수가 부여된다. 예를 들어, "SOS 트리거"와 "조기 여정 종료"는 가장 높은 점수(각각 25점과 20점)를 받아 사후 추적 엔진의 우선순위 대상으로 지정되었다.

C. 사후 추적 근접 동기화 로직

여정이 조기에 종료되고 종점이 의도된 목적지에서 50미터 이상 떨어져 있는 경우, 시스템은 일시적인 동기화를 시작한다:

메커니즘: 운전자와 승객의 기기는 암호화된 채널을 통해 일정 보유 기간(예: 5분) 동안 30초마다 GPS 좌표를 교환한다.
거리 계산: 시스템은 **하버사인 공식(Haversine formula)**을 사용하여 두 기기 사이의 실시간 거리를 계산한다.
임계값:
- 10 미터: 승객이 차량 내부에 있거나 물리적으로 가까이 있을 가능성이 높음을 나타낸다.
- 25 미터: 도시 환경의 GPS 정확도 편차를 고려하여 분리 시나리오를 근사한다.
- 50 미터: 동기화를 종료하고 상태를 "분리됨(separated)"으로 표시하는 임계값이다.
데이터 처리: 모든 로그는 포렌식 추적성을 보장하면서 사용자 프라이버시를 침족하지 않도록 익명화, 암호화되어 관계형 데이터베이스에 저장된다.

3. 주요 기여

본 논문은 세 가지 주요 기여를 명시한다:

사후 추적 메커니즘: 프라이버시를 유지하면서 검증 가능한 디지털 흔적을 보존하기 위해 여정 이상 징후 발생 시 모니터링을 일시적으로 연장하는 경량 모듈.
맥락적 리스크 매핑: 탄자니아와 케냐의 맥락에 특화된 여정 이상 징후를 분류하고 순위를 매기는 체계적인 리스크 매트릭스.
동적 리스크 승수: 지역 범죄율, 운전자 평점 이력, 시간대와 같은 맥락적 요인에 따라 이상 징후의 심각도를 조정하는 점수 산정 시스템.

4. 결과 및 평가

저자들은 작동하는 프로토타입을 개발하였으며, 시뮬레이션 환경(운전자 및 승객용 Flutter 앱 시뮬레이터)을 사용하여 베타 테스트를 수행하였다.

시뮬레이션 시나리오: 시스템은 조기 종료, 취소, 경로 이탈, GPS 비활성화 등의 시나리오를 대상으로 테스트되었다.
성능: 프로토타입은 사후 여정 근접 결과 분류에서 높은 정확도를 입증하였다:
- 조기 종료(Premature End): 95% 정확도.
- 경로 이탈(Route Deviation): 92% 정확도.
- 취소(Cancellation): 90% 정확도.
- GPS 비활성화(GPS Disabled): 89% 정확도 (GPS 의존성으로 인해 일부 사례에서 "추적 손실(Trace lost)"로 기록됨).
시각화: 대시보드는 근접 거리의 시간적 진화를 성공적으로 시각화하였으며, 정의된 임계값(10m 및 25m)을 기준으로 "근접 유지(proximity maintained)"와 "분리(separation)" 이벤트를 명확히 구분하였다.

5. 의의 및 주장

본 논문은 Safe2Hail이 차량 호출 보안의 특정 미해결 과제인 '여정 종료 후의 포렌식 추적성 결여'를 해결한다고 주장한다.

포렌식 연속성: 여정 종료 시점에 모니터링을 중단하는 기존 앱들과 달리, Safe2Hail은 갑작스러운 종료 후에도 승객이 차량에 남아 있었는지 여부를 판단할 수 있는 연속적인 디지털 흔적을 제공한다.
프라이버시 보호: 시스템은 개인 정보를 캡처하는 것을 피하기 위해 익명화된 식별자와 거리 데이터만을 저장하도록 설계되었다.
확장성 및 통합성: 경량 Flask/SQLite 아키텍처를 기반으로 구축된 이 프레임워크는 상당한 오버헤드 없이 기존 차량 호출 인프라에 쉽게 통합될 수 있도록 설계되었다.
한계 인정: 저자들은 현재 프로토타입이 협력적인 기기 동작(GPS가 활성화되어 있어야 함)에 의존하며, Bluetooth Low Energy (BLE) 또는 NFC 검증 기능이 부족하다는 점을 솔직하게 언급하였다. 이는 GPS가 비활성화되거나 신호가 약할 경우 "동일 차량 내 존재" 여부를 확인하는 능력을 제한한다. 또한, 본 평가는 대규모 실세계 배포가 아닌 모델링 및 시뮬레이션을 바탕으로 수행되었다.

결론적으로, Safe2Hail은 공식적인 여정 기간 이후에도 모니터링 창을 연장함으로써 차량 호출 생태계의 책임성과 안전성을 높이는 확장 가능한 포렌식 기반 접근 방식을 제안한다.