Resumo Técnico: Safe2Hail – Um Framework de Rastreamento Pós-Viagem Baseado em Forense

1. Declaração do Problema

Os serviços de transporte por aplicativo na África Oriental (especificamente no Quênia e na Tanzânia) expandiram-se rapidamente, mas enfrentam desafios persistentes de segurança que as medidas atuais das plataformas não conseguem resolver. Embora os recursos de segurança existentes — como alertas de SOS, compartilhamento de localização ao vivo e monitoramento de GPS — sejam eficazes durante uma viagem, eles cessam a operação imediatamente após o cancelamento ou a terminação prematura da viagem. Isso cria um "gap forense" crítico onde ameaças à segurança, incluindo roubo, sequestro e assédio, podem ocorrer após o ponto final oficial da viagem sem qualquer rastro digital.

O problema específico abordado é a falta de accountability (prestação de contas) e rastreabilidade quando uma viagem é encerrada prematuramente (por exemplo, motorista ou passageiro cancela no meio da rota, mudanças de destino não autorizadas ou spoofing de GPS). Nesses cenários, os passageiros muitas vezes ficam desamparados em locais inseguros, e os investigadores carecem dos dados necessários para reconstruir os eventos ou verificar a proximidade entre o motorista e o passageiro pós-incidente.

2. Metodologia

Os autores propõem o Safe2Hail, um framework modular e consciente de aspectos forenses, projetado para estender o monitoramento além da duração oficial da viagem. A metodologia envolve três componentes principais:

A. Arquitetura do Sistema

O sistema é implementado como uma plataforma de middleware leve que consiste em:

1. Simulador de Dados de Viagem: Gera telemetria de viagem e aciona a detecção de anomalias.
2. Motor de Pós-Rastreamento (Post-Track Engine): O componente forense central que inicia uma sequência de "Sincronização de Proximidade" ao detectar uma anomalia de viagem (especificamente encerramentos prematuros).
3. Dashboard: Uma interface baseada na web para visualização de dados de viagem e logs de pós-rastreamento.

O backend utiliza Python (Flask) para o servidor de API, SQLite com SQLAlchemy para persistência de dados, e Chart.js/Leaflet.js para visualização.

B. Detecção de Anomalias e Pontuação de Risco

O sistema identifica 13 anomalias específicas de viagem, incluindo encerramentos prematuros de viagem, desvios significativos de rota e anomalias de GPS. Para priorizá-las, os autores desenvolveram uma Matriz de Risco Contextual usando um modelo de pontuação multiplicativa:

• Pontuação de Risco ($R$): Calculada como $R = C \times R_h \times T_d$, onde $C$ é a pontuação de nível de crime (baseada na localização), $R_h$ é o multiplicador de histórico de avaliação e $T_d$ é o multiplicador de hora do dia.
• Pontuação de Evento: As anomalias são pontuadas com base na Verossimilhança (1–5) e Impacto (1–5). Por exemplo, "Gatilhos de SOS" e "Encerrar Viagem Prematuramente" receberam as pontuações mais altas (25 e 20, respectivamente), priorizando-os para o motor de pós-rastreamento.

C. Lógica de Sincronização de Proximidade de Pós-Rastreamento

Quando uma viagem termina prematuramente e o endpoint está a mais de 50 metros do destino pretendido, o sistema inicia uma sincronização temporária:

• Mecanismo: Os dispositivos do motorista e do passageiro trocam coordenadas de GPS a cada 30 segundos através de um canal criptografado para um período de retenção (ex: 5 minutos).
• Cálculo de Distância: O sistema utiliza a fórmula de Haversine para calcular a distância em tempo real entre os dois dispositivos.
• Limiares (Thresholds):
  • 10 metros: Indica que o passageiro provavelmente ainda está dentro ou fisicamente próximo ao veículo.
  • 25 metros: Aproxima cenários de separação, considerando a variância de precisão do GPS em ambientes urbanos.
  • 50 metros: O limiar para encerrar a sincronização e marcar o status como "separado".
• Manipulação de Dados: Todos os logs são anonimizados, criptografados e armazenados em um banco de dados relacional para garantir a rastreabilidade forense sem comprometer a privacidade do usuário.

3. Principais Contribuições

O artigo descreve três contribuições primárias:

1. Mecanismo de Pós-Rastreamento (Post-Track): Um módulo leve que estende temporariamente o monitoramento após anomalias de viagem para preservar trilhas digitais verificáveis enquanto mantém a privacidade.
2. Mapeamento de Risco Contextual: Uma matriz de risco sistemática que classifica e rankeia anomalias de viagem específicas para os contextos da Tanzânia e do Quênia.
3. Multiplicadores de Risco Dinâmicos: Um sistema de pontuação que ajusta a severidade da anomalia com base em fatores contextuais, como taxas de criminalidade local, histórico de classificação do motorista e hora do dia.

4. Resultados e Avaliação

Os autores desenvolveram um protótipo funcional e realizaram testes beta usando ambientes simulados (simuladores de aplicativos Flutter para motoristas e passageiros).

• Cenários de Simulação: O sistema foi testado contra cenários que incluíam encerramentos prematuros, cancelamentos, desvios de rota e desativação de GPS.
• Desempenho: O protótipo demonstrou alta precisão na classificação de resultados de proximidade pós-viagem:
  • Encerramento Prematuro: 95% de precisão.
  • Desvio de Rota: 92% de precisão.
  • Cancelamento: 90% de precisão.
  • GPS Desativado: 89% de precisão (notado como "Traço perdido" em alguns casos devido à dependência do GPS).
• Visualização: O dashboard visualizou com sucesso a evolução temporal da distância de proximidade, distinguindo claramente entre eventos de "proximidade mantida" e "separação" contra os limiares definidos (10m e 25m).

5. Significância e Alegações

O artigo afirma que o Safe2Hail aborda uma lacuna específica e não mitigada na segurança de transporte por aplicativo: a falta de rastreabilidade forense após o término de uma viagem.

• Continuidade Forense: Ao contrário dos aplicativos tradicionais que interrompem o monitoramento no endpoint da viagem, o Safe2Hail fornece uma trilha digital contínua para ajudar investigadores a determinar se um passageiro permaneceu no veículo após uma terminação abrupta.
• Preservação de Privacidade: O sistema é projetado para armazenar apenas identificadores anonimizados e dados de distância, evitando a captura de informações pessoais.
• Escalabilidade e Integração: Construído sobre uma arquitetura leve de Flask/SQLite, o framework foi projetado para ser facilmente integrado às infraestruturas de transporte por aplicativo existentes sem overhead significativo.
• Limitações Reconhecidas: Os autores notam modestamente que o protótipo atual depende de comportamento cooperativo dos dispositivos (o GPS deve estar ativo) e carece de verificação por Bluetooth Low Energy (BLE) ou NFC, o que limita sua capacidade de confirmar a presença no "mesmo veículo" se o GPS for desativado ou o sinal for ruim. A avaliação é baseada em modelagem e simulação, não em implantação em larga escala no mundo real.

Em conclusão, o Safe2Hail propõe uma abordagem escalável e orientada pela forense para aumentar a accountability e a segurança nos ecossistemas de transporte por aplicativo, estendendo a janela de monitoramento além da duração oficial da viagem.