DriveTrust AI
產品工作區Overview
Aug–Sep 2026

決賽簡報

結合 OBD-II 與 TDX 的可解釋駕駛風險預測與可信鑑識平台：以情境感知 AI 辨識風險，以可驗證的證據鏈支撐高信任決策。

從車輛到決策的一條證據鏈

每個環節都能在產品中點開查證；數字取自本次建置的實際資料。

    資料離車前就簽章並以後量子密碼加密；TDX 提供同時同地的車流基準，AI 判斷偏離車流的風險行為，Merkle Proof 讓判斷所用的資料可以逐層驗證。

    痛點有多大

    三組公開統計說明問題的規模；每個數字都附上來源與日期。

    三個產業斷點，三個設計決策

    現有車載系統分別回答「車怎麼開」「路況如何」「資料有沒有被改」，卻沒有把三者接在同一個事件上。

    情境不足

    只看車速或固定門檻，分不出「比周邊車流快很多」和「大家都開這麼快」。研究回顧指出，車速明顯高於周邊車流的車輛事故率較高（Aarts & van Schagen, 2006）。

    設計決策用 TDX 同時同地的實測車流當判斷基準，看相對車流的偏離，而不只看車速；再用反事實實驗檢查模型是否真的使用情境。

    AI 黑盒

    單一 Risk Score 若沒有因子、版本與限制，車隊、保險與鑑識單位都難以採用。

    設計決策每筆事件附風險上升與下降因子、模型分數強度與版本；模型頁公開 5 種方法比較與 95% 區間。

    證據斷鏈

    分析結果與原始資料分離，事後無法證明 AI 使用的資料與封存時一致。

    設計決策黑盒子在資料離車前簽章並以後量子密碼加密，伺服器驗簽才入庫；之後每筆紀錄建立 SHA-256 leaf，彙整為每日 Merkle Root 並錨定上鏈，事件可逐層驗證到區塊收據。

    真實資料驗證

    兩組真實資料各回答一個問題：實車 OBD 能不能接上官方 TDX，以及模型方法能不能推廣到沒看過的駕駛。

    決賽評分標準對應

    每一項評分都對應到可操作的產品頁面。

    證據邊界

    已實測的成果與刻意不宣稱的範圍分開列出。

    評審問答快查

    常見問題的簡短回答；按「查看依據」直接跳到可以當場展示的頁面。

    決賽前執行計畫

    原規劃的實車補收改為外部真實資料驗證；實車蒐集移到決賽後的場域試辦。標記為今天的位置。

      情境實驗室

      同樣約 70 km/h，在國道與市區道路的風險並不相同。每個分數都由部署中的模型實際計算：保留行程的 OBD 行為，只替換道路情境。

      商業價值與落地

      價值不在於多一個分數，而是讓高風險判斷可以被排序、被理解、被追溯，並轉成可執行的管理行動。

      四種客戶，同一條證據鏈

      同一份事件資料依角色轉譯成營運、核保、鑑識與駕駛改善的決策。

      PoC 已量測的營運訊號

      來自競賽合成資料與既有驗證報告，用於證明流程可行，不代表正式車隊效益。

      導入效益試算

      以可調整的假設估算查核工時與成本；請以試辦場域實測值替換。

      假設值

      市場規模估算

      由上往下以官方登記車輛數為上限，由下往上以可簽約的車隊數估三年目標；訂閱價格與上方試算同步。

      假設值

      單位經濟

      每台車每月的成本與毛利；裝置、網路與雲端費用請以報價替換。

      假設值

      網路流量與伺服器容量

      用實車重放量到的封包大小與驗證時間推算；調整行駛時數、取樣頻率與封包方式，看每台車每月要多少流量。

      依實測封包

      商業模式

      先以車隊場域試辦驗證，再擴展為訂閱與 API 收入。

      車隊風險 SaaS依車輛數按月訂閱

      風險排序、Critical 事件、30／60 日趨勢與駕駛改善建議。

      保險風險 API依查詢量或保單數計價

      情境校正後的長期 Risk Profile 與事件證據，支援核保與理賠人工審查。

      證據驗證模組依驗證件數或年度授權

      Merkle Proof、Daily Root 與鏈上收據的獨立驗證，供鑑識與爭議處理使用。

      私有部署專案授權＋維運

      資料不出場域的企業內部署，保留相同 API 與證據格式。

      導入路徑

      每一步都有進入條件與驗收 KPI。

      1. 場域試辦5–10 台車、4–8 週；接入 OBD 與 TDX，量測事件查核時間與介入完成率。
      2. 系統整合串接車隊管理或理賠系統；以 API 交付 Risk Profile 與證據狀態，建立人工覆核一致性基準。
      3. 企業訂閱／API依車輛或查詢量計價；提供私有部署選項與證據驗證服務。

      ESG 對應

      每一項都對應已量測的 PoC 訊號或試辦時要量測的 KPI；不預估尚未量測的減碳或減少事故數。

      道路安全

      在事故發生前，依風險排序找出需要介入的車輛與事件，支援政府 2030 年交通死亡減半的方向。

      PoC 已量測
      正在讀取車隊風險排序
      試辦 KPI
      Critical 事件頻率、介入完成率、改善持續天數

      可稽核的 AI 與資料

      模型版本、風險因子與使用限制公開；分析使用的資料可逐層驗證到每日 Merkle Root 與鏈上收據。

      PoC 已量測
      正在讀取證據摘要
      試辦 KPI
      證據驗證率、人工覆核一致性、爭議處理時間

      節能駕駛延伸

      同一組 OBD 訊號可延伸到急加速、高轉速與怠速時間，作為節能駕駛輔導的依據。

      PoC 狀態
      訊號已收集，尚未建立節能模型
      試辦 KPI
      怠速時間、急加速次數、每百公里油耗（需實測）

      差異化定位

      能力比較以解決方案類別為準；下方列出公開報導的台灣先例。

      DriveTrust AI 與常見車載風險做法的能力比較
      能力常見做法DriveTrust AI目前狀態
      風險判斷固定門檻：超速、急加速、急煞車次數OBD 行為 × TDX 道路情境的機器學習模型PoC 已實作
      情境理解多半只比對速限，未考慮周邊車流與壅塞限速、周邊車流速度、壅塞與歷史車速差值PoC 已實作REAL TDX 模型比較待試辦
      可解釋性規則命中次數或單一分數事件層級的風險上升／下降因子與方法標示PoC 已實作
      資料擷取安全多以 TLS 保護傳輸，資料在伺服器解開後才開始保存與保護黑盒子離車前簽章（可驗證來源）並以後量子密碼加密；伺服器驗簽成功才入庫，重送與冒名會被拒收2024 實車已執行v2 參考實作已驗證
      證據完整性資料存在資料庫或雲端，缺少可驗證承諾SHA-256 leaf → 每日 Merkle Root → 鏈上錨定與讀回；外部 RFC 3161 時間戳讓第三方驗證本地鏈已驗證外部時間戳待執行
      多角色決策單一使用者的儀表板車隊、保險、鑑識、車主共用同一事件鏈PoC 已實作
      硬體與隱私聯網行車紀錄器或手機 App，常需車內攝影機只用 OBD 與 GPS；大型車整合既有行車紀錄器設計已定

      車隊風險總覽

      掌握長期風險趨勢與優先處理車輛。

      Risk Score 如何計算？
      角色視角

      Risk Score 為情境風險代理標籤的模型評分。2026/08–09 為展示情境日期，含尚未發生日期；不代表未來事故機率或預知實際車況。

      60 日車隊風險趨勢

      每日 Risk Score、7 日移動平均與風險等級區間

      每日風險7 日移動平均有 Critical 事件

      風險分布

      目前十台車的風險等級

      Latest

      優先處理車輛

      依最新風險排序，最多顯示五台

      依駕駛風險由高至低排列的五台車輛
      車輛Risk Score30 日變化Critical主要因子

      近期 Critical 事件

      直接進入 AI、TDX 與 Evidence 調查

      證據健康狀態

      每日 Merkle Root 與 Blockchain Anchor 摘要

      現有資料能支持哪些判斷？

      同一測試分組的模型比較、區間估計與失效檢查

      檢視驗證結果

      正在讀取可重現的驗證報告…

      研究驗證狀態

      外部真實資料驗證與台灣 REAL TDX 實驗分開呈現

      車隊風險

      搜尋、篩選並比較十台車輛的長期 Risk Score 與事件頻率。

      車輛清單

      10 vehicles · Aug–Sep 2026

      資料期間 2026-08-01 至 09-30
      車隊風險清單，可搜尋、篩選、排序與開啟證據詳情

      風險事件

      依車輛、日期與風險條件調查 OBD、AI、TDX 與 Evidence。

      每日事件分布

      公開目錄事件依日期與風險等級堆疊；點選日期即可篩選。

      風險分析

      比較長期趨勢、風險分布與道路情境偏離。

      60 日風險趨勢

      Daily Risk 與 7-day moving average

      車隊風險分布

      Current portfolio

      TDX 情境訊號

      相同速度在不同交通情境下不應得到相同風險。

      模型效能與限制

      先看真實駕駛資料的驗證，再看系統展示模型、特徵解釋與使用邊界。

      正在讀取現有資料驗證…

      使用限制

      AI 風險評分是決策輔助；以下界線同樣適用於網站、API 與報告。

      目前實車資料量有限，部分長期資料由合成情境擴充。AI 風險評分屬決策輔助，不應單獨作為法律責任、裁罰、保費或保險詐欺認定依據。

      適合用於

      • 排定人工查核與介入的優先順序
      • 追蹤駕駛行為的長期改善
      • 保存並驗證分析時使用的資料版本
      • 作為核保或鑑識的參考，並保留人工覆核紀錄

      不適用於

      • 單獨認定法律責任或交通裁罰
      • 自動決定保費、拒保或理賠
      • 宣稱事故機率或預測未來事故
      • 認定保險詐欺
      • 合成資料不冒充實車資料
      • Scenario timestamp 不取代原始時間
      • Original Hash 不驗證映射後情境
      • 沒有產生假的鏈上交易
      • 2 秒取樣會低估急煞，實車急煞次數視為下限

      實車資料接收鏈

      資料在離開車輛前就簽章，並以後量子密碼加密；證據伺服器驗簽成功才寫入。上半部是 2024 年實車擷取實際使用的工具與流程，下半部是 DriveTrust 依現行標準重寫、可以現場竄改測試的封包驗證，以及斷線補傳、演算法套件與車上只讀政策。

      從車上的 CAN 匯流排到證據伺服器

      每一段列出使用的工具，以及這一段保護了什麼。

      2024 實車已執行
      1. 車輛 CAN 匯流排 → OBD-II Kvaser Leaf Light HS v2、ELM327 藍牙診斷器

        ISO 15765-4（CAN 11-bit、500 kbps）。只送診斷查詢，不改寫車上的 ECU。

        唯讀擷取
      2. 黑盒子 Raspberry Pi 4B Python、Kvaser CANlib

        輪詢 13 項 OBD-II 參數（車速、轉速、節氣門、進氣量、水溫等），以 VIN 向伺服器註冊車輛。

        資料離車前就處理
      3. 簽章＋加密 Falcon 簽章、Kyber1024 加密 2024/9/25 兩趟實車使用 Kyber1024；另可選 X25519Kyber768＋AES-256-GCM 或 NTRU

        先用車機私鑰簽章證明來源，再以後量子 Kyber1024 加密保護內容。

        來源可驗證、內容保密、可抵抗量子攻擊
      4. 傳輸 RabbitMQ 訊息佇列 AMQP、Docker Compose

        依車輛路由到獨立佇列；訊息寫入磁碟，伺服器忙碌時也不會遺失。

        不遺失、可分流
      5. 證據保全伺服器 解密 → 驗簽 → 解析 Python 伺服器、DBC 解析、MongoDB

        依加密方式解密，再用車機公鑰驗簽；驗簽失敗的訊息不入庫。

        只收可驗證的資料
      6. 證據治理 雜湊與上鏈 SHA-256、Merkle tree、Ganache、TWCC 區塊鏈平台

        每 10 筆建一棵 Merkle tree，Root 寫入私有鏈與公有鏈，區塊編號與雜湊回寫資料庫。

        事後可查是否被改

      交給 DriveTrustTDX 同時同地車流 → AI 風險判斷 → 每筆紀錄 SHA-256 leaf → 每日 Merkle Root 上鏈 → RFC 3161 外部時間戳

      車內腳踏墊上的實車擷取設備：Kvaser Leaf Light HS v2 經 OBD-II 接頭連到 Raspberry Pi 4B，由行動電源供電
      實車擷取現場（2024）Kvaser Leaf Light HS v2 經 OBD-II 接頭接到 Raspberry Pi 4B，由行動電源供電。開發階段另以車載 ECU 模擬器驗證擷取程式。

      哪些現在還能重新驗證

      當年在伺服器上完成的檢查，和今天任何人都能重做的檢查分開列出。

      1. 擷取當下（2024）Kyber1024 解密、Falcon 驗簽通過才入庫

        由證據保全伺服器執行。簽章與金鑰沒有隨資料匯出，所以本系統無法重新驗證這一步。

      2. 隨資料保留每筆紀錄的 SHA-256 Hash

        治理服務在解析後計算；雜湊配方沒有隨資料匯出，列為來源參考值，不當作驗證結果。

      3. DriveTrust 重新建立Leaf → 每日 Merkle Root → 鏈上讀回 → RFC 3161

        任何人都能用 OpenSSL 驗證 Root 清單的時間戳。

      4. v2 參考實作實車紀錄以 v2 封包重放

        示範金鑰由公開標籤推導，任何人都能重跑：python scripts/build_secure_ingest_report.py --check

      2024 → 2026：依現行標準調整

      2024 年的設計方向不變；演算法改用之後才定案的標準，並補上自我檢查時發現的缺口。

      2024 年實車擷取與 2026 年 DriveTrust 封包設計的差異
      項目2024 實車擷取（v1）2026 DriveTrust（v2）為什麼
      車機簽章Falcon（簽章約 0.7–1.3 KB）ML-DSA-65（FIPS 204，3,309 B）；FN-DSA（Falcon 的標準版）定案後可切回ML-DSA 已定案並內建於 OpenSSL 3.5 以上；FN-DSA 的 FIPS 206 尚未定案
      金鑰封裝2024/9/25 兩趟實車使用 Kyber1024（另可選 X25519Kyber768、NTRU）預設 X25519＋ML-KEM-768 混合封裝，再以 AES-256-GCM 加密內容（FIPS 203；串接順序同 RFC 10024 的 X25519MLKEM768）；白名單另有 P-384＋ML-KEM-1024（Kyber1024 等級）與全類別 5 兩組，可依客戶需求切換Kyber 已標準化為 ML-KEM。Kyber 是金鑰封裝機制，標準用法是封裝一把對稱金鑰、再用 AEAD 加密內容。ML-KEM-768 約 AES-192 等級，與 TLS 的 X25519MLKEM768 相同；維持 Kyber1024 的 AES-256 等級要多付的封包大小見上方實測。NTRU 在 NIST 第三輪未獲選入
      簽章範圍對明文簽章，簽章與密文一起送出對整個密封封包簽章；標頭同時是 AES-GCM 的附加資料簽章不會隱藏被簽的內容：攔截者能用公鑰確認自己猜的車速對不對（見上方實驗）
      取得公鑰啟動時經 RabbitMQ 互相交換車機註冊時登錄公鑰，封包只帶金鑰 ID首次交換若被中間人替換公鑰，之後的加密與驗簽都會失守
      私鑰保存pickle 檔示範金鑰公開可重現；正式版放在車機安全元件或 TPM、伺服器放 HSM檔案金鑰可被複製；載入 pickle 也可能執行任意程式碼
      重送防護未列為檢查項目每台車機保留最近 64 包的序號視窗：收過的拒收，斷線補傳照收並標記延遲，缺的號碼回報為缺口攔下的封包原封不動重送，簽章與解密都會通過；只用固定時間窗又會把斷線後補傳的封包當成重送丟掉（見上方模擬）
      時間來源時間戳記為 epoch 毫秒；另一個時間字串是台灣時間卻標成 Z（UTC），整理時另外校正標頭寫明時間來源（GPS、NTP 或未校時 RTC）；只有校時過的時鐘才檢查時間，未來時間拒收，超過 72 小時轉人工確認Raspberry Pi 4B 沒有內建電池供電的即時時鐘，開機沒網路時時間不可信；鑑識時要說得出每個時間從哪裡來
      車機撤銷未列為檢查項目註冊表可撤銷車機金鑰；撤銷後送來的封包在第二道關卡拒收車機遺失、被拆或疑似遭入侵時，舊金鑰必須立刻失效
      演算法標示啟動時人工選擇標頭寫明演算法組合，伺服器只接受白名單上的三組，其他一律拒收之後換演算法不必改協定（crypto agility），也防止被誘導降級到弱演算法
      FIPS 203ML-KEM・2024/8 定案 FIPS 204ML-DSA・2024/8 定案 FIPS 206FN-DSA（Falcon）・尚未定案 RFC 10024TLS 1.3 混合金鑰交換・2026/8 NIST IR 8547 初稿RSA、ECC 等 2030 後不建議、2035 後不允許 NIST IR 8413第三輪選定 Kyber，NTRU 未獲選

        黑盒子會不會被拿來攻擊車？

        OBD 埠是 UN R155 附件 5 列出的攻擊途徑（第 18.3 項：經診斷存取操控車輛參數；11.3：惡意診斷訊息）。黑盒子送出任何 CAN frame 前，都先經過只讀白名單。

        v2 已實作

        威脅分析（TARA）

        黑盒子與接收鏈的威脅、影響、控制措施與目前狀態
        威脅情境影響控制措施狀態
        黑盒子被入侵，經 OBD 送出寫入、清碼或重置指令車輛功能異常，影響行車安全送出前只讀白名單：只允許 13 項參數的 Mode 01 查詢與註冊時讀 VIN已實作正式版移到韌體層
        車機私鑰被複製，用來偽造資料來源不可信私鑰放安全元件；註冊表可撤銷，撤銷後的封包在第二關拒收撤銷已實作安全元件規劃中
        傳輸中竄改、重送或誘導降級證據不可信簽章涵蓋整個封包、標頭作為 AES-GCM 附加資料、序號視窗、套件白名單已實作
        斷線或緩衝區毀損造成掉資料證據不完整卻沒人發現依序補傳、延遲標記、缺號回報為缺口已實作（模擬驗證）
        車機時鐘被調整時間軸不可信標示時間來源、拒收未來時間、保留伺服器接收時間，Root 清單另有 RFC 3161 時間戳已實作
        熄火後仍從 OBD 取電電瓶耗盡，客戶拒用偵測熄火（轉速為 0 且電壓下降）後休眠正式版裝置
        定位資料外洩司機個資傳輸加密、公開版 GPS 只留小數兩位、原始 GPS 有保存期限已實作保存期限試辦前定案

        依 ISO/SAE 21434 的威脅分析與風險評估（TARA）方式整理，威脅類別參考 UN R155 附件 5；本作品是概念驗證，沒有申請車輛型式認證。政策程式見 app/capture/obd_policy.py。

        擷取工具與設定

        評審或客戶工程團隊需要重做時的清單。

        實車資料擷取使用的硬體、軟體與設定
        環節工具規格與設定
        OBD-II 介面Kvaser Leaf Light HS v2 OBDII高速 CAN（ISO 11898）介面，USB 接黑盒子；Python 以 Kvaser canlib 收發 CAN frame
        OBD-II 介面ELM327 藍牙診斷器車輛回報協定 ISO 15765-4（CAN 11-bit、500 kbps）
        黑盒子Raspberry Pi 4B執行擷取、簽章與加密程式；車載 ECU 模擬器用於上車前測試
        擷取參數OBD-II Mode 01，13 項 PID0x04 引擎負荷、0x0C 轉速、0x0D 車速、0x10 進氣量、0x11 節氣門、0x44 當量比、0x49 油門踏板、0x31 清碼後里程、0x07 長期燃油修正、0x0F 進氣溫度、0x0B 歧管壓力、0x42 控制模組電壓、0x05 冷卻水溫
        車輛註冊OBD-II Mode 09 PID 02（VIN）以 0x7DF 廣播請求，多幀回應以 ISO-TP 流量控制 frame 接續；伺服器依 VIN 建立佇列與資料集合
        傳輸RabbitMQ、Docker ComposeAMQP；topic exchange 依車輛路由，佇列持久化；容器化部署
        儲存MongoDB每台車一個集合；解析後批次寫入文字檔與資料庫
        上鏈Ganache、TWCC 區塊鏈平台MerkleRootStorage 合約 storeMerkleRoot(bytes32)；私有鏈與公有鏈組成雜湊鏈

        公開版不含 VIN、裝置 ID 與任何真實金鑰；示範封包的 GPS 只保留小數兩位。完整流程與限制見 docs/SECURE_ACQUISITION_CHAIN.md。

        證據完整性

        以 Merkle Proof、每日 Root 與 Blockchain receipt 驗證資料錨定後的完整性。資料進入系統前的簽章與加密，見 實車資料接收鏈。

        每日證據錨點

        61-day calendar timeline

        Daily

        Root Registry

        Daily Merkle Roots and read-only receipts

        每日 Merkle Root 與 Blockchain receipt
        日期Leafs車輛證據類型Root錨定區塊查看詳情

        方法與資料來源

        DriveTrust AI 如何把 OBD-II、TDX、AI 判斷與可驗證證據串成同一條決策鏈。

        問題

        相同車速在不同道路與交通情境下可能代表不同風險。系統以完整行程做回溯風險評估，再保留可追溯的資料承諾。

        目前模型判斷行程是否含風險代理標籤，並未建立未來事故的預測時間窗。2026/08–09 為展示情境，未來日期不代表已採集車況或事故預報。

        查看現有資料驗證與失效檢查

        系統架構

        原始證據時間、道路情境與分析證據分層處理

        時間基準：2026/08–09 僅為競賽情境時間；Historical TDX 查詢使用原始 OBD epoch 換算的 2024/09/25 台灣時間。只有通過時空門檻的資料才會標示 REAL TDX。

        AI Pipeline

        1. 以 trip 為建模單位整合 OBD-II 與道路情境。
        2. 輸出標準化 Risk Score、Risk Level 與局部 attribution。
        3. 使用 chronological holdout 評估，不以 test 結果重新選模。

        Evidence Chain

        1. 黑盒子在資料離車前簽章並以後量子密碼加密，伺服器驗簽後才入庫（Ingest）。
        2. 每筆 canonical record 建立 SHA-256 leaf。
        3. 每日事件承諾聚合為 Daily Merkle Root。
        4. Root 寫入 Ganache PoC chain，前端只讀 receipt。

        鑑識流程對照 ISO/IEC 27037

        ISO/IEC 27037 是數位證據識別、蒐集、擷取與保全的國際指引。下表把 DriveTrust 每一段對到它的流程與要求，並標出在網站哪裡可以當場驗證。

        對照，未經認證
        ISO/IEC 27037 的四個流程與 DriveTrust 的對應做法
        27037 流程DriveTrust 怎麼做在哪裡驗證
        識別Identification以 VIN 註冊車機，每台車機一把簽章金鑰；每個事件綁定車輛、行程與模型版本
        蒐集Collection從 OBD-II 唯讀擷取；送出任何 CAN frame 前先過白名單，不寫入 ECU
        擷取Acquisition資料離車前封裝：簽章、加密、序號與時間來源；伺服器 7 道關卡全過才入庫，延遲與缺口都留紀錄
        保全Preservation每筆紀錄 SHA-256 leaf → 每日 Merkle Root → 鏈上錨定；Root 清單另有 RFC 3161 時間戳

        可稽核5.3.2

        每道關卡的結果、拒收理由、延遲標記與缺口都寫入報告，可事後檢查。

        可重複5.3.3

        同一份資料重跑，得到相同的 leaf 與 Merkle Root；品質關卡 scripts/check_all.sh。

        可重現5.3.4

        示範金鑰由公開標籤推導，任何人都能用 build_secure_ingest_report.py --check 重現封包驗證。

        有正當理由5.3.5

        每個設計決策附標準與期刊依據，見 Ingest 頁的演進表與下方研究對照。

        法院認不認這些簽章？

        電子簽章法 2024 年修正（立法院 4/30 三讀）後，由憑證機構簽發憑證的數位簽章具推定效力。DriveTrust 的示範金鑰是自產金鑰，所以目前定位為可驗證的輔助證據：任何人都能重算 Merkle Root、用 OpenSSL 驗證時間戳。正式版改由 PKI 為每台車機簽發憑證，並補上存取稽核紀錄（27037 第 6.1 節的保管鏈）。本頁不是法律意見，具體適用請律師確認。修法重點（理律）

        Validation Evidence Ladder

        不同資料只回答各自可被證明的研究問題

        研究對照（IEEE 期刊，2024–2025）

        每個設計決策對照近期期刊研究：研究發現了什麼、DriveTrust 怎麼對應。點標題可開啟 DOI。

        Dataset Attribution

        地區、標籤、情境與 REAL TDX 使用範圍

        正式版架構與容量

        給客戶工程團隊的導入設計；數字是容量估算，不是實測。

        TDX 成本隨城市數增加

        VDLive 一次呼叫回傳整個城市、每分鐘更新。每個城市一個排程每分鐘抓一次並快取，所有車輛在本地配對：六個城市每天 8,640 次呼叫，車隊 50 台或 5 萬台都一樣。

        1,000 台車的容量

        尖峰每秒 1,000 筆、每天最多 8,640 萬筆樣本；行程結束才評分，每天約 1 萬次。Merkle 葉節點用行程承諾，每天約 1 萬個，幾秒算完。

        正式訓練標籤

        事故太少，標籤來自兩位評審看影片標註（第三位裁決）與經授權的理賠結果，不用模型自己的警示或規則命中，避免循環。

        模型維運

        套件版本鎖定，可靠性報告記錄驗證時的版本，API 回報執行環境是否一致；每週看特徵漂移與每百台警示數，每月看校準，每季或漂移時重訓並保留回滾。

        配對下一步：只取與行進方向相同的偵測器車道、軌跡先貼合路段再找偵測器。品質關卡 scripts/check_all.sh；部署映像 Dockerfile。細節見 docs/PRODUCTION_ARCHITECTURE.md。

        個資與司機權益

        試辦前的資料治理設計；正式導入前需經法務與勞資會議確認，本頁不是法律意見。

        蒐集什麼

        OBD 車速、轉速、油門、時間與 GPS。不需要車內攝影機或錄音，這是刻意的設計：成本較低，也較少侵入司機隱私。

        告知與同意

        依個資法第 8 條，在蒐集前以書面告知目的、資料類別、利用期間、地區、對象、方式與當事人權利；以契約或書面同意作為蒐集依據（第 19 條）。

        最小化與保存

        公開版 GPS 最多保留小數兩位，不含 VIN 與裝置 ID。試辦草案：原始 GPS 保存 90 天；被申訴或理賠中的事件保存到結案。每日 Root 只含雜湊值，刪除原始資料不影響驗證其他紀錄。

        誰能看

        車隊主管只看所屬車輛，保險只看經車隊授權的事件，司機看得到自己的全部紀錄與分數依據。依角色控管的帳號權限列為試辦前必須完成的項目。

        司機申訴流程

        1. 提出司機對單一事件按「我有異議」，寫下理由
        2. 凍結該事件與其 Merkle Proof 鎖定，不再被重新計算覆蓋
        3. 複核非原評分者查看 OBD、TDX 情境與 AI 因子
        4. 回覆建議 7 個工作天內回覆結果與理由
        5. 留紀錄結果與任何修正寫入稽核紀錄，司機可再查

        AI 分數不用於自動懲處、扣薪或單獨裁罰；當事人可依個資法第 3 條請求查詢、閱覽、製給複製本、補充或更正、停止利用與刪除。細節見 docs/PRIVACY_AND_DRIVER_RIGHTS.md。

        第三方資源與授權

        競賽規定須說明外部資料、軟體與工具的來源及授權；以下為本作品實際使用的項目。

        DriveTrust AI 使用的第三方資料、軟體與工具及其授權
        類別項目用途授權／條款
        資料／API交通部 TDX 運輸資料流通服務（Historical Road Traffic v2 VD）實車 OBD 的道路情境時空配對TDX 平臺服務條款；憑證僅存於後端，公開版只含彙總結果
        資料UAH-DriveSet（Romera, Bergasa & Arroyo, IEEE ITSC 2016）外部真實資料基準（Leave-One-Driver-Out）；取樣頻率檢查UAH-DriveSet 授權：非商業、須引用、不得散布原始資料；僅公開彙總指標
        資料POLIDriving（Marcillo et al., 2024）外部參考標籤基準，不併入公開分數MIT
        資料KIT Automotive OBD-II（Marc Weber / KIT）OBD 欄位結構穩健性檢查CC BY 4.0
        軟體scikit-learn、pandas、NumPy、joblib特徵工程、模型訓練與評估BSD-3-Clause
        軟體XGBoost（選用）主模型候選；無 OpenMP 時改用 HistGradientBoostingApache-2.0
        軟體SHAPXGBoost 主模型時的事件解釋；目前 HistGradientBoosting 改用 local ablationMIT
        軟體FastAPI、Uvicorn、HTTPX、pytestFull Mode API、測試MIT（FastAPI、pytest）、BSD-3-Clause（Uvicorn、HTTPX）
        工具Ganache、Solidity 編譯器本地 PoC 鏈與 Merkle Root 合約MIT（Ganache）、GPL-3.0（solc 編譯器，不涵蓋編譯產物）；合約本身為 MIT
        硬體（實車擷取）Kvaser Leaf Light HS v2 OBDII、ELM327 藍牙診斷器、Raspberry Pi 4B、車載 ECU 模擬器2024 年實車 OBD-II 擷取與黑盒子硬體產品，依各原廠使用條款
        軟體（實車擷取）Kvaser canlib Python 套件、RabbitMQ、Docker Compose、MongoDB CommunityCAN 收發、訊息佇列、容器部署、證據保全資料庫（2024）MIT（canlib）、MPL-2.0（RabbitMQ）、Apache-2.0（Docker Compose）、SSPL（MongoDB Community）；未隨本作品散布
        密碼學（2024）Falcon 參考實作（falcon.py）、Kyber1024（實車行程使用）與 NTRU 的 Python 實作、X25519Kyber768＋AES-256-GCM黑盒子簽章與後量子加密MIT（falcon.py）；其餘依原專案授權，未隨本作品散布
        密碼學（v2）pyca/cryptography（OpenSSL 後端）ML-DSA-65／87、ML-KEM-768／1024、X25519、P-384、HKDF、AES-256-GCM 封包驗證Apache-2.0 或 BSD-3-Clause（cryptography）；OpenSSL 為 Apache-2.0
        服務台智雲（TWSC）TWCC 區塊鏈平台即服務（BaaS）2024 年 Merkle Root 公有鏈錨定台智雲服務條款
        服務FreeTSA.org（RFC 3161 時間戳）、OpenSSLDaily Root 清單的外部時間戳與驗證依 FreeTSA.org 網站條款（免費服務）；OpenSSL 為 Apache-2.0
        工具Cloudflare Pages、Wrangler公開 Demo 部署Cloudflare 服務條款；Wrangler 為 MIT 或 Apache-2.0
        字型／圖示作業系統內建字型；介面圖示為內嵌 SVG介面呈現未引用第三方圖示庫或網路字型，不散布字型檔

        生成式 AI 使用揭露：開發與文件整理過程使用 ChatGPT、OpenAI Codex 與 Claude 輔助程式撰寫、除錯、介面開發與文字整理；系統需求、資料選用、實驗設計、模型評估與結果判讀由參賽者負責，所有產出均經實際測試與人工審核。

        Data Provenance

        來源類型在模型、事件與證據頁一致揭露

        限制

        目前為 Synthetic-assisted PoC。Risk Score 僅供決策輔助，不應單獨作為法律責任、交通裁罰、保費、拒賠或詐欺認定依據。