Mobile crowdsensing systems are used nowadays to power vehicle navigation applications. Users share their location data with the system, which uses it to provide better route planning. To encourage users to share their data the systems often only require an email to use the applications. Sybil attackers - users who create multiple accounts and coordinate them - can utilise their accounts to corrupt the mobile crowdsensing system using false location and speed data, changing the reflection of the traffic on the targeted road(s). This thesis uses the simulation of urban mobility software as a base for which a realistic mobile crowdsensing vehicle navigation application is created. Results show that Sybil attackers can corrupt the route planning of benign users of a mobile crowdsensing system and decrease the efficiency of their routes. To that end, streaming distance-based outlier detection, which effectively can remove anomalous data given some neighbourhood distance R and minimum neighbour value k, was set up uniquely per road and distinct intervals during a day. The set-up used a day of historical data to find the minimum amount of neighbours on the road and their maximum difference in speed. Given our setup, results show that streaming distance-based outlier detection cannot detect and remove Sybil data. This is due to the Sybils targeting a low speed, which, due to the global transmission frequency, gives them a large population of data points, avoiding detection as outliers.

Mobila publikkänning-system används nuförtiden för att driva fordonsnavigeringsapplikationer. Användare delar sin platsdata med systemet, som använder den för att estimera deras hastighet och genom det erbjuda bättre ruttplanering. För att uppmuntra användare att dela sin data kräver systemen ofta bara en e-postadress för att använda applikationen. Sybilattackerare – användare som skapar flera konton och koordinerar dem – kan använda sina konton för att korrumpera det mobila crowdsensingsystemet genom att använda falsk plats- och hastighetsdata, vilket förändrar trafiksituationen på vägar som de attackerar. Denna avhandling använder simulering av urban mobilitetsmjukvara som bas för att skapa en realistisk mobil publikkänning-fordonsnavigeringsapplikation. Resultaten visar att Sybil-attackerare kan korrumpera ruttplaneringen för godartade användare av ett mobilt publikkänning-system och negativt påverka effektiviteten av användarnas rutter. För det ändamålet användes strömmande avståndsbaserad avvikelsedetektering, som effektivt kan ta bort avikande data givet ett visst grannskapsavstånd R och minimalt grannvärde k för varje väg och vid olika intervall under en dag. Inställningen använde en dag av historisk data för att hitta det minsta antalet grannar på varje väg och den maximala hastighetsskillnaden mellan två datapunkter. Givet inställningen visar resultaten att strömmande avståndsbaserad avvikelsedetektering inte kan upptäcka och ta bort Sybil-data. Det beror på att Sybils attackerar vid en låg hastighet, vilket, på grund av den globala datarapportfrekvensen, ger dem en stor population av datapunkter. Det gör att den undviker att upptäckas som avvikare.