How the Federal Government Buys Our Cell Phone Location Data By BENNETT CYPHERS (Myanmar Translation)

လွန်ခဲ့တဲ့နှစ်များအတွင်း   Mobile Application ကနေ ရရှိလာတဲ့ Data တွေကိုရောင်းချတဲ့ Company တွေက US  စစ်ဘက် အရပ်ဘက် ထောက်လှမ်းရေးအဖွဲ့အစည်းတွေနဲ့ လျှို့ဝှက်စွာ ပတ်သတ်မှု တွေရှိခဲ့ ပါတယ်။ US  စစ်ဘက် အရပ်ဘက် ထောက်လှမ်းရေး အဖွဲ့အစည်းတွေက Mobile Application တွေကနေရရှိတဲ့ Location အချက်အလက်တွေ ကို အသုံးချပြီး ပြည်တွင်း ပြည်ပမှ လူများစွာကို စောင့်ကြည့်မှုတွေကို ပြုလုပ်ခဲ့ပါတယ်။ (အခုအချိန်အထိလဲ ပြုလုပ်နေဆဲဖြစ်ပါတယ်။)

Data တွေကိုဘယ်ကနေ ရရှိသလဲ ? 

Weather apps, Navigation apps, Coupon apps, family safety apps လိုမျိုး Application တွေက Location Access ကိုလိုအပ်ချက်အရတောင်းတတ်ပါတယ်။ ရရှိလာတဲ့ Location အချက်အလက်တွေကို Data Analysis လုပ်တဲ့ Company တွေကို ပြန်လည်ရောင်းချနိုင်ပါတယ်။ 

Data ဝယ်တဲ့သူတွေက Application Developer တွေကနေတစ်ဆင့်လဲ Location အချက်အလက်ကို ဝယ်ယူပါတယ်။ Developer တစ်ယောက်က သူရေးတဲ့ Application ကနေရတဲ့ Location အချက် အလက်ကိုပေးနိုင်ရင် Developer က လူတစ်ယောက်ချင်းစီအတွက် လအလိုက်သော်လည်း ကောင်း နှစ်အလိုက်သော်လည်ကောင်း ပိုက်ဆံရပါတယ်။ Location Data တွေကို ဘယ်အချိန်မှာရမလဲဆိုရင် သုံးတဲ့သူက Application ကို  Location Access ကိုပေးလိုက်တဲ့အခါတွေ ဒါမှမဟုတ်တောင် Application ကိုပိတ်လိုက်တဲ့အခါမှာတောင် နောက်ကွယ်ကနေ Location Access ကိုရရှိနေမှာ ဖြစ်ပါတယ်။ 

Safegraph (https://www.safegraph.com/)  လိုမျိုး Data စုတဲ့ Company တွေက  US မှာအသုံးပြုတဲ့ Mobile User တွေကနေ Location  နဲ့ပတ်သတ်တဲ့ အချက်အလက်တွေကို ရရှိနိုင်မယ်ဆိုရင် User တစ်ယောက်ချင်းစီအတွက် တစ်နှစ်စာကို US ဒေါ်လာ (1-4)  အတွင်းပေးမယ်လို့  Application Developer တွေကို ကမ်းလှမ်းပါတယ်။ Data စုဆောင်းသူတွေက ဒီလိုမျိုးတစ်ယောက်ချင်းစီကို ကမ်းလှမ်းတာမျိုးတင်မကပဲ အွန်လိုင်း ကြေငြာလုပ်ငန်းတွေကနေလဲ User တွေရဲ့အချက် အလက် တွေကိုဝယ်ယူပါတယ်။ 

ဒီလိုမျိုးဝယ်ယူတာတွေတင်မကပဲ Data ဝယ်ယူမှုလုပ်ဆောင်တဲ့ လုပ်ငန်းအချင်းချင်းစီကနေလဲ User တွေနဲ့ ပတ်သတ်တဲ့ အချက်အလက်တွေကိုဝယ်ယူပါတယ်။ ဥပမာ FBI ကလက်ရှိအသုံးပြုနေတဲ့ Babel Street (https://www.babelstreet.com/)  (OSINT) Company  က User တွေရဲ့အချက်အလက်တွေကို အဓိက ပါတနာဖြစ်တဲ့ Venntel (https://www.venntel.com/)  ကနေဝယ်ယူပါတယ်။ Venntel ကလဲ Gravy Analytics (https://craft.co/gravy-analytics)  ကနေထပ်မံဝယ်ယူပါတယ်။ 

Gravy Analytics ကလဲ Data တွေကို အောက်ပါ နေရာတွေကနေ ထပ်မံပြီးဝယ်ယူပါတယ်။

Complementics  (https://www.complementics.com/data-monetization/sdk-solution/)

Prediccio                       (https://www.prediccio.com/)

Mobilewalla                (https://www.mobilewalla.com/)

အဲဒီ Company တွေကလဲ User Data တွေကို ဘယ်ကနေရရှိလဲဆိုရင် အခုဖော်ပြထားတဲ့ Link ထဲမှာပါဝင်တဲ့ Company 47 ကနေထပ်မံဝယ်ယူပါတယ်။ (https://themarkup.org/privacy/2021/09/30/theres-a-multibillion-dollar-market-for-your-phones-location-data)

ဒီလိုအရောင်းအဝယ်တွေရှိနေတဲ့အတွက် ဘယ်လို Application တွေက User တွေရဲ့ Location Data နဲ့ ကျန်တဲ့အချက်အလက်တွေကို ရယူနေလဲဆိုတာကို သေချာပေါက်မပြောနိုင်ပါဘူး။ Venntel Company ပြောကြားချက်အရဆိုရင် သူတို့က User Location အချက်အလက်တွေကို Application 80000 ကျော်ကနေရရှိတယ်လို့ပြောပါတယ်။ Application  ၈ သောင်းကျော်ဆိုတာက အဲဒီ Application 80000 ကျော်စလုံးက Venntel  ကပြုလုပ်ထားတာမဟုတ်ပါဘူး။ အခြား Data ရောင်းတဲ့ Company တွေကနေ အဆင့်ဆင့်ဝယ်ယူထားတာဖြစ်ပါတယ်။ အခုလို Data ရောင်းဝယ်မှုကနေ ဒေါ်လာ ဘီလီယံချီပြီးရရှိပါတယ်။ရောင်းချတဲ့သူတွေ ရောင်းဝယ်မှုပြုလုပ်တဲ့ Company တွေကိုလဲ ခြေရာခံဖို့ခက်ခဲပါတယ်။ 

အခုပုံမှာပါတဲ့ Gravy Analytics, Venntel  တို့က US  စစ်ဘက် အရပ်ဘက် ထောက်လှမ်းရေးအဖွဲ့အစည်းတွေနဲ့ ပတ်သတ်မှုရှိနေပါတယ်။ Gravy Analytics  က Application တွေထဲမှာ Location ရယူတဲ့ Program Code တွေကို တိုက်ရိုက်မထည့်သွင်းပဲ User Data တွေကို အခြား Data ရောင်းချတဲ့ နေရာတွေကနေဝယ်ယူပါတယ်။ Gravy Analytics  ကသူဆီကနေ ရရှိနိုင်မဲ့အချက်အလက်တွေကို သူ့ရဲ့ Website မှာ ဖော်ပြထားပါတယ်။ (https://gravyanalytics.com/)

Gravy Analytics က Mobile Device 150 မီလီယံနဲ့ချိတ်ဆက်နေတာကိုဖော်ပြထားပါတယ်။ Venntel ကတော့ Application 80000 ကျော်ကနေ Data  တွေကိုရရှိတာဖြစ်ပြီး အဆိုပါ Data တွေကို ရရှိတဲ့နေရာတွေက SDK  (Software Development Kit), X-mode (https://xmode.io/)  နှင့် အခြာသော Data ရောင်းတဲ့နေရာတွေကနေရရှိတာဖြစ်ပါတယ်။ 

Venntel   ကနေ ဖုန်းအမျိုးအစားလိုက် ဖုန်းတည်နေရာအလိုက် ဖုန်းနံပတ်အလိုက်  နာမည်အလိုက် နဲ့ အချက်အလက်တွေကို ရှာဖွေနိုင်သလို အလုပ်တည်နေရာ အိမ်တည်နေရာအလိုက်လဲရှာဖွေနိုင် ခြေရာခံနိုင်ပါတယ်။ အချက်အလက်တွေကို Venntel   ကနေ နေ့စဉ် Update လုပ်ပေးပြီး Data bsae 12,000 queries  အတွက် US 20000 လောက်ပေးရပါတယ်။ တစ်နှစ်လုံးစာအတွက်ဆိုရင် US  650000 လောက်ပေးရပါတယ်။ 

Babel Street ကိုလဲ US Law Enforcement တွေကအသုံးပြုလျှက်ရှိပါတယ်။ နောက်ထပ်တစ်ခုကတော့ Babel Street က ဝန်ထမ်းဟောင်းတွေနဲ့တည်ထောင်ထားတဲ့  Anomaly 6 (or “A6”)(https://www.anomalysix.com) ဖြစ်ပါတယ်။ Anomaly 6 အကြောင်းကိုတော့သိရှိသူနည်းပြီး ၂၀၂၁ အချက်အလက်အရ  SDK  (Software Development Kit) မှတစ်ဆင့် Location ရယူတဲ့ Application 500  ကျော်ရှိတယ်လို့သိရပါတယ်။ SDK  ကနေ Data ရယူတာကတော့ Anomaly 6 ကပြုလုပ်တာမဟုတ်ပဲ အခြားသော Company ကနေပြုလုပ်တာဖြစ်ပါတယ်။ Special Operations Command Africa( SOCAFRICA ) အတွက်  US 589,000 ကို Anomaly 6  ကရရှိခဲ့ပါတယ်။ 2022 April လမှာတော့ Anomaly 6 က Zignallabs (https://zignallabs.com/) နဲ့တွေ့ဆုံပြီး Twitter firehose  ကိုပြသခဲ့ပါတယ်။ Twitter firehose ဆိုတာက Twitter မှာ ဘယ်သူက ဘာအကြောင်းအရာကိုရေးတယ် ရေးတဲ့သူကဘယ်နေရာကလဲ ရေးတဲ့သူနဲ့အတူဘယ်သူတွေရှိလဲဆိုတာကိုဖော်ပြတာဖြစ်ပါတယ်။ နောက်ထပ် ရုရှားစစ်သားတွေ ယူကရိန်းဘယ်နေရာမှာ ရှိနေတယ် သူတို့ ဘယ်နေရာကနေလာတယ်ဆိုတာကိုပြသခဲ့ပါတယ်။ CIA, FBI ရုံးမှ Mobile Device 183 ခုကို ခြေရာခံပြီး  အခုလက်ရှိဘယ်နေရာမှာ ရှိနေတယ်ဆိုတာကိုပြသခဲ့ပါတယ်။ 

X-Mode (https://xmode.io/)  ကတော့ Location ရယူတဲ့ Code ကို SDK ကနေ Application ထဲကိုတိုက်ရိုက်ထည့်သွင်းပါတယ်။ ကိုယ့် Application ကနေ X-Mode ကို Location ပေးနိုင်ရင် US နိုင်ငံအတွင်း Location နဲ့ US ပြင်ပ Location ဆိုပြီးခွဲကာ တစ်လချင်းစီအတွက် Develpoer ကိုပိုက်ဆံပေးပါတယ်။ လက်ရှိ X-Mode  မှ Location  ရယူခံနေရတဲ့ Mobile Device  - US အတွင်း  250 Million User နဲ့ US ပြင်ပ 40 Million ရှိပါတယ်။ Babel Stree,  Venntel  တို့ကိုအသုံးပြုမယ်ဆိုရင် User တစ်ယောက်စာအတွက် တစ်နှစ်လျှင် US 20000 – 25000 အထိရှိပါတယ်။ 

Apple Google တို့ကနေ Location Data ရယူတဲ့ Application တွေကို ဖြုတ်ချခဲ့သော်လည်း Data ရောင်းချတဲ့သူတွေက Company  အမည်ပြောင်းပြီး ဆက်လက်ပြုလုပ်လျှက်ရှိပါတယ်။ Locate X ကိုအသုံးပြုပြီး တက္ကသိုလ် Research အတွက်ပြလုပ်ခဲ့ပြီး ရုရှား ဒုံးပျံစစ်းသပ်မှုတွေကိုလဲ ခြေရာခံခဲ့ပါတယ်။ အဆိုပါသုတေသနကိုလဲ စစ်ဘက်မှ ထောက်ပံ့ပေးခဲ့ပါတယ်။ Locate X ကို အသုံးပြုမယ်ဆိုရင် User တစ်ယောက်အတွက် တစ်နှစ်စာ US 35000 ခန့်ပေးရပါတယ်။ 






REF: How the Federal Government Buys Our Cell Phone Location Data | Electronic Frontier Foundation (eff.org) (အား အကျဉ်းချုံး ဘာသာပြန်ပါသည်။ )



Comments

Post a Comment

Popular posts from this blog

NTFS Index Attributes

Image
  NTFS Index Attributes Now that we have described the general concept of B-trees, we need to describe how they are implemented in NTFS to create indexes. Each entry in the tree uses a data structure called an index entry to store the values in each node. There are many types of index entries, but they all have the same standard header fields, which are given in Chapter 13. For example, a directory index entry contains a few header values and a $FILE_NAME attribute. The index entries are organized into nodes of the tree and stored in a list. An empty entry is used to signal the end of the list. Figure 11.18 shows an example of a node in a directory index with four $FILE_NAME index entries. Figure 11.18. A node in an NTFS directory index tree with four index entries. Figure 11.18 The index nodes can be stored in two types of MFT entry attributes. The $INDEX_ROOT attribute is always resident and can store only one node that contains a small number of index entries. The $INDEX_ROOT at...
Read more

B-Trees (NTFS)

Image
  B-Trees An NTFS index sort attributes into a tree, specifically a B-tree. A tree is a group of data structures called nodes that are linked together such that there is a head node and its branches out to the other nodes. Consider Figure 11.13(A), where we see node A on top and it links to nodes B and C. Node B links to nodes D and E. A parent node is one that links to other nodes, and a child node is one that is linked to. For example, A is a parent node to B and C, which are children of A. A leaf node is one that has no links from it. Nodes C, D, and E are leaves. The example shown is a binary tree because there are a maximum of two children per node. Figure 11.13. Examples of A) a tree with 5 nodes and B) the same tree that is sorted by the node values FIG- 11.3 Trees are useful because they can be used to easily sort and find data. Figure 11.13(B) shows the same tree as we saw on the left side, but now with values that are assigned to each node. If we are trying to look up a ...
Read more

eCDFP (Module-6) (Window Forensics) (Part - 1 )

Image
လက်ရှိအချိန်မှာ PC/Laptop သုံးစွဲတဲ့အထဲမှာ Window အသုံးပြုသူက ကမ္ဘာမှာ အများဆုံးဖြစ်ပါတယ်။ Operation System အနေနဲ့ကြည့်မယ်ဆိုရင် ဒုတိယအများဆုံးဖြစ်ပါတယ်၊ ပထမအများဆုံးကတော့ Android ဖြစ်ပါတယ်။ Window 1.0 ကနေ အခုနောက်ဆုံးထွက်တဲ့ Window 11 အထိမှာ လက်ရှိလူတွေ အများဆုံးအသုံးပြုတာကတော့ Window 10/ Window 11 ဖြစ်ပါတယ်။ Forensics Analysis လုပ်မယ်ဆိုရင် Window ကနေရနိုင်တဲ့ Artifact (2) မျိုးရှိပါတယ်။ (1) System Artifacts  (2) User Artifacts  System Artifacts  ကတော့ Window Operation System   ကနေရနိုင်တဲ့ Artifacts တွေဖြစ်ပါတယ်။  System Artifacts Example  Registry Artifacts Event Logs File System Artifacts (Master File Table) Prefetch Files Volume Shadow Copies  User Artifacts ကတော့ User အသုံးပြုတဲ့ Computer ပေါ်မှာ User ကနေအသုံးပြုတဲ့ Activity တွေဖြစ်ပါတယ်။ တစ်ကယ်တန်း Forensics Analysis လုပ်မယ်ဆိုရင် System Artifacts ကိုရော User Artifacts ကိုရော Analysis ပြုလုပ်ပါတယ်။  User Artifacts Example  UserAssist  LNK Files Browser Artifacts...
Read more