[논문 리뷰] Privid: Practical, Privacy-Preserving Video Analytics Queries

Frank Cangialosi, Neil Agarwal외 5명|arXiv (Cornell University)|2021. 06. 22.

Privacy-Preserving Technologies in Data참고 문헌 27인용 수 5

한 줄 요약

Privid는 개인이 $K$개의 인스턴스에서 총 $\rho$초 미만으로만 노출되는 경우를 보호하는 $(\rho,K,\epsilon)$-이벤트 지속시간 프라이버시라는 새로운 차별적 프라이버시 모델을 도입한다. 이는 비공개 콘텐츠의 완벽한 탐지 없이도 실용적인 프라이버시 보장을 가능하게 하며, 다양한 비디오 워크로드에서 비공개 분석 대비 79–99%의 정확도를 달성한다.

ABSTRACT

Analytics on video recorded by cameras in public areas have the potential to fuel many exciting applications, but also pose the risk of intruding on individuals' privacy. Unfortunately, existing solutions fail to practically resolve this tension between utility and privacy, relying on perfect detection of all private information in each video frame--an elusive requirement. This paper presents: (1) a new notion of differential privacy (DP) for video analytics, $(ρ,K,ε)$-event-duration privacy, which protects all private information visible for less than a particular duration, rather than relying on perfect detections of that information, and (2) a practical system called Privid that enforces duration-based privacy even with the (untrusted) analyst-provided deep neural networks that are commonplace for video analytics today. Across a variety of videos and queries, we show that Privid achieves accuracies within 79-99% of a non-private system.

연구 동기 및 목표

• 모든 프레임에서 모든 비공개 정보를 완벽하게 탐지해야 하는 기존의 프라이버시 보장 비디오 분석 기법의 비현실성을 해결하기 위해.
• 공개된 콘텐츠의 공간적 탐지가 아니라 개인의 시야 지속 시간에 초점을 맞춰 프라이버시 정의와 실행을 분리하기 위해.
• 신뢰할 수 없는 분석가와 사전 학습된 딥 러닝 모델을 가진 실제 비디오 분석 워크로드를 지원하는 실용적인 시스템을 설계하기 위해.
• 비공개 정보가 완전히 탐지되지 않더라도 효과적인 프라이버시 보장을 유지할 수 있는 강력하고도 융통성 있는 프라이버시 보장을 제공하기 위해.
• 개인의 신원 파악이나 프레임 간 추적을 방지하면서도 높은 유용성의 분석을 가능하게 하기 위해.

제안 방법

• 모든 이벤트가 $K$개의 발생 동안 총 $\rho$초 이하로만 노출되는 경우에 $\epsilon$-DP로 보호하는 새로운 차별적 프라이버시 정의인 $(\rho,K,\epsilon)$-이벤트 지속시간 프라이버시를 제안한다.
• 비디오를 시간 단위로 분할하고, 개인이 영향을 줄 수 있는 청크 수에 따라 쿼리 결과에 노이즈를 추가하는 시스템 아키텍처를 설계하며, 비공개 콘텐츠의 지식 없이도 프라이버시를 보장한다.
• 비공개 영역을 분석에서 제외함으로써 효과적인 $\rho$ 기준을 낮추기 위해 마스킹을 사용하여 노이즈를 감소시키고 정확도를 향상시킨다.
• 마스킹 및 청크화된 비디오 데이터에서 유도된 중간 결과에 대해 차별적 프라이버시 집계 원리(예: SUM, UNION, ARGMAX)를 적용한다.
• 프라이버시 예산 $\epsilon$과 $\rho,K$ 기준에 따라 유도되는 시간 해상도, 정확도, 노이즈 간의 균형을 맞추기 위해 파rameter 스윕 전략을 활용한다.
• 청크 크기를 조정하고 청크 간 궤적 상태를 유지함으로써 스탠딩 쿼리와 스테이트풀 쿼리를 모두 지원한다.

실험 결과

연구 질문

• RQ1 모든 프레임에서 비공개 콘텐츠를 완벽하게 탐지하지 않아도 되는 프라이버시 보장 비디오 분석 시스템을 설계할 수 있는가?
• RQ2 공간적 탐지가 아니라 비공개 이벤트의 시간 지속 시간에 초점을 맞춰 차별적 프라이버시를 비디오 분석에 어떻게 적응시킬 수 있는가?
• RQ3 지속시간 기반 프라이버시 하에서 실용적인 비디오 분석 시스템에서 시간 해상도, 정확도, 노이즈 간의 상호 상충 관계는 어떠한가?
• RQ4 이러한 시스템은 다중 카메라 조인, 스테이트풀 궤적 수세기 등의 복잡한 실생활 쿼리를 프라이버시를 유지하면서도 지원할 수 있는가?
• RQ5 $\rho$, $K$, $\epsilon$의 선택이 분석 결과의 정확도와 유용성에 어떤 영향을 미치는가?

주요 결과

• Privid는 다양한 실생활 비디오 분석 워크로드에서 비공개 기준 대비 79–99%의 쿼리 정확도를 달성한다.
• 시스템의 노이즈 추가는 개인이 영향을 줄 수 있는 청크 수에 기반하여 조정되어 $(\rho,K)$ 기준 하에서 $\epsilon$-DP를 보장한다.
• 쿼리 윈도우 크기를 늘릴수록 결과 당 필요로 하는 노이즈의 양이 감소하여 특히 장기 집계 작업에서 정확도가 향상된다.
• 비공개 영역(예: 신호등, 나무 등)을 마스킹하면 효과적인 $\rho$ 기준이 낮아져 더 높은 정확도와 더 높은 시간 해상도를 달성할 수 있다.
• 비디오 청크화와 마스킹이 정확도에 미치는 영향은 프라이버시를 위해 추가되는 노이즈에 비해 미미하며, 원본 데이터의 전반적인 추세는 유지된다.
• 시스템은 다중 카메라 조인, 스테이트풀 궤적 수세기, 비공개 객체에 대한 집계 등 복잡한 쿼리를 고정된 정확도로 지원한다.