[论文解读] Going Incognito in the Metaverse: Achieving Theoretically Optimal Privacy-Usability Tradeoffs in VR

Vivek Nair, Gonzalo Munilla Garrido+1 more|arXiv (Cornell University)|Aug 11, 2022

Privacy, Security, and Data Protection被引用 5

一句话总结

本文提出了 MetaGuard，这是首个使用本地 ε-差分隐私的 VR '隐身模式'，可定量模糊化敏感用户数据（如运动模式、人口统计信息和设备属性），同时将可用性影响降至最低。在真实世界的 VR 隐私攻击中评估表明，MetaGuard 将去匿名化成功率降低了高达 96.0%，展示了在沉浸式虚拟环境中理论最优的隐私-可用性权衡。

ABSTRACT

Virtual reality (VR) telepresence applications and the so-called "metaverse" promise to be the next major medium of human-computer interaction. However, with recent studies demonstrating the ease at which VR users can be profiled and deanonymized, metaverse platforms carry many of the privacy risks of the conventional internet (and more) while at present offering few of the defensive utilities that users are accustomed to having access to. To remedy this, we present the first known method of implementing an "incognito mode" for VR. Our technique leverages local differential privacy to quantifiably obscure sensitive user data attributes, with a focus on intelligently adding noise when and where it is needed most to maximize privacy while minimizing usability impact. Our system is capable of flexibly adapting to the unique needs of each VR application to further optimize this trade-off. We implement our solution as a universal Unity (C#) plugin that we then evaluate using several popular VR applications. Upon faithfully replicating the most well-known VR privacy attack studies, we show a significant degradation of attacker capabilities when using our solution.

研究动机与目标

• 为应对元宇宙中日益增长的隐私风险，其中 VR 用户可被轻易通过运动和遥测数据进行画像分析和去匿名化。
• 弥合 VR 领域可用隐私防护措施的空白，效仿网页端私密浏览的成功经验。
• 设计一种灵活、与应用无关的解决方案，使用户可通过一键‘隐身模式’动态调整隐私级别。
• 定量评估差分隐私对 VR 用户体验及攻击者能力的影响。
• 提供一个实用的开源插件，适用于基于 Unity 的 VR 应用，实现在客户端的隐私保护。

提出的方法

• 利用本地 ε-差分隐私，在敏感 VR 遥测数据（包括运动轨迹、头部运动和人口统计属性）上添加校准噪声。
• 选择性地对最易受隐私威胁的数据维度施加噪声，基于应用上下文优化隐私-可用性权衡。
• 采用模块化 Unity (C#) 插件架构，可无缝集成到现有 VR 应用中，无需修改应用层代码。
• 使用用户可调节的 ε 参数控制隐私保护级别，实现隐私与可用性之间细粒度的权衡。
• 基于人体模型灵活性研究推导出的统计边界，确保噪声引起的感知误差保持在用户可自然适应的可接受范围内。
• 通过使用真实用户数据复现三种已知的 VR 隐私攻击，评估系统性能，测量攻击者在识别准确率和画像相似度等指标上的能力退化情况。

实验结果

研究问题

• RQ1 是否可以有效在 VR 中实现基于客户端、插件化的隐身模式，利用差分隐私保护多种敏感数据属性？
• RQ2 在已知的 VR 去匿名化与画像分析攻击中，添加 ε-差分隐私噪声在多大程度上降低了攻击者的能力？
• RQ3 差分隐私带来的可用性影响在 VR 中如何表现，是否可被用户感知或可被接受？
• RQ4 是否可以在保持强隐私保证的前提下，按应用灵活调节隐私-可用性权衡？
• RQ5 是否存在一种实用的开源解决方案，使用户能够以最低摩擦和最大控制力在 VR 中‘进入隐身模式’？

主要发现

• MetaGuard 在多个攻击场景中将 VR 去匿名化攻击的成功率降低了高达 96.0%，显著削弱了攻击者的能力。
• 该系统通过有针对性的噪声注入，有效保护了包括运动模式、人口统计属性和设备特定遥测数据在内的广泛敏感数据。
• 差分隐私引入的感知误差保持在用户可自然适应的范围内，符合关于人体模型灵活性的既定研究结论。
• 该插件与现有基于 Unity 的 VR 应用具有高度兼容性，支持无缝集成和一键激活隐身模式。
• 即使在关键运动特征上施加最小噪声，攻击者推断用户个人属性（如惯用手或身份）的能力也显著下降。
• 该框架展示了理论最优的隐私-可用性平衡，ε 参数使用户能够实现动态、可控的权衡。