[论文解读] Deep Motion Masking for Secure, Usable, and Scalable Real-Time Anonymization of Virtual Reality Motion Data

Vivek Nair, Wenbo Guo+3 more|arXiv (Cornell University)|Nov 9, 2023

User Authentication and Security Systems被引用 4

一句话总结

本文提出深度运动掩蔽（deep motion masking），一种基于深度学习的实时方法，通过将用户特定的运动模式与动作特定的运动分离，对虚拟现实（VR）运动遥测数据进行匿名化处理。该方法在跨会话不可链接性方面实现20倍的提升，且在不可区分性方面接近3倍优于以往方法，从而在VR与元宇宙应用中实现安全、可用且可扩展的隐私保护。

ABSTRACT

Virtual reality (VR) and "metaverse" systems have recently seen a resurgence in interest and investment as major technology companies continue to enter the space. However, recent studies have demonstrated that the motion tracking "telemetry" data used by nearly all VR applications is as uniquely identifiable as a fingerprint scan, raising significant privacy concerns surrounding metaverse technologies. Although previous attempts have been made to anonymize VR motion data, we present in this paper a state-of-the-art VR identification model that can convincingly bypass known defensive countermeasures. We then propose a new "deep motion masking" approach that scalably facilitates the real-time anonymization of VR telemetry data. Through a large-scale user study (N=182), we demonstrate that our method is significantly more usable and private than existing VR anonymity systems.

研究动机与目标

• 为应对VR运动遥测数据具有唯一可识别性所带来的日益增长的隐私风险，此类数据可能被用于跨会话重新识别用户。
• 开发一种可扩展的实时匿名化技术，在显著提升隐私保护水平的同时保持可用性。
• 通过大规模用户研究评估所提方法在匿名性和可用性方面的有效性。
• 证明尽管缺乏正式的微差分隐私保证，深度学习方法在实际不可链接性方面仍优于传统且形式上私密的方法（如MetaGuard）。

提出的方法

• 该方法利用训练有素的深度神经网络架构，将运动数据分解为用户特定与动作特定的成分，以解耦身份相关的变化与动作相关的变化。
• 采用条件生成模型，学习将原始运动序列转换为保留动作相似性但隐藏用户身份的匿名化版本。
• 模型在由1,000名用户在多个会话和应用中收集的大规模VR运动数据集上进行训练。
• 训练过程中使用判别头来区分真实与匿名化运动序列，从而促使生成器输出难以区分的样本。
• 系统设计为低延迟推理，支持对实时VR遥测数据流进行即时匿名化。
• 通过机器学习分类器与人类感知研究相结合的方式评估不可链接性与可用性。

实验结果

研究问题

• RQ1 深度学习模型能否在跨会话不可链接性方面显著优于现有匿名化技术？
• RQ2 所提出的深度运动掩蔽方法在匿名化运动数据的同时，能在多大程度上保持VR交互的可用性？
• RQ3 与真实数据相比，匿名化后的运动数据在人类观察者眼中的感知不可区分性如何？
• RQ4 该方法是否能在无需微调的情况下泛化至不同VR应用与运动模式？
• RQ5 为何基于GAN的方法在此场景中失效？是否存在如扩散模型或Transformer等替代架构可提升性能？

主要发现

• 所提出的深度运动掩蔽方法在跨会话不可链接性方面相比以往匿名化方法实现20倍提升，该结果基于机器学习识别准确率的测量。
• 在182名参与者的大型可用性研究中，匿名化运动数据的不可区分性接近3倍优于现有系统。
• 匿名化运动数据保持了与原始动作的高度保真度，模拟结果显示对与虚拟物体交互的感知质量影响极小。
• 开发了一种先进的VR身份识别模型，可绕过现有防护机制，在500名用户上实现超过90%的跨会话识别准确率。
• 尽管缺乏正式的微差分隐私保证，该方法在不可链接性方面仍实证优于MetaGuard，凸显了形式化安全与实际有效性之间的权衡。
• 基于GAN的方法因判别器达到100%准确率而无法收敛，表明计算不可区分性对该任务而言要求过强。