平衡隱私和QoE

（中國AI網 2025年06月26日）主動虛擬現實串流需要用戶上傳與視點相關的信息，而這引起了重大的隱私問題。現有的策略通過向視點引入錯誤來保護隱私，但這會損害用戶的體驗質量（QoE）。在一項研究中，北京航空航天大學團隊首先深入分析了現有隱私保護方法所獲得的視點泄漏概率。

研究人員確定了視點誤差的最優分布，使視點泄漏概率最小。分析表明，現有的方法不能完全消除視點泄漏。然后，他們提出了一種新的隱私保護方法，在上傳的視點預測誤差中引入噪點，可以保證視點泄漏概率為零。在此基礎之上，團隊優化了隱私保護和QoE之間的權衡，在滿足隱私要求的同時最小化QoE損失。仿真結果驗證了分析結果，并證明了所提出的方法為平衡隱私和QoE提供了一個有前途的解決方案。

虛擬現實服務是未來無線通信系統的關鍵應用。為了實現沉浸式的用戶體驗，系統會跟蹤并上傳VR用戶的各種行為軌跡，包括視點、注視和手部軌跡。有了這種軌跡數據，基于視點預測的主動流技術變得可行，并能夠主動提前流式傳輸用戶要求的內容，并根據時變的視點預測誤差和可用資源，實現視頻質量的動態自適應，如圖像質量自適應。這種方法顯著減少了通信資源的消耗，同時有效提升了用戶的體驗質量（QoE）。

然而，任何事物都有兩面性。在VR串流過程中，攻擊者可能會竊聽軌跡數據，從而推斷出個人信息。值得注意的是，只需幾分鐘看似匿名的VR視頻和VR游戲的視點和手部軌跡，就可以識別出511名用戶中的95%和超過5萬名用戶中的94.33%。另外，從數據中可以推斷出廣泛的個人屬性，如身高、性別、年齡，甚至更敏感的信息，如收入、心理屬性、性取向和女性荷爾蒙周期。

隨著深度學習的發展，攻擊者從VR軌跡數據中提取更詳細個人信息的可能性增加，引發了對軌跡泄漏的嚴重擔憂。因此，用戶越來越需要將軌跡數據保持在本地，而這一要求與法律法規保持一致。

這需要開發不依賴于上傳實際軌跡數據的保護隱私的視點預測技術，如聯邦訓練和局部預測。然而，這種方法只能得到一個固定的且不理想的隱私保護水平，不能滿足多樣化的隱私需求。所以，需要結合保護隱私的數據處理方法，通過降低軌跡數據的可用性來保護隱私。

現有的VR串流隱私保護數據處理方法主要集中在注視軌跡，并可分為四類：

對實際軌跡數據加入高斯分布或拉普拉斯分布的噪點

對軌跡數據進行時空降采樣

降采樣與加噪的組合

基于學習的方法

實際上，一旦攻擊者獲得軌跡數據，他們就有可能利用一系列復雜的算法來推斷在保存過程中可能遭到忽視的任何個人信息。因此，隱私保護的根本要求是控制軌跡數據本身的泄露。然而，業界對軌跡數據泄漏程度的分析受到的關注有限。另外，降低軌跡數據的可用性會對視點預測的性能產生負面影響，最終導致用戶體驗質量（QoE）的下降。這就在保護隱私和增強QoE之間做出了權衡。

有的研究評估了現有數據處理方法對預測性能和隱私的影響。有研究表明，加入高斯噪點使平均注視預測誤差增加1.15?，識別率降低33%。實驗表明，加入高斯噪點比拉普拉斯噪點對注視熱圖的信息損失更小。另外，采用基于高斯的注視樣本替換方法，可以將平均注視預測誤差從6.8?提高到9.1?。

總之，現有的評估已經顯示了隱私和觀點預測錯誤（直接導致QoE損失）之間的權衡。然而，這種權衡的優化，特別是在最小化QoE損失的同時確保特定所需的隱私級別，尚未得到解決。

在研究中，北京航空航天大學團隊研究了主動VR流背景下的軌跡泄漏，其中涉及到視點預測。與僅依賴視點軌跡進行預測相比，將注視軌跡和手軌跡與視點軌跡相結合并不能提高視點的預測性能。因此，團隊重點研究視點軌跡數據的泄漏問題。

他們努力分析現有隱私保護方法導致視點泄漏的概率，并提出一種新的隱私保護方法，通過在上傳的預測誤差中加入噪點來實現零視點泄漏，以令QoE和隱私之間的權衡得到優化。

相關論文：Optimizing QoE-Privacy Tradeoff for Proactive VR Streaming

https://arxiv.org/pdf/2503.09448

總的來說，他們分析并優化了主動VR流媒體的QoE -隱私權衡。針對現有的隱私保護方法，他們導得到了泄漏概率最小的預測誤差的最優分布。結果表明，現有的方法不能完全緩解視點泄漏。然后，研究人員提出了B-PEA方法，通過在上傳的預測誤差中加入噪點來實現零視點泄漏。

首先推導B-PEA的視點泄漏概率，然后得到了在滿足視點泄漏概率要求的同時最小化噪點的最優加噪策略。使用SOTA視點預測器和實際VR流媒體平臺的仿真結果驗證了性能分析，并表明在相同視點泄漏概率的要求下，與基線相比，所提出的方法可以顯著減少QoE的損失。