北航团队提出VR串流零泄漏隐私保护方案B-PEA
平衡隐私和QoE
（映维网Nweon 2025年06月26日）主动虚拟现实串流需要用户上传与视点相关的信息，而这引起了重大的隐私问题。现有的策略通过向视点引入错误来保护隐私，但这会损害用户的体验质量（QoE）。在一项研究中，北京航空航天大学团队首先深入分析了现有隐私保护方法所获得的视点泄漏概率。
研究人员确定了视点误差的最优分布，使视点泄漏概率最小。分析表明，现有的方法不能完全消除视点泄漏。然后，他们提出了一种新的隐私保护方法，在上传的视点预测误差中引入噪点，可以保证视点泄漏概率为零。在此基础之上，团队优化了隐私保护和QoE之间的权衡，在满足隐私要求的同时最小化QoE损失。仿真结果验证了分析结果，并证明了所提出的方法为平衡隐私和QoE提供了一个有前途的解决方案。
虚拟现实服务是未来无线通信系统的关键应用。为了实现沉浸式的用户体验，系统会跟踪并上传VR用户的各种行为轨迹，包括视点、注视和手部轨迹。有了这种轨迹数据，基于视点预测的主动流技术变得可行，并能够主动提前流式传输用户要求的内容，并根据时变的视点预测误差和可用资源，实现视频质量的动态自适应，如图像质量自适应。这种方法显著减少了通信资源的消耗，同时有效提升了用户的体验质量（QoE）。
然而，任何事物都有两面性。在VR串流过程中，攻击者可能会窃听轨迹数据，从而推断出个人信息。值得注意的是，只需几分钟看似匿名的VR视频和VR游戏的视点和手部轨迹，就可以识别出511名用户中的95%和超过5万名用户中的94.33%。另外，从数据中可以推断出广泛的个人属性，如身高、性别、年龄，甚至更敏感的信息，如收入、心理属性、性取向和女性荷尔蒙周期。
随着深度学习的发展，攻击者从VR轨迹数据中提取更详细个人信息的可能性增加，引发了对轨迹泄漏的严重担忧。因此，用户越来越需要将轨迹数据保持在本地，而这一要求与法律法规保持一致。
这需要开发不依赖于上传实际轨迹数据的保护隐私的视点预测技术，如联邦训练和局部预测。然而，这种方法只能得到一个固定的且不理想的隐私保护水平，不能满足多样化的隐私需求。所以，需要结合保护隐私的数据处理方法，通过降低轨迹数据的可用性来保护隐私。
现有的VR串流隐私保护数据处理方法主要集中在注视轨迹，并可分为四类：
-
对实际轨迹数据加入高斯分布或拉普拉斯分布的噪点
-
对轨迹数据进行时空降采样
-
降采样与加噪的组合
-
基于学习的方法
实际上，一旦攻击者获得轨迹数据，他们就有可能利用一系列复杂的算法来推断在保存过程中可能遭到忽视的任何个人信息。因此，隐私保护的根本要求是控制轨迹数据本身的泄露。然而，业界对轨迹数据泄漏程度的分析受到的关注有限。另外，降低轨迹数据的可用性会对视点预测的性能产生负面影响，最终导致用户体验质量（QoE）的下降。这就在保护隐私和增强QoE之间做出了权衡。
有的研究评估了现有数据处理方法对预测性能和隐私的影响。有研究表明，加入高斯噪点使平均注视预测误差增加1.15◦，识别率降低33%。实验表明，加入高斯噪点比拉普拉斯噪点对注视热图的信息损失更小。另外，采用基于高斯的注视样本替换方法，可以将平均注视预测误差从6.8◦提高到9.1◦。
总之，现有的评估已经显示了隐私和观点预测错误（直接导致QoE损失）之间的权衡。然而，这种权衡的优化，特别是在最小化QoE损失的同时确保特定所需的隐私级别，尚未得到解决。
在研究中，北京航空航天大学团队研究了主动VR流背景下的轨迹泄漏，其中涉及到视点预测。与仅依赖视点轨迹进行预测相比，将注视轨迹和手轨迹与视点轨迹相结合并不能提高视点的预测性能。因此，团队重点研究视点轨迹数据的泄漏问题。
他们努力分析现有隐私保护方法导致视点泄漏的概率，并提出一种新的隐私保护方法，通过在上传的预测误差中加入噪点来实现零视点泄漏，以令QoE和隐私之间的权衡得到优化。
相关论文：Optimizing QoE-Privacy Tradeoff for Proactive VR Streaming
总的来说，他们分析并优化了主动VR流媒体的QoE -隐私权衡。针对现有的隐私保护方法，他们导得到了泄漏概率最小的预测误差的最优分布。结果表明，现有的方法不能完全缓解视点泄漏。然后，研究人员提出了B-PEA方法，通过在上传的预测误差中加入噪点来实现零视点泄漏。
首先推导B-PEA的视点泄漏概率，然后得到了在满足视点泄漏概率要求的同时最小化噪点的最优加噪策略。使用SOTA视点预测器和实际VR流媒体平台的仿真结果验证了性能分析，并表明在相同视点泄漏概率的要求下，与基线相比，所提出的方法可以显著减少QoE的损失。
