隐私可保护性：一种信息论方法

近来，推理隐私日益受到关注。推理隐私问题在广泛部署的边-云视频分析系统中尤为突出，此类系统中云端需要来自边缘捕获的视频。视频数据可能包含敏感信息，并在传输至云端进行推理时遭受攻击。已有诸多隐私保护方案被提出。然而，某方案的性能需通过实验确定或经具体分析特定案例推断。本文提出新指标“隐私可保护性”，用以刻画在给定视频分析任务下视频流可被保护的程度。该指标具有强烈的操作意义。例如，低可保护性意味着可能有必要建立整体安全环境。我们亦可评估某隐私保护方案，例如假设其对视频数据 obfuscate（混淆），该方案在混淆后达到了何种保护水平。我们对隐私可保护性的定义根植于信息论，并开发了高效算法来估计该指标。我们在真实数据上的实验验证了该指标与针对视频分析任务的视频流可保护程度的经验测量一致。