智能社区中轻量级实用的隐私保护图像掩码方案

# 智能社区中轻量级实用的隐私保护图像掩码方案 ## 1. 引言 近年来，由物联网（IoT）和 5G 等技术支持的智能社区已成为常见概念。例如，IoT 摄像头可收集大量图像用于实时环境和人群监测等应用，但这些图像很可能包含敏感信息，如车牌、人脸和用户行为等，可能被用于恶意目的，因此在图像传输和存储过程中确保隐私至关重要。 然而，IoT 设备资源受限，通常无法支持大量计算操作。而且，传统加密方法需对整个图像进行加密，这不仅计算成本高，还会阻止中间节点利用这些图像，而中间节点实际上只需访问部分选定特征。因此，需要一种轻量级解决方案。 本文提出的解决方案以用户为中心，允许摄像头所有者自定义敏感区域。同时，考虑到现实世界中 IoT 场景下的攻击者往往是没有专业技能的好奇公民，该方案采用轻量级图像加密算法处理敏感区域，并在图像传输过程中防止中间节点获取敏感区域信息。此外，通过代理重加密技术，社区数据中心可使用自己的私钥恢复图像，减少与摄像头所有者的交互。 ### 1.1 主要贡献 - **提出新威胁模型**：提出好奇人眼攻击假设模型，因为在现实的 IoT 场景中，潜在攻击者通常是没有专业黑客技能的好奇公民。 - **提高灵活性**：与传统图像加密方法不同，该方案允许用户自定义要识别的敏感区域，提高了灵活性。 - **加密时间短**：所提出算法的加密时间比类似方案短得多，并且可以在 IoT 设备上同时执行图像识别和加密。 - **减少通信开销**：通过代理重加密，社区数据中心可以在不与加密者交互的情况下恢复加密图像，减少了通信开销。 ## 2. 相关工作 ### 2.1 基于混沌映射的图像加密方法 混沌映射因其对初始条件敏感、确定性和遍历性等特点，被用于多种图像加密方法中。例如，Meng 等人提出了基于混沌映射和离散小波变换域的改进图像加密算法，但该算法仅改变像素位置，不改变像素值。此外，混沌映射常与其他加密方法（如 DNA 加密）结合以提高安全性。 不过，Preishuber 等人指出，现有的评估指标不足以对混沌映射进行安全分析，且混沌映射处理单张图像的计算成本高，不适合实时图像处理场景。 ### 2.2 基于置换的图像加密方法 基于置换的图像加密方法通常比基于混沌映射的方法更安全，但这些方法通常会修改整个图像，缺乏灵活性。 ### 2.3 IoT 环境下的图像加密算法 近年来，有趋势设计适用于 IoT 环境的图像加密算法。例如，Dhall 等人提出了基于混沌的多轮、自适应和动态图像加密框架；Rajendran 等人提出了用于确保图像传输和存储安全的混沌安全架构。然而，这些算法也处理整个图像，未考虑用户需求。 ### 2.4 机器学习在图像隐私保护中的应用 机器学习，尤其是深度学习，发展迅速。例如，Yang 等人提出了基于图的神经网络用于推断图像隐私风险，以及基于联邦学习和集成模型的可转移人脸图像隐私保护方法。此外，还有许多研究旨在通过 GAN 网络保护图像隐私，但这些方法由于计算复杂度高，不适合实际的智能社区环境。 ## 3. 预备知识 ### 3.1 Yolo v5 对象检测算法 Yolo v5 是基于深度学习神经网络的对象检测算法，其代码可通过 https://github.com/ultralytics/Yolov5 访问。该算法能检测的对象数量在本文工作的上下文中足够，且速度非常快，可部署在 IoT 摄像头上。 Yolo v5 的基本结构主要分为三部分：BackBone、PANet 和 OutPut。BackBone 主要分为 Focus 结构和 CSP 结构，其中 Focus 结构首次在 Yolo v5 中采用，主要增加了切片操作。Yolo v5 的 Neck 与 Yolo v4 相同，均采用 FPN 和 PAN 结构来增强网络特征集成能力，处理后的图像最终通过 OutPut 输出。 ### 3.2 ChaCha20 - Poly1305 流加密算法 ChaCha20 - Poly1305 流加密算法由 Google 于 2013 年提出，采用了 AEAD 模式。与块加密算法（如 AES）不