Een groep academici heeft een nieuw systeem ontworpen dat bekend staat als “privé” waarmee video-analyse op een privacyvriendelijke manier mogelijk wordt gemaakt om zorgen met invasieve tracking te bestrijden.
“We bevinden ons nu in een fase waarin camera’s praktisch alomtegenwoordig zijn. Als er een camera op elke straathoek staat, op elke plek waar je gaat, en als iemand al die video’s in totaal zou kunnen verwerken, kun je je voorstellen dat die entiteit een zeer precieze tijdlijn van wanneer en waar een persoon is gegaan,” Frank Cangialosi, de hoofdauteur van de studie en een onderzoeker bij het Computer Science and Artificial Intelligence Laboratory (CSAIL) van het MIT, zei in een verklaring.
“Mensen maken zich al zorgen over locatieprivacy met GPS – videogegevens in totaal kunnen niet alleen je locatiegeschiedenis vastleggen, maar ook stemmingen, gedrag en meer op elke locatie”, voegde Cangialosi eraan toe.
Privid is gebouwd op het fundament van differentiële privacyeen statistische techniek die het mogelijk maakt om geaggregeerde informatie over gebruikers te verzamelen en te delen, terwijl de individuele privacy wordt gewaarborgd.
Dit wordt bereikt door willekeurige ruis toevoegen aan de resultaten om heridentificatie-aanvallen te voorkomen. De hoeveelheid toegevoegde ruis is een afweging – meer ruis toevoegen maakt de gegevens anoniemer, maar het maakt de gegevens ook minder bruikbaar – en wordt bepaald door het privacybudget, dat ervoor zorgt dat de resultaten nog steeds nauwkeurig en tegelijkertijd zijn laag genoeg geconfigureerd om gegevenslekken te voorkomen.
Het ondervragingskader omvat een benadering die op duur gebaseerde privacy wordt genoemd, waarbij de doelvideo tijdelijk in stukken van dezelfde duur wordt gehakt die vervolgens afzonderlijk in de videoverwerkingsmodule van de analist worden ingevoerd om het “luidruchtige” totaalresultaat te produceren.
De achterliggende gedachte is dat door het toevoegen van gespecialiseerde soorten ruis aan de data of analysemethoden, kan worden voorkomen dat relevante partijen een individu identificeren en tegelijkertijd bevindingen over maatschappelijke patronen die naar voren komen bij het uitvoeren van analyses op de video-ingangen, zoals bijvoorbeeld, het tellen van het aantal mensen dat op een dag langs een camera kwam, of het berekenen van de gemiddelde snelheid van waargenomen auto’s.
Dit voorkomt ook dat een kwaadwillende actor specifieke personen uitkiest en hun aanwezigheid (of het ontbreken daarvan) in de video’s bepaalt.
“Bij het bouwen van Privid pleiten we niet voor de toename van openbare videobewaking en -analyse. In plaats daarvan stellen we vast dat het al gangbaar is en wordt aangedreven door sterke economische en openbare veiligheidsprikkels”, concludeerden de onderzoekers.
“Daarom valt niet te ontkennen dat de analyse van openbare video zal worden voortgezet, en daarom is het van het grootste belang dat we tools bieden om het privacylandschap voor dergelijke analyses te verbeteren.”
