🤖 AI

CFE-PPAR: Compression-friendly encryption for privacy-preserving action recognition leveraging video transformers

Dieser Artikel stellt CFE-PPAR vor, die erste kompressionsfreundliche Verschlüsselungsmethode für die privatsphäreerhaltende Aktionserkennung, die key-transformierte Video-Transformer nutzt, um auch bei komprimierten verschlüsselten Videos eine hohe Erkennungsleistung und visuelle Qualität zu erhalten.

Ursprüngliche Autoren: Haiwei Lin, Shoko Imaizumi, Hitoshi Kiya

Veröffentlicht 2026-05-08

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Haiwei Lin, Shoko Imaizumi, Hitoshi Kiya

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie haben ein geheimes Video von sich selbst, in dem Sie einen Tanz aufführen. Sie möchten dieses Video an einen Cloud-Server senden, damit ein intelligenter Computer Ihnen sagen kann, welchen Tanz Sie aufführen (Aktionserkennung), aber Sie möchten nicht, dass der Server Sie tatsächlich sieht. Sie möchten Ihre Identität und die visuellen Details privat halten.

Dies ist das Problem der Privatsphäreerhaltenden Aktionserkennung (PPAR).

Das alte Problem: Das „zerbrechliche Geheimnis"

Früher versuchten Menschen, dies zu lösen, indem sie die Videopixel verschlüsselten (Verschlüsselung) oder sie verwischten (Qualitätsreduzierung).

Die Verwischungs-Methode: Es ist, als würde man einen dichten Nebel über das Video legen. Der Computer kann den Tanz immer noch erraten, aber es ist schwer zu erkennen, was genau passiert, und Sie könnten immer noch erkennbar sein.
Die Verschlüsselungs-Methode: Dies ist, als würde man ein Puzzle Ihres Videos nehmen, es in Stücke schneiden und diese durcheinanderwirbeln. Der Computer kann das Puzzle immer noch lösen, wenn er das geheime Mischmuster kennt.

Hier liegt der Haken: Diese alten Verschlüsselungsmethoden waren nicht „kompressionsfreundlich".
Stellen Sie sich Videokompression (wie das Senden eines Videos über WhatsApp oder YouTube) als eine Möglichkeit vor, eine Datei zu verkleinern, indem winzige Details entfernt werden, die das menschliche Auge nicht bemerkt.

Wenn Sie ein verschlüsseltes Video nehmen und versuchen, es zu verkleinern, bricht die Datei. Der „Verkleinerungs"-Prozess wird durch das zufällige Durcheinanderwirbeln verwirrt.
Das Ergebnis? Der Computer erkennt den Tanz nicht, und wenn Sie versuchen, das Video später wieder zu entwirren, um es anzusehen, sieht es aus wie ein kaputtes, unansehnliches Durcheinander.

Die neue Lösung: CFE-PPAR

Die Autoren dieses Papiers schlagen eine neue Methode namens CFE-PPAR vor. Stellen Sie sich dies als einen „magischen, kompressionsresistenten Verschlüsselungsmechanismus" vor.

Wie es funktioniert (Die Analogie)

Stellen Sie sich Ihr Video als ein riesiges Mosaik vor, das aus kleinen Fliesen besteht.

Die Verschlüsselung: Der Client (Sie) nimmt das Video und schneidet es in kleine Blöcke. Innerhalb jedes Blocks werden die Fliesen durcheinandergewirbelt, auf den Kopf gestellt oder die Farben ausgetauscht. Dies verbirgt Ihr Gesicht und Ihren Körper.
Der geheime Schlüssel: Sie besitzen einen geheimen Schlüssel (wie ein bestimmtes Rezept), der Ihnen genau sagt, wie Sie die Fliesen gemischt haben.
Der „kompressionsfreundliche" Trick: Im Gegensatz zu alten Methoden, die das Video wie statisches Rauschen aussehen ließen, behält diese neue Methode die Beziehung zwischen den Fliesen innerhalb jedes Blocks intakt. Es ist, als würde man ein Kartenspiel mischen, aber die Karten in einem ordentlichen Stapel halten. Da die innere Struktur immer noch geordnet ist, können Standard-Videokompressionswerkzeuge die Dateigröße verkleinern, ohne sie zu beschädigen.
Der intelligente Computer (Der Server): Der Server empfängt das verschlüsselte, komprimierte Video. Er hat nicht Ihren geheimen Schlüssel, also kann er Sie nicht sehen. Allerdings verfügt der Server über eine spezielle „Spiegel"-Version seines Gehirns (des KI-Modells). Dieses Gehirn wurde mit dem gleichen geheimen Rezept vortrainiert, das Sie zum Verschlüsseln des Videos verwendet haben.
- Da das Gehirn genau weiß, wie die Fliesen gemischt wurden, kann es sich das verschlüsselte Video ansehen und sagen: „Ah, ich kenne dieses Muster! Das ist ein ‚Tanz'!"
- Dies geschieht ohne, dass das Video zuerst entschlüsselt werden muss.

Die Ergebnisse: Was das Papier behauptet

Die Forscher testeten dies an zwei berühmten Videodatensätzen (UCF101 und HMDB51) unter Verwendung gängiger Kompressionsformate (Motion-JPEG und H.264).

Genauigkeit: Wenn das Video komprimiert und an den Server gesendet wurde, erkannte die neue Methode (CFE-PPAR) die Aktionen fast genauso gut, als wäre das Video in seiner ursprünglichen, unverschlüsselten Form gesendet worden. Die alten Methoden versagten unter Kompression jämmerlich, wobei die Genauigkeit drastisch sank.
Wiederherstellung: Wenn eine autorisierte Person (die den Schlüssel besitzt) das Originalvideo später sehen möchte, kann sie es entschlüsseln. Selbst nachdem das Video komprimiert und verkleinert wurde, ermöglichte die neue Methode die Wiederherstellung eines klaren, ansehbaren Videos. Die alten Methoden führten zu einem „katastrophalen" Qualitätsverlust, bei dem das Video nicht mehr erkennbar war.
Sicherheit: Das Papier testete, ob ein Hacker das Originalvideo nur durch Betrachten der verschlüsselten, komprimierten Version erraten könnte (ein „Ciphertext-Only-Angriff").
- Wenn das Video einen einzigen Schlüssel für den gesamten Clip verwendete, konnte ein Hacker es teilweise rekonstruieren (wie beim Lösen eines Puzzles).
- Wenn das Video jedoch unterschiedliche Schlüssel für verschiedene Blöcke verwendete (eine Variante namens V2), konnte der Hacker nichts damit anfangen. Das Video blieb sicher.

Zusammenfassung

CFE-PPAR ist eine neue Möglichkeit, Videoinhalte zu verbergen, sodass:

Das Video zur einfachen Übertragung verkleinert (komprimiert) werden kann, ohne die Privatsphäre zu verletzen.
Ein intelligenter Computer immer noch verstehen kann, was im Video passiert, ohne die eigentlichen Personen zu sehen.
Das Originalvideo später perfekt wiederhergestellt werden kann, wenn Sie den Schlüssel besitzen.

Es löst das spezifische Problem, dass frühere „verschlüsselte" Videos zu zerbrechlich waren, um komprimiert zu werden, was sie für reale Anwendungen unbrauchbar machte, bei denen Daten über das Internet gesendet werden müssen.

Technisches Fazit: CFE-PPAR

Problemstellung
Die privatsphäreschonende Aktivitätserkennung (PPAR) zielt darauf ab, Maschinen zu ermöglichen, menschliche Aktivitäten in Videos zu klassifizieren, ohne sensible visuelle Inhalte preiszugeben. Obwohl verschlüsselungsbasierte PPAR-Methoden einen starken Datenschutz und eine hohe Erkennungsleistung bei unkomprimierten Daten bieten, stehen sie vor einer kritischen Einschränkung: Sie sind nicht „kompressionsfreundlich". Wenn Videos, die mit bestehenden Methoden verschlüsselt wurden (wie z. B. perceptual encryption oder homomorphe Verschlüsselung), einer Standard-Videokompression unterzogen werden (z. B. Motion-JPEG oder H.264), erleidet die Erkennungsgenauigkeit einen katastrophalen Einbruch. Darüber hinaus scheitert der Entschlüsselungsprozess oft daran, nach der Kompression vertrauenswürdige visuelle Inhalte wiederherzustellen, was diese Methoden für reale Szenarien unpraktisch macht, in denen Datenübertragung und -speicherung eine Kompression erfordern.

Methodik
Die Autoren schlagen CFE-PPAR (Compression-Friendly Encryption for Privacy-Preserving Action Recognition) vor, ein neuartiges Framework, das entwickelt wurde, um auch nach verlustbehafteter Kompression eine hohe Erkennungsgenauigkeit und visuelle Wiederherstellbarkeit zu gewährleisten. Die Methode integriert drei Kernkomponenten:

Kompressionsfreundliche Verschlüsselung (CFE):
Im Gegensatz zu früheren Verschlüsselungsmethoden, die die für Kompressionsalgorithmen notwendigen räumlichen Korrelationen stören, setzt CFE eine blockweise Verschlüsselungsstrategie ein, die die Intra-Block-Korrelation erhält. Der Prozess umfasst:
- Vorverarbeitung: Anpassen der Videoframes an die Eingabedimensionen des Transformers.
- Blockteilung: Aufteilen jedes Frames in Hauptblöcke (MBs), die der Patch-Größe des Video-Transformers (VT) entsprechen, und weitere Unterteilung der MBs in Unterblöcke (SBs).
- Unterblock-Transformationen: Anwendung von fünf spezifischen Transformationen (Rotation, Spiegelung, Invertierung der Pixelwerte, RGB-Kanalmischung und Unterblock-Verwürfelung) auf jeden SB unter Verwendung eines geheimen Schlüssels ( $K_{ST}$ ).
- Hauptblock-Verwürfelung: Permutation der Reihenfolge der MBs innerhalb eines Frames unter Verwendung eines separaten geheimen Schlüssels ( $K_{MS}$ ).
  Dieser Ansatz stellt sicher, dass zwar visuelle Informationen verschleiert werden, die für eine effektive Kompression erforderlichen statistischen Eigenschaften jedoch intakt bleiben.
Schlüsselabhängige Domänenanpassung (KDDA):
Um einem Video-Transformer zu ermöglichen, verschlüsselte Videos zu erkennen, ohne dass ein Nachtraining oder architektonische Änderungen erforderlich sind, werden die Modellparameter so transformiert, dass sie der Verschlüsselung entsprechen. Konkret werden der 3D-Faltungskern ( $E$ ) der Cube-Embedding-Schicht und die Positions-Embeddings ( $E_{pos}$ ) unter Verwendung derselben Schlüssel ( $K_{ST}$ und $K_{MS}$ ), die für die Verschlüsselung verwendet wurden, modifiziert. Dies erzeugt einen „domänenangepassten VT", der direkt auf verschlüsselten Eingaben inferieren kann.
Bedrohungsmodell:
Das System geht von einem nicht vertrauenswürdigen öffentlichen Server aus, der verschlüsselte, komprimierte Daten verarbeitet, aber keine geheimen Schlüssel besitzt. Dem Angreifer wird angenommen, dass er Zugriff auf die verschlüsselten Daten und den Algorithmus hat, nicht jedoch auf die Schlüssel, was ihn auf Angriffe nur mit Chiffretext (Ciphertext-Only Attacks, COAs) beschränkt.

Hauptbeiträge

Erste kompressionsfreundliche PPAR: Diese Arbeit stellt die erste Verschlüsselungsmethode vor, die speziell entwickelt wurde, um mit Standard-Videokompressionscodecs (MJPEG und H.264) kompatibel zu sein, während die Fähigkeiten zur Aktivitätserkennung erhalten bleiben.
Duale Optimierung: Die Methode erzielt gleichzeitig eine hohe Erkennungsgenauigkeit bei verschlüsselten, komprimierten Daten und ermöglicht autorisierten Clients die vertrauenswürdige Rekonstruktion ursprünglicher Videoframes.
Inferenz ohne Training: Der Ansatz nutzt einen vortrainierten Video-Transformer mit transformierten Parametern, wodurch die Notwendigkeit entfällt, das Modell auf verschlüsselten Daten nachzujustieren oder die Netzwerkarchitektur zu modifizieren.

Experimentelle Ergebnisse
Die Autoren evaluierten CFE-PPAR auf den Datensätzen UCF101 und HMDB51 unter Motion-JPEG- und H.264-Kompression (mit und ohne Interframe-Vorhersage) über verschiedene Bitraten hinweg.

Erkennungsgenauigkeit: Unter unkomprimierten Bedingungen erreichte CFE-PPAR eine Genauigkeit, die mit unverschlüsselten (plain) Videos vergleichbar war. Unter verlustbehafteter Kompression übertraf es bestehende Methoden (LCVE und BDQ) signifikant. Bemerkenswert ist, dass CFE-PPAR unter H.264 mit Interframe-Vorhersage auch bei mittleren bis hohen Bitraten eine Genauigkeit beibehielt, die nahezu mit unverschlüsselten Videos gleichzog, wohingegen frühere Methoden starke Verschlechterungen erlitten.
Visuelle Wiederherstellung: Während frühere Verschlüsselungsmethoden nach der Kompression zu entschlüsselten Videos mit niedriger PSNR (oft unter 20 dB) führten, milderte CFE-PPAR diese Verschlechterung effektiv ab und ermöglichte eine zuverlässige Rekonstruktion der ursprünglichen Frames.
Widerstandsfähigkeit gegen Angriffe: Die Arbeit evaluierte die Widerstandsfähigkeit gegen Angriffe nur mit Chiffretext unter Verwendung eines Extended Jigsaw Puzzle Solvers (EJPS). Die Ergebnisse zeigten, dass die Variante, die für jeden Hauptblock einen anderen Schlüssel verwendet (CFE-PPAR V2), gegen Rekonstruktion robust war, wohingegen die Variante, die einen einzigen Schlüssel für alle Blöcke verwendet (V1), im unkomprimierten Zustand anfällig war. Die Kompression selbst behinderte jedoch Rekonstruktionsversuche für beide Varianten erheblich.

Bedeutung und Behauptungen
Die Arbeit behauptet, dass CFE-PPAR eine fundamentale Lücke im Bereich der privatsphäreschonenden Computervision schließt: die Inkompatibilität zwischen starker Verschlüsselung und effizienter Datenkompression. Indem sie nachweisen, dass verschlüsselte Videos komprimiert werden können, ohne die Erkennungsleistung oder die visuelle Wiederherstellbarkeit zu beeinträchtigen, argumentieren die Autoren, dass ihre Methode den praktischen Einsatz von PPAR-Systemen in Cloud- und Edge-Umgebungen ermöglicht, in denen Bandbreite und Speicherplatz begrenzt sind. Die Arbeit verifiziert, dass es möglich ist, starken Datenschutz, hohe Nutzbarkeit (Genauigkeit) und Kompressionseffizienz gleichzeitig zu erreichen – eine Kombination, die mit bestehenden verschlüsselungsbasierten Strategien bisher nicht erreichbar war.