With the advance of cloud computing, growing applications have been migrating to the cloud for its robustness and scalability. However, sending raw data to the cloud-based service providers will generally risk our privacy; especially for cloud-based surveillance system, where privacy is one of the major concerns as continuously recording daily life. Thus, privacy-preserving intelligent analytics are in dire needs.
In this preliminary research, we investigate real-time privacy-preserving moving object detection in the encrypted cloud-based surveillance videos. Moving object detection is one of the core techniques and can further enable other applications (e.g., object tracking, action recognition, etc.). One possible approach is using homomorphic encryption which provides corresponding operations between unencrypted and encrypted data. However, homomorphic encryption is impractical in real case because of formidable computations and bulky storage consumption. In this paper, we propose an efficient and secure encryption framework, which entails real-time analytics (e.g., moving object detection) in encrypted video streams. Experiments confirm that the proposed method can achieve similar accuracy as detection on original raw frames.
————————
資料隱私與機器智能的權衡？這樣的考量似乎早了一點，但是應該也不遠了。
先回答 一個假設的問題。
如果你在一家提供雲端視訊安全監控的公司工作，客戶的視訊資料串流回雲端設備儲存，你知道某位名模（例如林志玲）是公司客戶，你會不會想打開她的監控視訊串流？
幾年前曾經在幾個不同的演講場合詢問這個問題，令我驚訝的是，有相當人數舉手表示會想看看！？
這也難怪雲服務公司必須有嚴謹的資料存取控制機制，避免客戶隱私遭到侵犯。
但是這樣的風險還在，視訊資料還是會外流，所以最好的方式是在客戶端直接將資料加密。一勞永逸！
可是在加密的資料上是不是就無法執行重要的智能分析了呢？
為了這個考量，這幾年也就興起了各種在加密資料上的資料分析研究。但是絕大部分只在交易的（文字、數值）資料上。
我們看到了雲端監控產業的興起，也率先考量能不能在加密的視訊資料上進行（即時）偵測分析，兼顧隱私與智能服務。
絕大部分在加密空間執行的演算法都使用Homomorphic Encryption，因其具有獨特的數學運算特性。但是這樣的分析速度根本不可行，更別說在大量的視訊串流上所必須的即時偵測要求。
所以我們從另一個角度切入，提出第一套適合在加密空間執行影像智能分析的加密方式，並評估它的安全性 [1]。這對於兼顧隱私，以及即時安全監控非常的重要。
Demo video 中右邊是即時移動物件偵測的結果，左上為未加密的視訊，左下為透過我們方法加密過的視訊，可是依然可以在加密的資料上執行即時移動物件偵測。
做出這樣的結果，讓我們相當興奮，也想聽聽業者的意見。結果，相當有趣的反應。業者表示，初期不能強調這個功能，這樣顯然是在教育使用者目前雲端監控是有侵犯隱私的風險。
商業考量上，一般的雲服務公司也希望盡量去exploit使用者所有的細節，竭盡所能的保有所有資料的完整性，所以資料加密這件事能免則免。想像Google如何收集大家的資料。
所以我們大膽猜測，privacy-preserving mining or learning大概適用的情境，只有在強制法規規範之下，或是非常有價值的資料已經被加密了（例如就診紀錄），才值得繼續研究。
不過後來我們也發現另一種做法，可以實現在家中的安全監控，甚至人員辨識，而且完全可以避掉隱私的問題。
[1] Kuan-Yu Chu, Yin-Hsi Kuo, Winston H. Hsu. Real-time privacy-preserving moving object detection in the cloud. ACM Multimedia 2013.