실시간 프라이버시 보호 행동 인식 시스템 엣지 클라우드 협업

초록

본 논문은 고프라이버시 환경(화장실·탈의실 등)에서 RGB 영상을 활용하면서도 개인 식별 정보를 완전히 차단하는 새로운 프레임워크를 제안한다. 엣지 디바이스에서 정보 병목(Information Bottleneck) 이론 기반의 비선형 매핑과 확률적 잡음 주입을 통해 원본 영상을 복원 불가능한 추상 피처 벡터로 변환하고, 클라우드에서는 이 피처만으로 행동 이상 탐지를 수행한다. 제안된 SP‑A‑D(Selective Privacy‑Attention Decoupling) 알고리즘은 프라이버시 민감 영역을 공격적 교란으로 차단하면서 의미론적 행동 정보를 보존한다.

상세 분석

본 연구는 프라이버시‑보호와 행동 인식 사이의 ‘제로섬(paradox)’을 해소하기 위해 AI Flow 이론을 기반으로 한 엣지‑클라우드 협업 구조를 설계하였다. 핵심은 엣지에서 수행되는 ‘정보 병목(Information Bottleneck)’ 최적화이다. 원본 이미지 x에 대해 고차원 비선형 매핑 f 와 가우시안 잡음 η 을 결합해 z = f(x)+η 를 생성함으로써, 식별에 필수적인 고주파 성분과 얼굴·피부 질감 등 프라이버시‑민감 특징을 의도적으로 소멸시킨다. 이 과정은 일방향 흐름을 보장하므로, z만으로는 원본 이미지 x 를 복원할 수 없으며, 수학적 역전 가능성도 이론적으로 차단된다.

프라이버시 차단 메커니즘인 SP‑A‑D는 두 단계로 구성된다. 첫째, ‘프라이버시‑민감 영역(PSZ)’을 탐지한 뒤, 해당 영역에 대한 어텐션 가중치를 최소화하는 제약 L_att 을 정의한다. 이는 Vision Transformer의 어텐션 맵 A(l,h) 에서 PSZ에 해당하는 패치 j 의 가중치를 0에 가깝게 만드는 최적화 문제이며, 식(2)로 표현된다. 둘째, PSZ에 대응하는 값 매트릭스 V 의 L2 노름을 최소화하는 L_val 을 추가해 잔여 특징까지 억제한다. 두 손실을 가중치 λ 로 조절한 복합 목표 O = L_sem − λ·L_PSZ (식 1) 를 통해 행동 의미 보존과 프라이버시 차단 사이의 균형을 정량적으로 확보한다.

노이즈 주입은 단순 랜덤이 아니라, ∇δ L 에 기반한 그래디언트‑가이드 방식이다. 업데이트 식 δ_{t+1}=δ_t−α·sign(∇δ_t(L_att+λ·L_val)) (식 4) 은 PSZ에 집중된 교란을 생성하면서, 비선형 매핑 단계에서 고주파 정보를 소멸시켜 복원 가능성을 물리적으로 차단한다.

엣지 디바이스는 이 과정을 밀리초 수준에서 수행하도록 설계돼, 실시간 감시 요구를 만족한다. 변환된 피처는 경량 암호화 후 클라우드로 전송되며, 클라우드에서는 ‘멀티모달 패밀리 모델’이라 명명된 대규모 사전학습 모델군이 피처만을 입력으로 받아 행동 라벨(낙상, 흡연 등)을 출력한다. 이때 원본 영상이 전혀 존재하지 않으므로, 데이터 유출·재구성 공격에 대한 방어가 구조적으로 내재된다.

실험에서는 실제 화장실 환경에 프로토타입을 배치해, 기존 RGB 기반 행동 인식 대비 95% 이상의 정확도를 유지하면서도 얼굴·신체 부위 복원 공격을 0% 성공률로 차단했다. 또한, 엣지 연산량은 2 GFLOPS 이하, 전력 소모는 1.2 W 수준으로, 기존 암호화 기반 솔루션에 비해 10배 이상 효율적이었다.

한계점으로는 PSZ 탐지 정확도에 따라 행동 인식 성능이 변동할 수 있으며, 극단적인 조명 변화나 급격한 움직임이 있을 경우 비선형 매핑이 과도한 정보 손실을 일으킬 가능성이 있다. 향후 연구에서는 보다 강인한 PSZ 검출기와 적응형 잡음 스케줄링을 도입해 이러한 변동성을 최소화하고, 형식적 프라이버시 보장을 위한 차분 프라이버시(Δ‑privacy) 이론과의 연계를 모색한다.