엣지-클라우드 협업 기반의 실시간 개인정보 보호 행동 인식 시스템

A Real-Time Privacy-Preserving Behavior Recognition System via Edge-Cloud Collaboration

지능형 센서 기술이 화장실 및 탈의실과 같은 고개인정보 환경으로 확장됨에 따라, 개인 정보 보호와 보안 사이의 중요한 딜레마에 직면하게 됩니다. 기존의 RGB 감시 시스템은 시각적 기록 및 저장과 관련된 심각한 우려를 야기하며, 물리적 감쇠에서부터 전통적인 암호화 또는 난독화 기술에 이르기까지 기존의 개인 정보 보호 방법은 종종 의미론적 이해 능력을 저하시키거나, 재구성 공격에 대한 수학적 불가능성을 보장하지 못합니다. 이러한 문제점을 해결하기 위해, 본 연구는 AI Flow 이론적 프레임워크와 엣지-클라우드 협업 아키텍처를 기반으로 하는 새로운 개인 정보 보호 인식 기술을 제시합니다. 제안된 방법론은 원본 데이터의 감쇠와 되돌릴 수 없는 특징 매핑을 통합합니다. 정보 병목 이론을 활용하여, 엣지 장치는 밀리초 단위의 처리 속도로 원시 이미지를 비선형 매핑 및 확률적 노이즈 주입을 통해 추상적인 특징 벡터로 변환합니다. 이 과정은 일방향 정보 흐름을 구축하여 개인 식별 정보와 관련된 속성을 제거하며, 원래 이미지를 재구성하는 것을 불가능하게 만듭니다. 그 후, 클라우드 플랫폼은 다중 모드 가족 모델을 사용하여 이러한 추상적인 벡터만을 기반으로 비정상적인 행동을 감지합니다. 이 접근 방식은 아키텍처 수준에서 개인 정보 유출 경로를 근본적으로 차단하여, 비디오 감시에서 익명화된 행동 인식으로의 획기적인 발전을 이루며, 고위험 공공 장소에서의 위험 관리를 위한 강력한 솔루션을 제공합니다.

As intelligent sensing expands into high-privacy environments such as restrooms and changing rooms, the field faces a critical privacy-security paradox. Traditional RGB surveillance raises significant concerns regarding visual recording and storage, while existing privacy-preserving methods-ranging from physical desensitization to traditional cryptographic or obfuscation techniques-often compromise semantic understanding capabilities or fail to guarantee mathematical irreversibility against reconstruction attacks. To address these challenges, this study presents a novel privacy-preserving perception technology based on the AI Flow theoretical framework and an edge-cloud collaborative architecture. The proposed methodology integrates source desensitization with irreversible feature mapping. Leveraging Information Bottleneck theory, the edge device performs millisecond-level processing to transform raw imagery into abstract feature vectors via non-linear mapping and stochastic noise injection. This process constructs a unidirectional information flow that strips identity-sensitive attributes, rendering the reconstruction of original images impossible. Subsequently, the cloud platform utilizes multimodal family models to perform joint inference solely on these abstract vectors to detect abnormal behaviors. This approach fundamentally severs the path to privacy leakage at the architectural level, achieving a breakthrough from video surveillance to de-identified behavior perception and offering a robust solution for risk management in high-sensitivity public spaces.