Secure and Efficient UAV-Based Face Detection via Homomorphic Encryption and Edge Computing

📄 arXiv: 2507.09860v1 📥 PDF

作者: Nguyen Van Duc, Bui Duc Manh, Quang-Trung Luu, Dinh Thai Hoang, Van-Linh Nguyen, Diep N. Nguyen

分类: cs.CR, cs.AI

发布日期: 2025-07-14

💡 一句话要点

提出基于同态加密和边缘计算的安全高效无人机人脸检测方案

🎯 匹配领域: 支柱五：交互与反应 (Interaction & Reaction)

关键词: 无人机 人脸检测 同态加密 边缘计算 隐私保护 CKKS 安全推理

📋 核心要点

  1. 无人机人脸检测依赖高分辨率图像和复杂神经网络，但其监控能力带来严重隐私泄露风险。
  2. 提出将同态加密(HE)与神经网络结合，在加密数据上直接进行计算，保护人脸数据隐私。
  3. 实验表明，该方法在保护隐私的同时，检测精度损失小于1%，实现了隐私保护和性能的平衡。

📝 摘要（中文）

本文提出了一种结合同态加密(HE)的新型机器学习(ML)方法，旨在解决基于无人机(UAV)的人脸检测中的隐私限制。由于距离、高度和面部方向等挑战，高分辨率图像和复杂的神经网络能够实现动态环境中的精确人脸识别。然而，无人机广泛的监控能力引发了隐私问题。为了解决这个问题，我们提出了一个将HE与先进神经网络相结合的新框架，以在推理阶段保护面部数据。该方法确保面部数据安全，同时对检测精度的影响最小。具体来说，所提出的系统利用Cheon-Kim-Kim-Song (CKKS)方案直接对加密数据执行计算，从而优化计算效率和安全性。此外，我们开发了一种有效的数据编码方法，专门用于以单指令多数据(SIMD)方式将原始面部数据预处理为CKKS格式。在此基础上，我们设计了一种安全的推理算法，可以在不需要解密的情况下对密文进行计算。这种方法不仅保护了面部数据处理过程中的数据隐私，而且提高了基于无人机的人脸检测系统的效率。实验结果表明，我们的方法有效地平衡了隐私保护和检测性能，使其成为基于无人机的安全人脸检测的可行解决方案。值得注意的是，我们的方法（在通过HE加密保持数据机密性的同时）与不使用加密的基准相比，仍然可以实现小于1%的精度损失。

🔬 方法详解

问题定义：无人机人脸检测在提供便利的同时，由于其固有的监控能力，带来了严重的数据隐私泄露风险。现有方法通常直接在原始图像数据上进行人脸检测，无法有效保护个人隐私。因此，如何在保证检测精度的前提下，保护无人机采集的人脸数据安全，是一个亟待解决的问题。

核心思路：本文的核心思路是在人脸检测的推理阶段，利用同态加密技术对人脸数据进行加密，并在加密后的数据上直接进行计算，从而避免在明文数据上进行操作，保护数据隐私。同时，通过优化加密方案和数据编码方式，尽量减少加密带来的计算开销，保证检测效率。

技术框架：该系统主要包含以下几个阶段：1) 数据编码：将原始人脸数据编码为适合CKKS同态加密方案的格式，利用SIMD技术提高编码效率。2) 数据加密：使用CKKS方案对编码后的数据进行加密。3) 安全推理：在加密数据上运行人脸检测模型，进行推理计算。4) 结果解密：对推理结果进行解密，得到最终的人脸检测结果。整个过程的关键在于保证在加密数据上的计算能够正确执行，并且计算开销尽可能小。

关键创新：该论文的关键创新在于将同态加密技术应用于无人机人脸检测，并针对CKKS方案设计了有效的数据编码方法和安全推理算法。与传统方法相比，该方法能够在保护数据隐私的同时，保证检测精度和效率。此外，针对无人机平台的计算资源限制，论文还对加密方案和算法进行了优化，使其能够在边缘计算设备上高效运行。

关键设计：论文采用了CKKS同态加密方案，并设计了一种专门的数据编码方法，将原始人脸数据转换为适合CKKS方案的SIMD格式。在网络结构方面，使用了现有的人脸检测模型，并对其进行调整，使其能够在加密数据上进行推理。在参数设置方面，需要根据具体的安全需求和计算资源，选择合适的加密参数，例如多项式模数、系数模数等。损失函数与原始人脸检测模型保持一致，以保证检测精度。

🖼️ 关键图片

img_0

📊 实验亮点

实验结果表明，该方法在保持数据机密性的前提下，与不使用加密的基准相比，人脸检测精度损失小于1%。这表明该方法能够在隐私保护和检测性能之间取得良好的平衡，为无人机安全人脸检测提供了一种可行的解决方案。同时，该方法在边缘计算设备上的高效运行，也使其更具实用价值。

🎯 应用场景

该研究成果可应用于需要高度隐私保护的无人机人脸检测场景，例如敏感区域监控、身份验证等。通过保护人脸数据隐私，可以有效避免滥用和泄露风险，提升无人机应用的安全性。未来，该技术还可扩展到其他无人机应用领域，如目标跟踪、行为分析等，为构建安全可信的无人机系统提供有力支撑。

📄 摘要（原文）

This paper aims to propose a novel machine learning (ML) approach incorporating Homomorphic Encryption (HE) to address privacy limitations in Unmanned Aerial Vehicles (UAV)-based face detection. Due to challenges related to distance, altitude, and face orientation, high-resolution imagery and sophisticated neural networks enable accurate face recognition in dynamic environments. However, privacy concerns arise from the extensive surveillance capabilities of UAVs. To resolve this issue, we propose a novel framework that integrates HE with advanced neural networks to secure facial data throughout the inference phase. This method ensures that facial data remains secure with minimal impact on detection accuracy. Specifically, the proposed system leverages the Cheon-Kim-Kim-Song (CKKS) scheme to perform computations directly on encrypted data, optimizing computational efficiency and security. Furthermore, we develop an effective data encoding method specifically designed to preprocess the raw facial data into CKKS form in a Single-Instruction-Multiple-Data (SIMD) manner. Building on this, we design a secure inference algorithm to compute on ciphertext without needing decryption. This approach not only protects data privacy during the processing of facial data but also enhances the efficiency of UAV-based face detection systems. Experimental results demonstrate that our method effectively balances privacy protection and detection performance, making it a viable solution for UAV-based secure face detection. Significantly, our approach (while maintaining data confidentially with HE encryption) can still achieve an accuracy of less than 1% compared to the benchmark without using encryption.