监控摄像头存在身份问题，这是由实用性和隐私之间固有的紧张关系造成的。由于这些功能强大的小设备似乎随处可见，机器学习工具的使用已经实现了大规模视频内容分析的自动化，但随着大规模监控的增加，目前还没有法律上可执行的规则来限制隐私侵犯。

安全摄像头可以做很多事情——它们已经变得比过去那些模糊的鬼影——犯罪媒体中经常出现的“英雄工具”——更聪明、更能干。现在，视频监控可以帮助卫生官员测量戴口罩的人群比例，使交通部门能够监控车辆、自行车和行人的密度和流量，并让企业更好地了解购物行为。但为什么隐私仍然是一个薄弱的事后思考？

目前的现状是用模糊的脸或黑匣子来改造视频。这不仅妨碍了分析师提出一些真正的问题（例如，人们戴着口罩吗？），它也不总是有效的；系统可能会漏掉一些人脸，让全世界都看不到它们。麻省理工学院计算机科学与人工智能实验室（CSAIL）的研究人员对这种现状感到不满，他们与其他机构合作，提出了一种系统，以更好地保障监控摄像头视频片段中的隐私。这个名为“Privid”的系统让分析人员提交视频数据查询，并在最终结果中添加一点噪音（额外数据），以确保无法识别个人。该系统建立在隐私的正式定义——“差异隐私”的基础上，该定义允许在不泄露个人身份信息的情况下访问有关私人数据的汇总统计数据。

通常情况下，分析师只需访问整个视频，就可以随心所欲地使用它，但Privid确保视频不是免费自助餐。诚实的分析师可以访问他们需要的信息，但这种访问的限制性足够大，恶意的分析师不能对其做太多。为了实现这一点，Privid将视频分成小块，并在每个块上运行处理代码，而不是一次在整个视频上运行代码。不是从每个片段中获取结果，而是对片段进行聚合，并添加额外的噪声。（考虑到添加的额外噪声数据，还有关于结果误差范围的信息，可能是2%的误差幅度）。

例如，代码可能会输出每个视频块中观察到的人数，聚合可能是“总和”，用于计算戴面罩的总人数，或者是“平均值”，用于估计人群密度。

Privid允许分析师使用他们自己的深层神经网络，这在今天的视频分析中很常见。这让分析师可以灵活地提出Privid的设计师们没有预料到的问题。在各种视频和查询中，Privid的准确率在非私有系统的79%到99%之间。

麻省理工学院CSAIL博士生弗兰克·坎吉亚洛西（Frank Cangialosi）是一篇关于Privid的论文的主要作者，他说：“我们现在处在一个摄像头几乎无处不在的阶段。如果每个街角、每个你去的地方都有摄像头，如果有人能够实际处理所有这些视频，你可以想象这个实体建立了一个非常精确的时间线来记录一个人何时何地去了。人们已经开始担心GPS视频数据的位置隐私，因为它不仅可以捕捉你的位置历史，还可以捕捉每个位置的情绪、行为等。”

Privid引入了一个“基于持续时间的隐私”的新概念，它将隐私的定义与模糊化的执行分离。如果你的隐私目标是保护所有人，那么执行机制需要做一些工作来找到需要保护的人，这可能做得很完美，也可能做得不完美。使用这种机制，您不需要完全指定所有内容，也不需要隐藏比需要更多的信息。

假设我们有一个俯瞰街道的视频。两位分析师Alice和Bob都声称，他们想计算每小时经过的人数，所以他们提交了一个视频处理模块，并要求汇总总数。

第一位分析人士是城市规划部门，该部门希望利用这些信息了解步行模式，并规划城市的人行道。他们的模型计算人的数量，并为每个视频块输出这个数量。

另一位分析师是恶意的。他们希望每次“查理”经过摄像机时都能辨认出来。他们的模型只寻找Charlie的脸，如果Charlie在场（即他们试图提取的“信号”），则会输出一个大数字，否则会输出零。他们的希望是，如果查理在场，总数将不为零。

从Privid的角度来看，这两个查询看起来是相同的。很难可靠地确定他们的模型内部可能在做什么，或者分析师希望使用这些数据做什么，这就是噪音的来源。Privid执行这两个查询，并为每个查询添加相同数量的噪声。在第一种情况下，因为Alice正在计算所有的人，所以这种噪音对结果的影响很小，但可能不会影响有用性。

在第二种情况下，由于Bob在寻找特定的信号（Charlie只在几块区域可见），噪音足以阻止他们知道Charlie是否在那里。如果他们看到一个非零的结果，可能是因为Charlie确实在那里，或者是因为模型输出“零”，但噪音使其非零。Privid不需要知道Charlie出现的时间或地点，系统只需要知道Charlie可能出现的时间的大致上限，这比计算之前的方法所依赖的确切位置更容易指定。

目前的挑战是确定Privid想要添加多少噪音，刚好足以隐藏所有人，但不会太多，以至于对分析师来说毫无用处。在数据中添加噪音，并在一段时间内坚持查询，这意味着你的结果不会尽可能准确，但在提供更好隐私的同时，结果仍然有用。