41、增强现实系统的安全与隐私：挑战与应对策略

增强现实系统的安全与隐私：挑战与应对策略

1. 基于眼动的用户识别与隐私风险

眼动对特定刺激的反应具有高度个体性，且这种个体特征能长期稳定存在。基于此，许多研究表明眼动生物特征可用于用户识别，尤其在可控制刺激的情况下。例如，DeepEyedentificationLive 利用卷积神经网络，在可控刺激下成功估计眼动的身份；还有研究通过两个移动刺激构建基于眼动的用户识别系统，实验显示可解释算法的识别准确率达 75%，深度学习方法可达 100%。这意味着恶意 AR 应用可能通过展示移动虚拟对象并监测眼动来推断使用者身份。

眼动反映生理活动，视觉焦点能揭示 AR 用户的喜好。恶意 AR 应用可通过聚合眼动轨迹样本创建热图，识别用户感兴趣的区域。如基于眼动追踪的预测模型，能以 90.32% 的准确率推断用户在 Google Play 商店中的应用兴趣；还有研究通过眼动预测人类知识水平。

为应对眼动隐私泄露问题，虽相关研究有限，但已提出一些防御方案。如 Liebling 等人列出了保护眼动隐私的未来研究方向，包括允许自我反思、对眼动数据进行抽象处理、在数据传递给应用前添加噪声以及利用物理屏障防止窃听。基于这些思路，有研究提出基于差分隐私的防御方法，通过向眼动数据添加噪声来阻止基于眼动的用户识别，同时不影响基于眼动的功能；还有研究利用强化学习处理眼动追踪数据以实现眼动保护。苹果的新款 AR 头戴设备也给出了保护眼动输入的方案：“眼动输入不会与苹果、第三方应用或网站共享，只有在用户轻敲手指做出最终选择时才会传输相关信息。”

防御方案	具体方法