EyeSpy：利用動態注視點渲染的側信道攻擊推測眼動軌跡
arXiv - Human-Computer InteractionPaul Maynard, Harris Amjad, Camila Molinares, Bo Ji, Brendan David-John
研究發現動態注視點渲染（DFR）產生的 GPU 工作量差異，可被利用作為側信道來精準推測使用者的眼動位置。
AI 幫你先抓重點
AI 重點 1
隱私保護的盲點在於系統內部運作邏輯的洩漏
滑鼠懸停看 AI 判斷理由
傳統認為只要不開放眼動追蹤 API 就能保護隱私，但此研究證明了系統為了優化效能（DFR）而產生的物理特性（GPU 負載變化），本身就是一種無法透過權限管理來封鎖的資訊洩露路徑。
AI 重點 2
硬體效能指標可能成為敏感生物特徵的間接指標
滑鼠懸停看 AI 判斷理由
這改變了我們對「數據安全」的認知。在未來沉浸式學習環境中，單純保護生物識別數據是不夠的，開發者必須考慮如何防止效能監控數據被惡意利用來反推使用者的生理行為。
核心研究發現
- 1
研究開發出一種攻擊方法，透過在視野中掃描不可察覺的高成本物件（HCOs），並記錄渲染性能指標來推測注視點。
- 2
實驗顯示在 Meta Quest Pro、Varjo XR-4 及桌面平台上的平均注視點預測誤差僅為 1.1 至 4.4 度，精度與標準眼動追蹤器相當。
- 3
該攻擊具備高度泛用性，可跨越不同硬體平台、標準遊戲引擎以及各種動態注視點渲染管線進行攻擊。
- 4
研究團隊設計了基於監督式與非監督式檢測器的防禦機制，能在短時間內可靠地識別此類攻擊（F1 分數達 0.99）。
對教育工作者的啟發
對於開發沉浸式學習環境（如 VR 實驗室）的教育科技設計者而言，此研究敲響了隱私警鐘。當我們利用眼動追蹤技術來優化學習者的沉浸感或進行學習行為分析時，必須意識到「效能優化技術」本身可能成為洩露學生生理資訊（如注意力分配、視覺反應）的漏洞。建議在設計教育軟體時，除了確保 API 權限控管外，應考慮在渲染管線中加入隨機化或平滑化處理，以降低 GPU 負載變化與注視點之間的關聯性，從而保護學生的隱私數據。
原始文獻資訊
- 英文標題：
- EyeSpy: Inferring Eye Gaze via Side-Channel Attacks Against Foveated Rendering
- 作者：
- Paul Maynard, Harris Amjad, Camila Molinares, Bo Ji, Brendan David-John
- 來源：
- arXiv - Human-Computer Interaction
- AI 摘要模型：
- /models/gemma-4-26B-A4B-it
每週精選研究電子報
每週五信箱收到精選 5 篇教育科技重點研究摘要，零時間壓力掌握學術前沿。