Diese Studie stellt ein dezentrales Rahmenwerk für den Schutz des Videourheberrechts vor, das private Blockchain, Smart Contracts und Wahrnehmungs-Hashing-Techniken integriert. Ziel ist es, eine sichere Eigentumsregistrierung, ein unveränderliches Datenmanagement und eine effiziente, ähnlichkeitsbasierte Verifizierung von Videoinhalten in verteilten Umgebungen zu ermöglichen.
Forschungsartikel
Ein dezentraler Ansatz zum Schutz des Video-Urheberrechts unter Verwendung privater Blockchain und Perceptueller Hashing
In diesem Artikel
Zusammenfassung
Zusammenfassung
Die wachsende Beliebtheit des Teilens von Videoinhalten im Internet hat Bedenken hinsichtlich Urheberrechtsverletzungen, Piraterie und Eigentumsstreitigkeiten geweckt. Traditionelle zentralisierte Methoden zur Handhabung des Urheberrechts sind mit Transparenzproblemen, Anfälligkeit für Manipulationen und der Abhängigkeit von vertrauenswürdigen Dritten konfrontiert. Daher präsentiert diese Studie ein dezentrales Video-Urheberrechtsschutzsystem, das auf Hyperledger Fabric, Smart Contracts und perceptueller Hashing basiert. Zunächst werden die Bilder aus den Videos extrahiert und Perzeptuelle Fingerabdrücke mit den Algorithmen Average Hash (aHash), Difference Hash (dHash), Perceptual Hash (pHash) und Wavelet Hash (wHash) erstellt. Hashes und Eigentumsinformationen werden auf der Blockchain gespeichert, während multimediale Vermögenswerte außerhalb des Hauptbuchs bleiben. Urheberrechtsprüfungen erfolgen mithilfe von Vergleichen der Ähnlichkeit auf Frame-Ebene, die auf der Hamming-Entfernung basieren. Das vorgeschlagene Framework wurde in verschiedenen zeitlichen, räumlichen und kompressiven Manipulationen getestet, darunter Frame-Einfügung, Löschung, Zuschneiden, Größe, Rotation, Filterung und Transkodierung. Die Experimente zeigten eine hohe Robustheit gegenüber solchen Änderungen und erkannten gleichzeitig unautorisierte Modifikationen. Daher kann diese Technologie eine praktische Lösung für Urheberrechtsfragen mit einem dezentralen Blockchain-Framework bieten.
Einleitung
Fortschritte in digitalen Multimedia-Technologien haben die Art und Weise verändert, wie Videos produziert, verteilt und konsumiert werden. Videostreaming, soziale Netzwerke und internetbasierte Content-Sharing-Systeme ermöglichen die schnelle und einfache Verbreitung von Videos an ein weltweites Zielpublikum. Während technologische Fortschritte mehr kreative Möglichkeiten bei der Produktion digitaler Videoinhalte und das Wachstum des Online-Geschäfts ermöglichen, haben diese Fortschritte es Inhaltserstellern erleichtert, Urheberrechtsverletzungen, Piraterie und Probleme mit dem Eigentumzu erleben. Videos können leicht kopiert, bearbeitet, neu codiert und weiterverbreitet werden, was den Schutz geistigen Eigentums in der heutigen Multimedia-Welt immer schwieriger macht 2,3.
In der Regel sind die aktuellen Urheberrechtsverwaltungssysteme von einer zentralen Behörde abhängig, um Inhalte zu registrieren, Eigentumsverhältnisse zu validieren, Lizenzvereinbarungen zu verwalten und Streitigkeiten zu bearbeiten. Obwohl diese Managementsysteme weit verbreitet sind, neigen sie zu mehreren erheblichen Einschränkungen4. Erstens setzt Zentralisierung Urheberrechtsverwaltungssysteme potenziellen Cyberangriffen, Datenmanipulationen und Ausfallzeiten aus. Zusätzlich wird das Urheberrecht von vertrauenswürdigen Dritten gespeichert, was im Hinblick auf die Überprüfung und Erhaltung langfristiger Zuverlässigkeitsolcher Informationen möglicherweise nicht ganz wünschenswert ist. Eine erhöhte Menge digitaler Multimedia-Inhalte macht herkömmliche Verifikationsprozesse weniger effizient, da sie zu viel Zeit benötigen undunpraktisch werden.
Die Blockchain-Technologie scheint eine der Lösungen zu sein, die Vertrauens- und Transparenzprobleme innerhalb der verteiltenUmgebung lösen können. Mit unveränderlichen Hauptbüchern über Kryptographie und Konsensmechanismen ermöglicht die Blockchain eine sichere Aufzeichnungsführung ohne zentrale Autorität, die den Prozess kontrolliert. Sobald die Datensätze der Blockchain hinzugefügt werden, werden sie unveränderlich und unveränderlich, was ein höheres Maß an Rückverfolgbarkeit und Verantwortlichkeit gewährleistet8. Deshalb wurden viele Ansätze unternommen, um Blockchain-Anwendungen in Bereichen wie DRM, IP und Multimedia Ownership Assurance9 zu untersuchen. Unter den bestehenden Blockchain-Plattformen hat Hyperledger Fabric große Aufmerksamkeit für seine Funktionen erhalten, darunter eine permissioned Architektur, eine modulare Struktur, Unterstützung für Smart Contracts, Datenschutz und schnelle Verarbeitung. Im Gegensatz zu öffentlichen Ketten macht die permissioned Architecture von Hyperledger Fabric es ideal für Urheberrechtsschutzsysteme10.
Es gibt jedoch gewisse Einschränkungen, eine Blockchain als alleiniges Mittel zur Bestimmung des Urheberrechtsstatus von Multimedia-Inhaltenzu verwenden. Erstens liefern traditionelle kryptographische Hashfunktionen (zum Beispiel SHA-256) völlig unterschiedliche Hash-Ergebnisse, selbst wenn kleinere Änderungen an einem Video12 vorgenommen werden. Obwohl es eine wünschenswerte Eigenschaft für kryptographische Zwecke ist, behindert sie die visuelle Erkennung ähnlicher oder modifizierter Versionen urheberrechtlich geschützter Multimedia-Inhalte. Daher muss die Überprüfung von multimedialen Urheberrechten auf inhaltsbewussten Algorithmen basieren, die Wahrnehmungsähnlichkeiten in Bildern oder Videos erkennen können13.
Eine der vielversprechendsten Möglichkeiten, das Urheberrechtsproblem bei multimedialen Inhalten anzugehen, ist die Verwendung von PerceptualHashing 14. Im Gegensatz zum kryptographischen Hashing erzeugt das perceptuelle Hashing Fingerabdrücke, die visuelle Eigenschaften des Bild- oder Videobilds15 kodieren. Selbst wenn die Datei durch die üblichen Prozesse (Kompression, Filterung, Neuskalierung, Hinzufügen von Rauschen usw.) verändert wurde, bleibt der Hash also relativ unverändert16. Derzeit werden vier Arten von perzeptuellen Hashes verwendet: durchschnittlicher Hash, Differenzhash, perceptueller Hash und Wavelet-Hash17,18.
Es gibt zahlreiche Forschungsstudien, die den Einsatz von Blockchain-Technologie in Verbindung mit Urheberrechtsschutztechniken für Multimedia-Datenuntersuchen. Frühere Arbeiten nutzten Blockchain-Technologie für Eigentumsregistrierung, digitale Wasserzeichenzeichnung, verteilte Speicherung und Verwaltung von Beweisen, dezentrales Rechtemanagement und sichere Speicherung vonMultimedia-Inhalten. Der Hyperledger Fabric wurde in früheren Arbeiten genutzt, um Urheberrechtsregistrierung, Rechteverwaltung und Transaktionsprüfung über Smart Contracts und permissioned Consensus Protocolszu ermöglichen 21,22. Ebenso wurden Wahrnehmungs-Hashing- und Wassermarkierungsmethoden vorgeschlagen, um doppelte und manipulierte multimediale Inhalte zu erkennen. Trotz dieser vielversprechenden Arbeiten zur Ermöglichung des Urheberrechtsmanagements mittels Blockchain-Technologie bestehen noch einige Lücken:23,24. Erstens konzentrieren sich viele frühere Rahmenwerke hauptsächlich auf die Registrierung von Eigentum, haben aber keine Möglichkeit, Inhalte zu verifizieren. Zweitens haben viele Werke auf einen einzigen Hashing- oder Watermarking-Ansatz angewiesen, wodurch sie anfälliger für Videomanipulationsangriffesind 25,26. Tabelle 1 zeigt, dass bestehende Systeme im Allgemeinen die Eigentumsregistrierung unterstützen, aber selten dezentrales Eigentumsmanagement mit Multi-Hash-Inhaltsverifikation kombinieren.
Mit Fortschritten in der Videobearbeitungstechnologie besteht ein größerer Bedarf an einer effizienten Überprüfung des Videobesitzes, um Urheberrechtsverletzungenzu verhindern 27. Die aktuelle Technologie bietet mehrere Methoden, um Videos zeitlich zu manipulieren, indem die Bildrate hinzugefügt, entfernt, ersetzt und verändert wird. Ähnlich umfassen räumliche Manipulationsoptionen das Größenanpassung von Bildern, Skalierung, Filterung, Kompression, Transkodierung und geometrische Änderungen von Videos28. Diese Manipulationen erschweren die Identifizierung von Urheberrechtsinhabern, obwohl sie das Aussehen des Videos nicht verändern. Ein effizientes System muss in der Lage sein, zwischen zulässiger Manipulation, Eigentum und Urheberrechtsverletzung mit Integritätzu unterscheiden 29.
Um die Herausforderung eines effizienten Video-Urheberrechtsmanagements anzugehen, schlägt dieses Papier ein dezentrales Modell vor, das Hyperledger Fabric, Smart Contracts und Perceptual Hashing nutzt. Das vorgeschlagene Framework wird Wahrnehmungsfingerabdrücke mithilfe von Hashing-Techniken erzeugen und Videoframes30,31 extrahieren. Vier verschiedene Hashing-Techniken, nämlich aHash, dHash, pHash und wHash, werden verwendet, um Wahrnehmungsfingerabdrücke zu erzeugen. Eigentumsinformationen, Zeitstempel und Hashes werden im autorisierten, blockchain-basierten Hauptbuch erfasst. Um die Skalierbarkeit zu verbessern, wird CouchDB zusammen mit der Blockchain verwendet, um multimediale Inhalte außerhalb der Blockchain zu speichern.
Das vorgeschlagene Framework verwendet Hamming-Distanzanalyse, um Ähnlichkeiten auf Bildformat zu validieren und Modifikationen, Duplikate oder illegale Nutzung von Videos zu erkennen. Durch die Kombination mehrerer Wahrnehmungs-Hashing-Techniken mit blockchain-basierter Hörbarkeit erreicht die Lösung sowohl die Authentifizierung auf Inhaltsebene als auch ein manipulationssicheres Eigentumsmanagement. Im Gegensatz zu früheren Systemen, die auf einer einzigen Verifikationsmethode basieren, verwendet das vorgeschlagene Framework mehrere Wahrnehmungsdeskriptoren, um einer Reihe von zeitlichen, räumlichen und kompressiven Videomanipulationen standzuhalten.
Dies sind die wichtigsten Beiträge, die in der Forschungsarbeit präsentiert werden: (1) Ein Dezentralisierungsansatz für den sicheren Prozess der Urheberrechtsregistrierung und -verifizierung von Videos unter Verwendung des Hyperledger Fabric Frameworks; (2) Mehrere Wahrnehmungs-Hashalgorithmen wie aHash, dHash, pHash und wHash werden verwendet, um mehrere Video-Fingerabdrücke zu erzeugen, die ähnliche Videos auch nach Bearbeitung erkennen können; (3) Ein verteiltes Datenbankmodell, das sowohl Hyperledger Fabric als auch CouchDB verwendet, wird entwickelt, um Skalierbarkeitsprobleme zu lösen, ohne Datenintegrität und Rückverfolgbarkeit zu beeinträchtigen; (4) Ein umfassender Verifikationsprozess zur Berechnung der Hamming-Entfernung wird formuliert, um die Manipulation von Videos in Bezug auf Bilder und Pixel zu bestimmen; (5) Es werden Experimente durchgeführt, um die Fähigkeit der vorgeschlagenen Methode zur Erkennung modifizierter Videos zu demonstrieren.
Durch die Integration von blockchain-basiertem Eigentum und mehreren Hashing-Algorithmen bietet das vorgeschlagene Framework einen praktikablen Ansatz für dezentralen Video-Urheberrechtsschutz.
Protokoll
Diese Studie umfasste keine menschlichen Teilnehmer, menschliche Proben, Tierproben oder klinische Proben. Daher waren keine institutionelle ethische Genehmigung und informierte Einwilligung erforderlich.
Materialien und Software
Die Umgebung, die zur Bereitstellung des Frameworks verwendet wurde, war Hyperledger Fabric Version 2.4.8, CouchDB, Docker Containers, Minifab-Deployment, FFmpeg-Multimedia-Verarbeitungsanwendungen und die Programmiersprache Go. Hyperledger Fabric bot Dienstleistungen für dezentrales Hauptbuchmanagement und Smart-Contract-Ausführung an, während CouchDB Urheberrechtsinformationen effizient über Off-Chain-Speicher speicherte und abrief. FFmpeg wurde zur Vorverarbeitung von Videos und zum Extrahieren von Videoframes verwendet, während Wahrnehmungs-Hashing-Algorithmen über Bild-Hashing-Bibliotheken in der Programmiersprache Go angewendet wurden. Eine Liste aller Werkzeuge und ihrer jeweiligen Beschreibungen ist in der Materialtabelle dargestellt.
Framework-Architektur
Das vorgeschlagene Framework verwendet Wahrnehmungs-Hashing-Algorithmen innerhalb der genehmigten Blockchain Hyperledger Fabric, um einen dezentralen Ansatz zum Schutz des Videourheberrechts und zur Validierung des Eigentums zu ermöglichen. Das Framework besteht aus fünf Hauptkomponenten: Video-Vorverarbeitung, Erstellung wahrnehmbarer Hashs, blockchain-basierte Urheberrechtsregistrierung und ähnlichkeitsbasierte Verifikation. In diesem Rahmen dient Hyperledger Fabric als Vertrauensschicht und stellt unveränderliche Eigentumsdatensätze bereit, während CouchDB Off-Chain-Speicher bereitstellt. Die Gesamtarchitektur des vorgeschlagenen Rahmens ist in Abbildung 1 dargestellt.
Modell des Systems zur Urheberrechtsprüfung
Ein detaillierter Arbeitsablauf des untersuchten Systems ist in Abbildung 2 dargestellt. Es beginnt mit der Videoaufnahme, gefolgt von Frame-Extraktion in regelmäßigen Abständen mit FFmpeg. Die extrahierten Frames werden innerhalb der Implementierungsumgebung Hyperledger Fabric verarbeitet, die Aktionen wie Eigentumsregistrierung, Zertifikatsverwaltung, Peer-Kommunikation und Transaktionsvalidierung umfasst. Auf die extrahierten Frames wird Wahrnehmungshashing angewendet, gefolgt von der Berechnung der Hamming-Distanz, um den Grad der Ähnlichkeit zu bewerten. Liegt die Hamming-Distanz unter dem Schwellenwert, gilt der Rahmen als authentisch und ähnelt dem registrierten Inhalt; ansonsten wird es als modifizierter Inhalt behandelt.
Videoaufnahme, Vorverarbeitung und Erstellung von Wahrnehmungshashing
Videoproben, die im Experiment verwendet wurden, waren MP4-Dateien mit 480p-Auflösung und durchschnittlich etwa 26 Sekunden lang. Der Bewertungsdatensatz enthielt 15 Videoproben, darunter ein Originalreferenzvideo und mehrere modifizierte Versionen. Diese Änderungen umfassten gängige Bearbeitungsaufgaben wie das Ändern der Bildraten, das Einfügen, Löschen oder Ersetzen von Frames sowie das Anwenden von Verzerrungen wie Beschneiden, Skalierung, Rotation und Overlay-Effekten. Der Datensatz enthielt außerdem Kompression, Rauschen, Text und Aufkleber, Glitch-Effekte und mehr. Alle Videos waren im MP4-Format in 480p-Auflösung und durchliefen die gleichen Vorverarbeitungs- und Fingerabdruckgenerierungsschritte. Dieser Datensatz wurde entwickelt, um die Widerstandsfähigkeit des Systems zu testen, und deckt eine breite Palette realer Szenarien ab, die Verletzungen und Manipulationen beinhalten. Bevor sie der Urheberrechtserkennung und Bestätigung unterzogen wurden, wurden Videodateien in FFmpeg vorbearbeitet. Bilder aus Videodateien wurden im Abstand von 1 Sekunde extrahiert, um komprimierte Inhaltszusammenfassungen in Form visueller Inhalte zu erhalten, die rechnerisch kostengünstig zu verarbeiten waren. Anschließend wurden diese Bilder in Graustufen umgewandelt und normalisiert, um Veränderungen der Pixelintensität durch Lichtverhältnisse, Kodierung und Kompressionsunterschiede zu minimieren.
Vier perzeptive Hashing-Funktionen wurden verwendet, um Videoinhalts-Fingerabdrücke in Form von Average Hashing (aHash), Difference Hashing (dHash), Perceptual Hashing (pHash) und Wavelet-Hashing (wHash) zu erzeugen.
Für die Hash-Generierung wurden die Frames zunächst in Graustufen umgewandelt und auf 8x8 Pixel verkleinert, um aHash und dHash zu berechnen. Mit aHash wurde ein 64-Bit-Fingerabdruck erzeugt, indem jeder Pixel mit dem durchschnittlichen Graustufenwert verglichen wurde. Der dHash-Algorithmus hat etwas Ähnliches gemacht, indem er ebenfalls einen 64-Bit-Fingerabdruck erzeugte, aber untersuchte, wie sich benachbarte horizontale Pixelintensitäten unterscheiden. Für pHash wurden die Bilder auf 32x32 Pixel verkleinert, dann wurde die diskrete Kosinustransformation berechnet. Um den 64-Bit-Wahrnehmungsfingerabdruck zu erzeugen, wurden nur die niederfrequenten 8x8-DCT-Koeffizienten verwendet. Was wHash betrifft, wurden die Bilder erneut auf 32x32 Pixel verkleinert, diesmal jedoch mit einer Haar-Wavelet-Transformation verarbeitet. Ein 64-Bit-Hash wurde aus den extrahierten Wavelet-Koeffizienten mit niedrigster Frequenz erzeugt. Alle diese Parametereinstellungen zielen auf ein gutes Gleichgewicht zwischen Recheneffizienz und Stärke ab, um typische Videoanpassungen zu bewältigen.
Um effiziente Hashfunktionsberechnungen durchzuführen, wurden diese Bilder normalisiert und verkleinert. Die durchschnittliche Hashing-Methode funktioniert, indem Pixelintensitäten mit denen des Mittelwerts des Bildes verglichen werden. Differenz-Hashing funktioniert ähnlich, konzentriert sich jedoch auf lokale Verläufe, indem Pixelintensitäten mit denen benachbarter Pixel verglichen werden. Perzeptuelle Hashing verwendet Fourier-Merkmale, die aus DCT resultieren, während Wavelet-Hashing auf Wavelet-Transform-Ergebnisse basiert, um Features zu extrahieren.
Blockchain-basierte Urheberrechtsregistrierung und -verifizierung
Die erhaltenen Wahrnehmungsfingerabdrücke, Eigentumsmetadaten, Zeitstempel und Transaktionsdetails werden über den Smart Contract vitChain in die Hyperledger-Fabric-Blockchain eingespeist. Die Implementierung der Blockchain umfasst zwei Organisationen, zwei Peers, zwei geordnete Knoten, zwei Zertifikatsautoritäts- (CA)-Knoten und CouchDB-Zustandsdatenbanken, die alle über einen automatischen Kanal verknüpft sind. Das permissioned Blockchain-Framework ermöglicht eine sichere Verarbeitung, eingeschränkten Zugriff und manipulationssichere Speicherung von Urheberrechtsdaten.
Das Urheberrechtsregistrierungsverfahren beginnt, sobald der Inhaltsinhaber das Video über die Benutzeroberfläche hochlädt. Wenn ein Nutzer ein Video zur Urheberrechtsregistrierung einreicht, ruft die Anwendungsebene den vitChain-Smart-Contract über das Hyperledger Fabric SDK auf. Diese Registrierung umfasst eine eindeutige Transaktions-ID, Besitzerinformationen, Video-ID, Zeitstempel und vier Arten von Wahrnehmungs-Hashwerten: aHash, dHash, pHash und wHash. Außerdem gibt es Metadaten zum Inhalt. Die App sendet den Transaktionsvorschlag an die unterstützenden Peers. Diese Peers führen dann die Smart-Contract-Logik aus und stellen sicher, dass die Transaktion mit der Empfehlungsrichtlinie übereinstimmt. Nach erfolgreicher Validierung wird die Transaktion zum Bestelldienst weitergeleitet. Hier werden verifizierte Transaktionen in Blöcke gruppiert und an Peer-Knoten zur Aufnahme in das Hauptbuch gesendet. In der Zwischenzeit werden die zugehörigen Metadaten in CouchDB eingetragen. Sie verbinden sich über die Transaktions-ID mit den Datensätzen der Blockchain, was einfache Abfragen ermöglicht und sowohl On-Chain- als auch Off-Chain-Daten konsistent bleibt.
Nach der Vorverarbeitung und den Hash-Berechnungen werden die Fingerabdrücke zusammen mit den zugehörigen Metadaten zu einer Transaktion zusammengefasst, die vom Smart Contract ausgeführt wird. Die Transaktionsvalidierung erfolgt von teilnehmenden Peers gemäß der festgelegten Empfehlungsrichtlinie. Nach der Zustimmung wird die Transaktion an den Bestelldienst weitergegeben, um sie in einen Block im verteilten Hauptbuch aufzunehmen. Für einen zuverlässigen Betrieb haben wir grundlegende Fehlerbehandlungen in die Registrierungs- und Verifizierungsprozesse integriert. Vor einer Transaktion überprüft die App die erforderlichen Metadaten, Eigentumsinformationen und Wahrnehmungs-Hashes, um Probleme zu vermeiden. Wenn Transaktionen die Empfehlungsregeln nicht erfüllen oder ungültige Parameter haben, lehnen Peer-Nodes sie sofort ab. Wenn es Probleme wie Kommunikationsfehler oder Verarbeitungsfehler gibt, protokolliert das System diese und sendet eine Admin-Benachrichtigung. Dies hilft, kleinere Verarbeitungsfehler zu verhindern, die sich im System ausbreiten. Während der Urheberrechtsprüfungen werden Videos mit ungültigen Metadaten oder beschädigten Hashwerten vom Verifizierungsprozess ausgeschlossen. Videos, bei denen die Fingerabdruckgenerierung fehlschlägt, sind ebenfalls vom Verifizierungsprozess ausgeschlossen. Insgesamt halten diese Schritte die Daten sauber und stärken die Zuverlässigkeit des Frameworks. Die Eigentumsinformationen für das urheberrechtlich geschützte Video werden unveränderlich und können später abgerufen werden.
Verifikation
Der Verifikationsprozess umfasst ähnliche Vorverarbeitungs- und Fingerabdruckberechnungsschritte, gefolgt von einem Fingerabdruckvergleich mit gespeicherten Fingerabdrücken in der Blockchain mittels einer Hamming-Distanz-basierten Ähnlichkeitsmessung. Basierend auf der Ähnlichkeitsmessung bestimmt der Smart Contract die Urheberrechtsinformationen des eingereichten Videos. Der Interaktionsworkflow ist in Abbildung 3 dargestellt.
Ähnlichkeitsbasierte Urheberrechtsüberprüfung
Der Urheberrechtsprüfprozess vergleicht Wahrnehmungsfingerabdrücke, die aus dem Abfragevideo gewonnen wurden, mit zuvor im Blockchain-System gespeicherten Fingerabdrücken. Der gleiche Vorverarbeitungs- und Hash-Wert-Generierungsprozess wie bei der Registrierung wird in der Verifikationsphase wiederholt, um Konsistenz zu gewährleisten. Die Ähnlichkeit wird anhand der Hamming-Distanz gemessen, die die Anzahl der Bitunterschiede zwischen zwei Hashwerten zählt. Kleinere Hamming-Distanzen zeigen eine größere Ähnlichkeit zwischen den beiden Videos, während höhere Hamming-Distanzen auf Inhaltsmanipulation hinweisen. Um zu sehen, ob das Abfragevideo mit dem registrierten Video übereinstimmt, haben wir die Hamming-Distanz zwischen ihren Wahrnehmungs-Hashwerten verwendet. Basierend auf vorläufigen Experimenten wurde eine Hamming-Distanz-Schwelle von 20 ausgewählt, um ein geeignetes Gleichgewicht zwischen Robustheit gegenüber gängigen Videoverarbeitungsoperationen und Empfindlichkeit gegenüber unautorisierten Änderungen zu gewährleisten. Videos mit einer Hamming-Distanz von 20 oder weniger galten als denselben urheberrechtlich geschützten Inhalt. Wenn es mehr wäre, würde es große Veränderungen zeigen. Diese 20 wurde ausgewählt, um gängige Videobearbeitungen wie Kompression, Filterung, Transkodierung und Änderungen der Bildrate zu übernehmen, erkennt aber weiterhin unautorisierte Änderungen. Messungen der Ähnlichkeit werden für alle gesammelten Frame-Fingerabdrücke durchgeführt und dann aggregiert, um eine urheberrechtliche Überprüfung zu erzielen. Videos, die von den registrierten Inhalten abweichen, werden für eine weitere Überprüfung markiert.
Einsatzumgebung
Die Testumgebung wurde mit Docker-Containern und dem Minifab-Orchestrierungstool erstellt. Ein Blockchain-Netzwerk basierend auf Hyperledger Fabric Version 2.4.8 wurde mit CouchDB als Zustandsdatenbank und Speicherschicht für Smart-Contract-Daten bereitgestellt. Der vitChain Smart Contract wurde in Go implementiert und mithilfe des Hyperledger Fabric Chaincode Lifecycle bereitgestellt. Die Einsatzparameter sind in Tabelle 2 zusammengefasst. Das Netzwerk bestand aus zwei teilnehmenden Organisationen, nämlich dem Content Creator und dem Videographen. Um die Integrität der Transaktionen zu gewährleisten und unbefugte Urheberrechtsregistrierung oder -änderungen zu verhindern, wurde eine Multi-Organisations-Endorsement-Richtlinie eingeführt, die die Zustimmung beider Organisationen erforderte, bevor eine Transaktion im Hauptbuch übertragen werden konnte. Konkret folgte die Empfehlungsrichtlinie einer UND-Regel, die als AND ('ContentCreatorMSP.peer', 'VideographerMSP.peer') ausgedrückt wurde.
Ergebnisse
Um die Wirksamkeit des vorgeschlagenen dezentralen Urheberrechtsschutzmodells zu bewerten, wird es gegen verschiedene Videomanipulationsangriffe getestet, die häufig während der Multimedia-Übertragung, Bearbeitung und Urheberrechtsverletzung auftreten. Zwei Hauptfaktoren in der Bewertung sind: (i) die Zuverlässigkeit des Wahrnehmungs-Hashing-Algorithmus bei der Erkennung von Urheberrecht und Manipulation sowie (ii) die Leistung des Hyperledger Fabric Blockchain-Netzwerks. Ähnlichkeitswerte wurden erzeugt, indem durchschnittlicher Hash (aHash), Differenzhash (dHash), Perceptual Hash (pHash) und Wavelet-Hash (wHash) berechnet wurden, die dann mit den in der Blockchain aufgenommenen Videofingerabdrücken verglichen wurden.
Ähnlichkeitsanalyse bei Videomanipulationsangriffen
Die Robustheit des Modells wurde anhand mehrerer Angriffe bewertet, die auf Videos angewendet wurden, darunter zeitliche, räumliche, geometrische, Kompressions-, Filter- und adversariale Manipulationsangriffe. Die Ähnlichkeitswerte dieser Studie stammten aus einzelnen Experimenten für jedes Videomanipulationsszenario. Jede Art der Manipulation wurde einmal angewendet, um einen repräsentativen Testfall zu erstellen, und deren Ähnlichkeitswerte wurden zur Analyse erfasst. Das Ziel war zu prüfen, wie gut der vorgeschlagene Rahmen urheberrechtsbezogene Änderungen unter verschiedenen realistischen Angriffsbedingungen erkennen kann. Die berichteten Werte zeigen Ergebnisse aus einzelnen Testfällen, nicht Durchschnitte aus wiederholten Studien.
Ähnlichkeitswerte unter Verwendung von vier perceptuellen Hashing-Algorithmen sind in Tabelle 3 aufgeführt. Das vorgeschlagene Modell erreicht unter den meisten inhaltserhaltenden Angriffen einen relativ hohen Grad an Ähnlichkeit, bleibt dabei aber empfindlich gegenüber großen strukturellen Änderungen in den Videos (Tabelle 3).
Leistung unter zeitlichen Transformationen
Zeitliche Transformationen wie Bildeinfügung, Löschung von Bildern, Framesubstitution und Bildratenumwandlung beeinflussen hauptsächlich die zeitliche Kontinuität von Videos, während ihre räumlichen Merkmale nahezu unverändert bleiben. Experimente zeigten, dass Frame-Einfügung und Frame-Substitution mit allen getesteten Fingerprinting-Algorithmen mehr als 80 % Ähnlichkeit erzielten (Abbildung 4). Daher behielten Wahrnehmungsfingerabdrücke die visuellen Merkmale von Videos trotz zeitlicher Veränderungen.
Das Löschen von Frames führte zu einer leichten Verringerung der Ähnlichkeitswerte aufgrund des Fehlens von Informationen in den Frames. Dennoch waren die Fingerabdrücke ähnlich genug, um eine ausreichende Leistung zur Erkennung von Urheberrechtsverletzungen zu gewährleisten. Framerate-Variationen beeinflussten die Ähnlichkeitsmessungen nicht signifikant, da sie in den meisten Testproben Werte über 97 % ergaben. Dies liegt daran, dass Bildratentransformationen die Frame-Features nicht wesentlich verändern.
Einfluss räumlicher und geometrischer Transformationen
Geometrische und räumliche Transformationen wirken sich direkt auf die visuellen Strukturen in Videoframes aus, was die Wahrnehmungs-Hashing-Technik relativ schwierig macht. Lokal manipulierte Bereiche führten nur zu einem leichten Rückgang der Ähnlichkeitswerte, da die visuellen Änderungen lokalisiert waren und den globalen Wahrnehmungshash nicht wesentlich veränderten.
Die Cropping-Operationen führten zu höheren Variationen der Ähnlichkeitswerte aufgrund der Entfernung von Teilen des visuellen Materials. Rotationstransformationen führten zu der größten Verringerung der Ähnlichkeitswerte, mit Werten von etwa 48 % bis 66 % über die Wahrnehmungs-Hash-Techniken hinweg. Das ist verständlich, da die Rotation die räumlichen Strukturen verändert, die eine wichtige Rolle im wahrnehmbaren Hash spielen. Das Skalieren der Bilder hatte kaum Einfluss auf die Ähnlichkeitswerte, da die Werte über 96 % blieben. Abbildung 5 fasst die Ähnlichkeitsergebnisse zusammen, die unter Videorotation erzielt wurden, einschließlich geometrischer Transformationen.
Robustheit gegenüber Kompression, Filterung und Rauschen
Kompression und Transkodierung sind Routinetätigkeiten beim Speichern und Verteilen von Multimedia. Experimentelle Analysen haben gezeigt, dass die Ähnlichkeiten auch nach MPEG-Kompression, Transkodierung und Neukodierung mit verschiedenen Videocodecs konstant über 98 % lagen. Aus den Ergebnissen lässt sich schließen, dass Wahrnehmungsfingerabdrücke trotz Kompressionsfehler und Quantisierungsrauschen den Großteil des visuellen Inhalts behalten. Außerdem wurden Experimente zur Rauschaddition und -filterung durchgeführt. Unabhängig davon, wie laut das Geräusch war, lag die Ähnlichkeit immer zwischen 98 % und 99 %. Zusätzlich führten Gauß-, Median- und Tiefpassfilterung zu minimalen Änderungen der Ähnlichkeit, wodurch die gesamte strukturelle Information des Videos erhalten blieb.
Erkennung komplexer und gegnerischer Modifikationen
Das vorgeschlagene Modell wurde auch untersucht, um Angriffe wie das Hinzufügen von Text oder Aufklebern zu Videobildern, das Zusammenführen von Videoclips und Angriffe zur Modifikation von Absprachen zu identifizieren. Eine solche Änderung dient dazu, die Konsistenz zu wahren, während unautorisierte Änderungen an urheberrechtlich geschütztem Material vorgenommen werden. Das Ergebnis der Ähnlichkeitsanalyse nach dem Hinzufügen von Text zu den Videoframes ist in Abbildung 6 unten dargestellt, während Abbildung 7 die Ergebnisse der Ähnlichkeitsanalyse der zusammengeführten Videoclips darstellt.
Vergleich der Leistung von Wahrnehmungs-Hashing-Algorithmen
Jeder der vier perzeptuellen Hashing-Algorithmen hatte spezifische Eigenschaften, die während experimenteller Tests beobachtet wurden. Perzeptuelles Hashing (pHash) erwies sich als sehr robust gegenüber Kompression, Filterung und Transcoding, blieb jedoch empfindlich gegenüber strukturellen Manipulationen. Wavelet-Hashing (wHash) funktionierte gut unter lokalen Manipulationen, wie dem Hinzufügen von Text oder Objekten.
Differenzhashing (dHash) konnte gradientenbezogene strukturelle Manipulationen erkennen, war jedoch empfindlicher gegenüber Rotation. Das durchschnittliche Hashing (aHash) war stabil, wenn es auf global angewandte Operationen angewandt wurde, die die Gesamtintensität nicht veränderten, war aber weniger stabil, wenn geometrische Manipulationen stattfanden. Insgesamt erzielten pHash und wHash unter den getesteten Algorithmen die besten Ergebnisse.
Leistungsbewertung der Blockchain-Technologie
Neben der Leistung der Inhaltsverifizierung wurden auch die Skalierbarkeit und Leistung des Blockchain-Systems berücksichtigt. Während Experimenten wurde entdeckt, dass die Zeit für den Dateiupload linear mit der Dateigröße und der Netzwerkgröße zunahm, da die Synchronisation zwischen den Peers erforderlich war.
Ähnlich wuchs die Zeit zum Abbauen und Erstellen von Blöcken linear mit der Anzahl der Peers. Dieses Ergebnis wurde vorhergesagt, weil es schwieriger wird, Transaktionen durchzuführen, da die Anzahl der Peers wächst, was mehr Kommunikation erfordert. Die von den Autoren beobachtete Zeit war jedoch realistisch genug für den Anwendungsbereich der Urheberrechtsregistrierung.
Der Zugriff auf Blöcke zeigte keine signifikanten Schwankungen, bis die Netzwerkgröße einen bestimmten Wert überschritt. Die beobachtete Leistung wird ebenfalls durch die hybride Speicherarchitektur beeinflusst. In diesem Setup werden Eigentumsmetadaten, Transaktionsinformationen und wahrnehmungsbezogene Hashwerte auf der Blockchain gespeichert, während CouchDB multimediale Daten verarbeitet. Dies reduziert den Betrag, der dem verteilten Hauptbuch hinzugefügt wird, und hilft, das Wachstum der Blockchain-Speicherung unter Kontrolle zu halten. Obwohl die Autoren keinen konkreten Vergleich mit einem reinen Blockchain-Design durchgeführt haben, zeigen Experimente, dass das System weiterhin gut für die Verarbeitung und Abruf von Transaktionen in verschiedenen Netzwerkkonfigurationen funktioniert. Die Abbildungen 8–11 fassen die Blockchain-Leistungsbewertungen der Forscher über verschiedene Netzwerkkonfigurationen hinweg zusammen.
Insgesamt zeigen die experimentellen Ergebnisse eine effiziente Leistung des vorgeschlagenen Systems, das Wahrnehmungshashing mit Blockchain-Technologie kombiniert. Das vorgeschlagene Framework ist widerstandsfähig gegenüber inhaltsspeichernden Operationen und gleichzeitig empfindlich gegenüber strukturverändernden Angriffen. Zusätzlich kann es Urheberrechte am Hyperledger Fabric-Netzwerk registrieren und überprüfen.
Datenverfügbarkeit:
Die in der vorliegenden Studie verwendeten Daten und Codes wurden in das Zenodo-Repository hochgeladen und können ab: https://doi.org/10.5281/zenodo.20665324. Dazu gehören extrahierte Frame-Datensätze, Wahrnehmungshashes, Hamming-Distanzberechnungen, Blockchain-Benchmarking-Tests, Smart-Contract-Code, Bereitstellungsdateien und weitere Metadaten, die in den Experimenten zur Urheberrechtsregistrierung und -verifizierung verwendet wurden.
Abbildung 1: Vorgeschlagene Architektur des dezentralen Video-Urheberrechtsschutzrahmens. Die Abbildung zeigt die Gesamtstruktur des vorgeschlagenen Frameworks, einschließlich Video-Vorverarbeitung, Erzeugung von Wahrnehmungshashs, Blockchain-Registrierung, Eigentumsverifizierung und CouchDB-Speicherung. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.
Abbildung 2: Vorgeschlagenes Systemmodell für den Workflow zum Schutz und zur Verifizierung von Videourheberrechten. Der Workflow zeigt Videoaufnahme, Frame-Extraktion, Erstellung von Wahrnehmungshashen, Blockchain-Registrierung, Ähnlichkeitsverifikation und Entscheidungsprozesse im Urheberrecht innerhalb des vorgeschlagenen Rahmens. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.
Abbildung 3: Sequenzdiagramm für die Registrierung und Verifizierung von Videourheberrechten. Das Sequenzdiagramm zeigt die Interaktionen zwischen dem Inhaltseigentümer, der Anwendungsschicht, dem Wahrnehmungs-Hashing-Modul, dem Smart Contract, den Peer-Knoten, dem Bestelldienst, dem Blockchain-Hauptbuch und CouchDB während der Urheberrechtsregistrierung und -verifikation. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.
Abbildung 4: Ähnlichkeitsanalyse unter mehreren Frame-Editing-Operationen. Die Abbildung zeigt die kumulative Ähnlichkeitsleistung des vorgeschlagenen Frameworks über mehrere temporale Videomanipulationsszenarien hinweg, einschließlich Frame-Einfügen, Löschen, Ersetzen und Framerate-Modifikation. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.
Abbildung 5: Ähnlichkeitsanalyse unter Videorotation. Die Abbildung zeigt den Einfluss der Videorotation auf Ähnlichkeitswerte. Dies zeigt die Wirksamkeit des vorgeschlagenen Rahmens, selbst wenn die Videos moderat rotiert werden. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.
Abbildung 6: Text zum Video hinzufügen. Dies zeigt die Ähnlichkeitsergebnisse nach dem Einfügen von Text in die Videoframes. Es zeigt die Fähigkeit des vorgeschlagenen Rahmens, Inhaltsänderungen zu erkennen und gleichzeitig das Eigentum zu überprüfen. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.
Abbildung 7: Zusammengeführte Segmente im Video. Dies stellt die Analyse der Videoähnlichkeit dar, die durch das Zusammenführen von Fragmenten aus verschiedenen Quellen erzeugt wird. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.
Abbildung 8: Ausführungszeitanalyse für das Hochladen von Dateien auf CouchDB Off-Chain-Speicher mit unterschiedlicher Anzahl von Peers. Diese Abbildung zeigt die Zeit, die das vorgeschlagene Framework benötigt, um Videometadaten für verschiedene Dateigrößen und Netzwerkkonfigurationen in Off-Chain-Speicher hochzuladen. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.
Abbildung 9: Ausführungszeitanalyse in Sekunden für Blockmining für verschiedene Dateigrößen mit unterschiedlicher Anzahl von Peers im Blockchain-Netzwerk. Diese Abbildung zeigt die Leistung einer Blockmining-Operation im Hyperledger-Fabric-Netzwerk über verschiedene Netzwerkkonfigurationen hinweg. Dieses Experiment zeigt die Auswirkungen von Dateigröße und Peer-Node-Konfiguration auf die Systemleistung. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.
Abbildung 10: Ausführungszeitanalyse in Sekunden für Blockerstellung für verschiedene Dateigrößen mit unterschiedlicher Anzahl von Peers im Blockchain-Netzwerk. Die untenstehende Abbildung zeigt die Zeit, die benötigt wird, um einen Block im Netzwerk unter verschiedenen Netzwerkkonfigurationen zu erstellen. Dies hilft, die operativen Fähigkeiten und Skalierbarkeit des Frameworks zu analysieren. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.
Abbildung 11: Ausführungszeitanalyse in Sekunden für Blockzugriff für verschiedene Dateigrößen mit unterschiedlicher Anzahl von Peers im Blockchain-Netzwerk. Diese Abbildung zeigt die Zeit, die benötigt wird, um Informationen aus dem Blockchain-System für verschiedene Dateigrößen und Peer-Node-Konfigurationen abzurufen. Dies zeigt, dass der vorgeschlagene Rahmen effektiv zur Urheberrechtsvalidierung und Eigentumswiederherstellung genutzt werden kann. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.
| S. Nein. | Autor(en) | Anwendung | Blockchain | Sicherheit | Schutz | Skalierbarkeit | Urheberrechtsschutz | Off-Chain-Lagerung | Integrität | Dezentralisiert |
| 1 | Liu et al.13 | Digitaler Urheberrechtsschutz mittels Blockchain-Technologie | ✓ | ✓ | ✗ | ✓ | ✓ | ✓ | ✗ | ✓ |
| 2 | Zheng et al.12 | Blockchain-basierter Video-Urheberrechtsschutz mit Wassermarkierung | ✓ | ✓ | ✓ | ✗ | ✓ | ✓ | ✓ | ✓ |
| 3 | Qureshi et al.11 | Multimedia-Urheberrechtsmanagement-Rahmenwerk | ✓ | ✓ | ✗ | ✗ | ✓ | ✓ | ✗ | ✓ |
| 4 | Darwish et al.9 | Video-Wasserzeichen und Urheberrechtsprüfung | ✓ | ✓ | ✓ | ✗ | ✓ | ✓ | ✓ | ✓ |
| 5 | Li et al.7 | Dezentrales System zur Verwaltung des Musikurheberrechts | ✓ | ✓ | ✗ | ✗ | ✓ | ✓ | ✗ | ✓ |
| 6 | Pandian et al.10 | Blockchain-basierte Videointegritätsverifizierung | ✓ | ✓ | ✗ | ✗ | ✓ | ✗ | ✓ | ✓ |
| 7 | Guo J et al.6 | Digitales Rechtemanagement für multimediale Ressourcen der Online-Bildung | ✓ | ✗ | ✗ | ✗ | ✓ | ✓ | ✗ | ✓ |
| 8 | Moolikagedara et al.14 | Blockchain-basiertes Eigentums- und Rückverfolgbarkeitssystem | ✓ | ✓ | ✗ | ✗ | ✓ | ✓ | ✗ | ✓ |
| 9 | Madapati und Pradhan5 | Ein auf Ethereum basierendes Video-Urheberrechtsschutz-Framework | ✓ | ✓ | ✗ | ✓ | ✓ | ✓ | ✓ | ✓ |
| 10 | Frattolillo et al.8 | Digitaler Urheberrechtsschutz mit Smart-Contract-Effekten | ✓ | ✓ | ✗ | ✓ | ✓ | ✓ | ✗ | ✓ |
| 11 | Vorgeschlagener Rahmen | Video-Urheberrechtsschutz durch Hyperledger Fabric unter Verwendung mehrerer Wahrnehmungs-Hashes (aHash, dHash, pHash und wHash) | ✓ | ✓ | ✓ | ✓ | ✓ | ✓ | ✓ | ✓ |
Tabelle 1: Vergleich bestehender blockchain-basierter Urheberrechtsschutzsysteme. Die Tabelle vergleicht aktuelle blockchain-basierte Methoden zum Schutz des Urheberrechts mit dem vorgeschlagenen Rahmenwerk, darunter Blockchain-Nutzung, Smart Contracts, Wahrnehmungshashing, Skalierbarkeit, Urheberrechtsschutz, Eigentumssicherheit, Integritätsprüfungen und Dezentralisierung.
| Parameter | Konfiguration |
| Blockchain-Plattform | Hyperledger Fabric 2.4.8 |
| Netzwerktyp | Permissionierte Blockchain |
| Anzahl der Organisationen | 2 |
| Anzahl der Peer-Knoten | 2 |
| Anzahl der Orderer-Knoten | 2 |
| Zertifizierungsstellen | 2 |
| Kommunikationskanal | AutoChannel |
| Name des Smart Contracts | vitChain |
| Smart-Contract-Sprache | Los. |
| Staatliche Datenbank | CouchDB |
| Bereitstellungswerkzeug | Minifab |
| Containerplattform | Docker |
| Konsensmechanismus | Floßbestelldienst |
| Metadatenspeicherung | CouchDB |
| Eigentumslagerung | Blockchain-Hauptbuch |
Tabelle 2: Konfigurationsparameter der Hyperledger-Fabric-Deployment. Die Tabelle listet die Bereitstellungskonfigurationsdetails des Hyperledger Fabric Blockchain-Netzwerks auf, einschließlich der Organisation, der Peers, des Bestelldienstes, der Zertifizierungsstelle, des Kommunikationskanals, des Konsensmechanismus, der Smart Contracts und der für Experimente verwendeten Speicher.
| S.No | Videoangriff | pHash (%) | wHash (%) | dHash (%) | aHash (%) |
| 1 | Frame-Insertion-Angriff | 82.81 | 84.33 | 81.31 | 86.42 |
| 2 | Frame-Löschangriff (Spalt links) | 82.69 | 81.78 | 80.17 | 81.07 |
| 3 | Frame Deletion Attack (Platz entfernt) | 75.37 | 78.68 | 76.19 | 79.69 |
| 4 | Frame-Ersatzangriff | 84.86 | 82.6 | 84.19 | 81.07 |
| 5 | Regionmanipulationsangriff | 99.4 | 98.59 | 99.46 | 99.76 |
| 6 | MPEG-Kompressionsangriff | 99.64 | 99.61 | 99.1 | 99.64 |
| 7 | Lärmzusatz-Angriff (25 %) | 99.52 | 99.58 | 98.8 | 99.7 |
| 8 | Lärmadditionsangriff (50 %) | 99.64 | 99.4 | 98.68 | 99.52 |
| 9 | Lärmzusatzangriff (75 %) | 99.52 | 99.31 | 98.14 | 99.22 |
| 10 | Cropping-Angriff | 69.71 | 54.81 | 69.11 | 57.27 |
| 11 | Rotationsangriff (30°) | 54.21 | 60.61 | 57.09 | 65.56 |
| 12 | Rotationsangriff (60°) | 48.56 | 53.97 | 51.38 | 57.57 |
| 13 | Skalierender Angriff | 98.56 | 99.28 | 96.81 | 97.48 |
| 14 | Übersetzung + Flipping (links–rechts) | 52.88 | 63.46 | 51.2 | 68.63 |
| 15 | Übersetzung + Umdrehen (Hoch–Runter) | 50 | 45.34 | 60.7 | 42.73 |
| 16 | Medianfilterung (25) | 98.92 | 99.1 | 98.02 | 99.7 |
| 17 | Medianfilterung (50) | 98.08 | 98.17 | 97.3 | 99.28 |
| 18 | Tiefpassfilterung | 97.84 | 99.13 | 96.03 | 96.63 |
| 19 | Gaußsche Unschärfe (σ = 5) | 99.76 | 98.68 | 98.68 | 99.76 |
| 20 | Gaußsche Unschärfe (σ = 10) | 99.76 | 97.6 | 97.78 | 99.4 |
| 21 | Neuaufnahme (Camcorder) Angriff | 98.68 | 98.83 | 91.95 | 93.51 |
| 22 | Formatkonvertierung (MPEG-4 Encoder) | 99.16 | 99.19 | 98.14 | 99.4 |
| 23 | Formatkonvertierung (H.264 QSV-Encoder) | 99.76 | 99.79 | 99.1 | 99.82 |
| 24 | Formatkonvertierung (Libvpx-VP9-Encoder) | 99.76 | 99.7 | 99.04 | 99.76 |
| 25 | Zeitlicher Angriff (15 fps) | 97.48 | 98.26 | 98.02 | 99.4 |
| 26 | Zeitlicher Angriff (24 fps) | 99.16 | 99.16 | 98.38 | 99.82 |
| 27 | Kollusionsangriff | 99.76 | 99.28 | 98.74 | 99.58 |
| 28 | Transkodierungsangriff | 99.76 | 99.7 | 99.04 | 99.76 |
| 29 | Bitrate-Änderungsangriff | 99.52 | 99.7 | 99.4 | 99.76 |
Tabelle 3: Ähnlichkeitsanalyse zwischen Original- und modifizierten Videos unter unterschiedlichen Angriffen. Die Tabelle veranschaulicht die Ähnlichkeitswerte, die durch verschiedene Wahrnehmungs-Hashing-Techniken unter verschiedenen Videomanipulationen erzeugt werden, darunter Frame-Einfügung, Löschung, Ersetzen, Rotation, Kompression, Skalierung, Rauschzufügung, Textergänzung und Videozusammenführung.
Diskussion
Wie das vorgeschlagene Framework zeigt, kann die Integration von Blockchain mit Wahrnehmungs-Hashing Videos effektiv vor Urheberrechtsverletzungen auf dezentrale Weise schützen. Erstens erfüllt sie durch die Kombination der unveränderlichen Eigentumsregistrierung und Wahrnehmungshashing beide Hauptbedingungen von Urheberrechtsmanagementsystemen: sichere Eigentumsregistrierung und Identifikation urheberrechtlich geschützter Materialien. Zweitens ermöglicht die Nutzung von Hyperledger Fabric Zugriffskontrolle, transparente Transaktionsabwicklung und manipulationssichere Datensatzverwaltung.
Eine Vielzahl von Wahrnehmungs-Hashfunktionen bietet zusätzliche Vorteile, da sie Erkennungstypen ermöglichen, die mit einer einzigen Wahrnehmungs-Hashfunktion nicht möglich sind. AHash erkennt globale Intensitätseigenschaften und ist weniger rechenintensiv als dHash, das sich stärker auf lokale Gradientenänderungen und strukturelle Variationen konzentriert. PHash hingegen verwendet Frequenzdomäneninformationen und ist robuster gegenüber Kompressions- und Filteroperationen, während wHash gut darin ist, lokalisierte Änderungen wie das Hinzufügen von Text oder Aufklebern zu erkennen. Daher macht die Kombination all dieser Hashfunktionen es sehr unwahrscheinlich, dass sie aufgrund der Einschränkungen jeder einzelnen Hashfunktion nicht erkannt wird. Experimentelle Ergebnisse zeigen, dass die Empfindlichkeit gegenüber verschiedenen Arten von Modifikationen zwischen den Algorithmen variiert, was die Nützlichkeit der Anwendung des Multi-Hash-Konzepts auf Videomanipulationserkennung demonstriert.
Der Einsatz von Hyperledger Fabric und CouchDB reduziert die auf der Blockchain gespeicherte Datenmenge und macht das Metadatenmanagement deutlich effizienter. Tests zeigen, dass das Framework in der Praxis gut funktioniert, aber wir müssen dennoch einen robusten quantitativen Vergleich zwischen hybriden und vollständig On-Chain-Speichersystemen durchführen. Dies sollte in zukünftigen Studien untersucht werden.
Während sich die meisten anderen Blockchain-Urheberrechtslösungen ausschließlich auf die Registrierung des Urheberrechts konzentrieren, umfasst der eingeführte Ansatz sowohl die Eigentums- als auch die Validierung auf Inhaltsebene. Solche Funktionen können in der Praxis sehr nützlich sein, um Urheberrechtsfragen zu lösen, da bloße Eigentumsunterlagen nicht ausreichen, um festzustellen, ob ein bearbeitetes oder weiterverbreitetes Video mit dem urheberrechtlich geschützten Material zusammenhängt.
Dennoch gibt es einige Einschränkungen. Der Test wurde auf Videos mit bestimmten Merkmalen und unter bestimmten Bedingungen durchgeführt. Darüber hinaus bleiben geometrische Manipulationen, wie Rotation, problematisch für die Verifikation von Medien mittels Wahrnehmungs-Hashing. In Zukunft wird erwartet, dass das System mit zusätzlichen Multimedia-Datensätzen getestet wird und die Möglichkeit untersucht wird, Fingerabdrücke rotationsinvariant zu machen und künstliche Intelligenz-Algorithmen zu nutzen, um Urheberrechtsverletzungen automatisch zu identifizieren.
Audit-Logging und Urheberrechtsüberwachung wurden als architektonische Bestandteile des vorgeschlagenen Rahmens integriert. Ihre Wirksamkeit wurde jedoch in der vorliegenden Studie nicht unabhängig bewertet. Zukünftige Forschungen werden ihre Rolle bei der Streitbeilegung, Anomalieerkennung und automatisierter Urheberrechtsüberwachung in groß angelegten Multimedia-Umgebungen untersuchen.
Diese Studie präsentierte einen dezentralen Rahmen für den Schutz des Videourheberrechts, der die Hyperledger-Fabric-Blockchain-Technologie mit mehreren Wahrnehmungs-Hashing-Techniken integriert, um sichere Eigentumsregistrierung und inhaltsbasierte Urheberrechtsüberprüfung zu unterstützen. Das vorgeschlagene Framework kombiniert aHash-, dHash-, pHash- und wHash-Algorithmen mit Smart-Contract-fähigen Blockchain-Diensten, um ein transparentes, manipulationssicheres und überprüfbares Urheberrechtsmanagementsystem zu schaffen.
Experimentelle Evaluation zeigte, dass das Rahmenwerk die Urheberrechtsprüfung unter einer Vielzahl zeitlicher, räumlicher und kompressionsbasierter Videomodifikationen effektiv unterstützt. Der Einsatz mehrerer perceptueller Hashing-Techniken verbesserte die Robustheit gegenüber gängigen Multimedia-Verarbeitungsoperationen und behielt gleichzeitig die Fähigkeit aufrecht, unautorisierte Inhaltsänderungen zu erkennen. Zusätzlich bot die Integration von Hyperledger Fabric und CouchDB eine hybride Speicherarchitektur, die Datenintegrität und Rückverfolgbarkeit bewahrte und gleichzeitig ein effizientes Metadatenmanagement ermöglichte.
Aus diesen Ergebnissen geht hervor, dass das vorgeschlagene System die Prinzipien dezentraler Verwaltung und Authentifizierung auf Inhaltsebene effektiv vereint und damit einige der Schwächen klassischer zentralisierter Urheberrechtsschutzsysteme überwindet. Darüber hinaus bietet das präsentierte System transparente Prüfbarkeit, unveränderliches Eigentum und Verifikationsprozesse basierend auf Inhaltsähnlichkeit.
Abschließend zeigt die Forschung, dass die Integration von Blockchain und Perceptual Hashing Lösungen für den Schutz von Video-Urheberrechten der nächsten Generation bieten könnte. Zukünftige Forschungen werden eine umfassendere Bewertung der Leistung des vorgeschlagenen Rahmens auf größeren, vielfältigeren Videodatenbanken sowie die Entwicklung fortschrittlicher Fingerabdruckmechanismen umfassen.
Offenlegungen
Die Autoren haben keine Interessenkonflikte zu erklären.
Danksagungen
Die Autoren möchten der VIT-AP University in Amaravati, Indien, danken für die Bereitstellung der Rechenleistungen und Forschungsunterstützung, die für die Durchführung dieser Studie erforderlich sind. Die Autoren erkennen auch die Unterstützung an, die vom Department of Computer Science and Engineering während der Entwicklung und Bewertung des vorgeschlagenen Rahmens erhalten wurde.
Materialien
| Name | Unternehmen | Katalognummer | Kommentare |
|---|---|---|---|
| CouchDB | Apache Software Foundation | https://couchdb.apache.org | NoSQL database used for off-chain storage of video metadata and multimedia content. |
| Docker | Docker Inc. | https://www.docker.com | Containerization platform used to deploy blockchain nodes, CouchDB instances, and supporting services. |
| FFmpeg | FFmpeg Developers | https://ffmpeg.org | Multimedia processing framework used for video decoding, frame extraction, and preprocessing. |
| Go Programming Language | Google LLC | Version 1.20+; https://go.dev | Programming language used to develop the vitChain smart contract (chaincode). |
| Google Drive | Google LLC | https://drive.google.com | Storage platform used for hosting and retrieving experimental video datasets. |
| Hyperledger Fabric | Hyperledger Foundation | Version 2.4.8; https://hyperledger-fabric.readthedocs.io | Permissioned blockchain platform used for decentralized copyright registration, transaction validation, and ledger management. |
| ImageHash Library | Loupax | https://github.com/loupax/imagehash | Library used to generate perceptual hash values for video-frame authentication. |
| Minifab | IBM / Hyperledger Community | https://github.com/hyperledger-labs/minifab | Lightweight deployment and orchestration tool used to configure and manage the Hyperledger Fabric network. |
| Ubuntu Linux | Canonical Ltd. | Ubuntu 22.04 LTS | Operating system used for blockchain deployment and experimental evaluation. |
| Visual Studio Code | Microsoft Corporation | https://code.visualstudio.com | Integrated development environment used for source code development and debugging. |
Referenzen
- Hou Z, et al. Zero-watermark method based on multi-channel PCNN and blockchain for remote sensing image transaction certificate and copyright protection. IEEE Transactions on Geoscience and Remote Sensing. 2025 Jun 2.
- Zhang T. TMRB: Trusted Multimedia Scheme With Redactable Blockchain. IEEE Transactions on Consumer Electronics. 2025 Feb 17.
- Sathyabama AR, Katiravan J. BlockImage: A Secure Framework for Image Authentication and Provenance using AI and Blockchain. Journal of Innovative Image Processing. 2025 Mar;7(1):28-49.
- Gao J, Zhang X, Moshayedi AJ, Zhong S. Research on data storage and sharing of intelligent video surveillance in steel plants based on blockchain: J. Gao et al. The Journal of Supercomputing. 2025 May 30;81(8):931.
- Madapati SL, Pradhan NR. Decentralizing video copyright protection: a novel blockchain-enabled framework with performance evaluation. Frontiers in Artificial Intelligence. 2025 Aug 18;8:1655709.
- Guo J, et al. Blockchain-enabled digital rights management for multimedia resources of online education. Multimedia Tools and Applications. 2020 Apr;79(15):9735-55.
- Li Y, et al. A decentralized music copyright operation management system based on blockchain technology. Procedia Computer Science. 2021 Jan 1;187:458-63.
- Frattolillo F. Blockchain and smart contracts for digital copyright protection. Future Internet. 2024 May 14;16(5):169.
- Darwish SM, Abu-Deif MM, Elkaffas SM. Blockchain for video watermarking: An enhanced copyright protection approach for video forensics based on perceptual hash function. PloS one. 2024 Oct 22;19(10):e0308451.
- Pandian PS, et al. Blockchain-Assisted Video Integrity Verification Using ResNeXt and LSTM-Based Deepfake Detection. International Journal of Basic and Applied Sciences. 2025;14:802-7.
- Qureshi A, Megias Jimenez D. Blockchain-based multimedia content protection: Review and open challenges. Applied Sciences. 2020 Dec 22;11(1):1.
- Zheng J, et al. A novel video copyright protection scheme based on blockchain and double watermarking. Security and communication networks. 2021;2021(1):6493306.
- Liu Y, Zhang J, Wu S, Pathan MS. Research on digital copyright protection based on the hyperledger fabric blockchain network technology. PeerJ Computer Science. 2021 Sep 17;7:e709.
- Moolikagedara K, Nguyen M, Yan WQ, Li XJ. Video Blockchain: A decentralized approach for secure and sustainable networks with distributed video footage from vehicle-mounted cameras in smart cities. Electronics. 2023 Aug 27;12(17):3621.
- Riaz A, et al. S2H-securing smart homes: A blockchain-based preservation approach. Internet of Things. 2025 Mar 1;30:101523.
- Adeniyi JK, et al. A blockchain-based smart healthcare system for data protection. IScience. 2025 Apr 18;28(4).
- Alamsyah A, Setiawan IP. Enhancing privacy and traceability of public health insurance claim system using blockchain technology. Frontiers in Blockchain. 2025 Feb 11;8:1474434.
- Xu S, Yang X, Xie Z. The future of misinformation control: integrating advanced algorithms and Blockchain for effective Deepfake detection. Peer-to-Peer Networking and Applications. 2025 Jul;18(4):244.
- Asaithambi S, et al. A secure and trustworthy blockchain-assisted edge computing architecture for industrial internet of things. Scientific Reports. 2025 May 2;15(1):15410.
- AbdElkareem N, Selim, M. & Shalaby, A. Blockchain-Based Computationally Efficient Procedure for Multimedia Security Utilizing Bit Plane Slicing and Wavelet Transform. Arab J Sci Eng 50, 19135–19151 (2025).
- Abreu H, Pereira V, Barata J. Blockchain-based digital product passport: design principles and demonstration. International Journal of Production Research. 2025 Aug 18;63(16):5863-82.
- Sychowiec J, Zieliński Z. A Blockchain-Based Framework for Secure Data Stream Dissemination in Federated IoT Environments. Electronics. 2025 May 20;14(10):2067.
- Zhao K, Bao Z, Zhang Y, Lei H. BECAAC: A blockchain and edge computing-assisted access control scheme for medical data sharing. IEEE Internet of Things Journal. 2025 Jun 5.
- Ilyas B, Kumar A, Ali SM, Lei H. Blockchain-enabled IoT access control model for sharing electronic healthcare data. Multimedia Tools and Applications. 2025 Mar;84(10):8127-48.
- Rani D, et al. A secure digital evidence preservation system for an iot-enabled smart environment using ipfs, blockchain, and smart contracts. Peer-to-Peer Networking and Applications. 2025 Mar;18(2):5.
- Ahmed O, Kamabe H. Proposing blockchain based framework to mitigate VUCA realm problems for automobile life cycle. Frontiers in Blockchain. 2025 Jun 27;8:1607271.
- Dutta J, Barman S. Smart contract and blockchain-based secured approach for storing and sharing electronic health records. Multimedia Tools and Applications. 2025 May;84(16):16883-907.
- Diba BS, et al. From centralization to decentralization: Blockchain’s role in transforming social media platforms. IEEE Access. 2025 Apr 16.
- Kulkarni MD, Awate A, Shahade M, Nandwalkar B. ExamGuard: Smart contracts for secure online test. Information Systems. 2025 Feb 1;128:102485.
- Ohize HO, et al. Blockchain for securing electronic voting systems: a survey of architectures, trends, solutions, and challenges. Cluster Computing. 2025 Apr;28(2):132.
- Xiong R, et al. Leveraging consortium blockchain for secure cross-domain data sharing in supply chain networks. IEEE Transactions on Services Computing. 2025 Feb 20.
Nachdrucke und Genehmigungen
Genehmigung beantragen, um den Text oder die Abbildungen dieses JoVE-Artikels zu verwenden
Genehmigung beantragen