Cette étude présente un cadre décentralisé pour la protection du droit d’auteur vidéo qui intègre la blockchain privée, les contrats intelligents et les techniques de hachage perceptuel. L’objectif est de permettre l’enregistrement sécurisé de la propriété, une gestion immuable des enregistrements et une vérification efficace basée sur la similarité du contenu vidéo dans des environnements distribués.
Article de recherche
Une approche décentralisée de la protection du droit d’auteur vidéo utilisant une blockchain privée et le hachage perceptuel
Dans cet article
Résumé
Résumé
La popularité croissante du partage de contenu vidéo sur Internet a suscité des inquiétudes concernant les violations du droit d’auteur, le piratage et les litiges de propriété. Les méthodes centralisées traditionnelles pour gérer le droit d’auteur sont confrontées à des problèmes de transparence, à la susceptibilité à la manipulation et à la dépendance à des tiers de confiance. Ainsi, cette étude présente un système décentralisé de protection du droit d’auteur vidéo basé sur Hyperledger Fabric, les contrats intelligents et le hachage perceptuel. Tout d’abord, les images issues des vidéos sont extraites, et les empreintes perceptuelles sont créées en utilisant les algorithmes de hachage moyen (aHash), hachage de différence (dHash), hachage perceptuel (pHash) et hachage wavelet (wHash). Les hachages et les informations de propriété sont stockés sur la blockchain, tandis que les actifs multimédias sont conservés en dehors du registre. Les vérifications de droits d’auteur sont effectuées à l’aide de comparaisons de similarité au niveau des images basées sur la distance de Hamming. Le cadre proposé a été testé lors de diverses manipulations temporelles, spatiales et compressives, incluant l’insertion de cadre, la suppression, le recadrage, le redimensionnement, la rotation, le filtrage et le transcodage. Les expériences ont montré une grande robustesse face à ces changements tout en détectant simultanément des modifications non autorisées. Par conséquent, cette technologie peut offrir une solution pratique aux problèmes de droits d’auteur grâce à un cadre blockchain décentralisé.
Introduction
Les avancées des technologies multimédias numériques ont changé la manière dont les vidéos sont produites, distribuées et consommées. Le streaming vidéo, les réseaux sociaux et les systèmes de partage de contenu basés sur Internet permettent une distribution rapide et facile des vidéos à des audiences du monde entier. Si les avancées technologiques permettent plus de possibilités créatives dans la production de contenu vidéo numérique et la croissance des entreprises en ligne, ces mêmes avancées ont facilité la rencontre des violations du droit d’auteur, du piratage et des problèmes de propriété1. Les vidéos peuvent facilement être copiées, montées, re-encodées et redistribuées, rendant la protection de la propriété intellectuelle de plus en plus difficile dans le monde multimédia actuel 2,3.
En général, les systèmes actuels de gestion des droits d’auteur dépendent d’une autorité centrale chargée d’enregistrer le contenu, de valider la propriété, de gérer les accords de licence et de gérer les litiges. Bien qu’ils soient largement adoptés, ces systèmes de gestion sont sujets à plusieurs limitations importantes4. Premièrement, la centralisation expose les systèmes de gestion du droit d’auteur à des cyberattaques potentielles, à la manipulation de données et aux interruptions. De plus, la propriété du droit d’auteur est conservée par des tiers de confiance, ce qui peut ne pas être entièrement souhaitable en termes d’audit et de maintien de la fiabilité à long terme de cesinformations 5. Une augmentation du contenu multimédia numérique rend les processus de vérification conventionnels moins efficaces, car ils prennent trop de temps et deviennent peu pratiques6.
La technologie blockchain semble être l’une des solutions capables de résoudre les problèmes de confiance et de transparence dans l’environnementdistribué 7. En utilisant des registres immuables via la cryptographie et des mécanismes de consensus, la blockchain permet une tenue sécurisée des registres sans qu’une autorité centrale contrôle le processus. Dès que les enregistrements sont ajoutés à la blockchain, ils deviennent immuables et immuables, offrant ainsi des niveaux plus élevés de traçabilité et de responsabilité8. C’est pourquoi de nombreux efforts ont été faits pour étudier les applications blockchain dans des domaines tels que le DRM, la propriété intellectuelle et l’assurance de la propriété multimédia9. Parmi les plateformes blockchain existantes, Hyperledger Fabric a reçu une attention particulière pour ses fonctionnalités, notamment une architecture autorisée, une structure modulaire, la prise en charge des contrats intelligents, la confidentialité et un traitement rapide. Contrairement aux chaînes publiques, l’architecture autorisée d’Hyperledger Fabric le rend idéal pour les systèmes de protection du droitd’auteur 10.
Cependant, il existe certaines limites à utiliser une blockchain comme seul moyen d’identifier le statut de droit d’auteur du contenumultimédia 11. Premièrement, les fonctions de hachage cryptographiques traditionnelles (par exemple, SHA-256) produisent des résultats de hachage complètement différents même lorsque des modifications mineures sont apportées à une vidéo12. Bien que ce soit une caractéristique souhaitable à des fins cryptographiques, elle entrave la reconnaissance visuelle de versions similaires ou modifiées de contenus multimédias protégés par le droit d’auteur. Ainsi, la vérification multimédia du droit d’auteur doit être basée sur des algorithmes sensibles au contenu capables de détecter des similarités perceptuelles dans les images ouvidéos 13.
L’une des méthodes les plus prometteuses pour résoudre le problème du droit d’auteur dans les contenus multimédias est d’utiliser le hachageperceptuel 14. Contrairement au hachage cryptographique, le hachage perceptuel produit des empreintes digitales qui codent les propriétés visuelles de l’image ou de la tramevidéo 15. Ainsi, même si le fichier a été modifié via les processus habituels (compression, filtrage, remise à l’échelle, ajout de bruit, etc.), le hachage reste relativementinchangé 16. Il existe actuellement quatre types de hachages perceptuels : hachage moyen, hachage différentiel, hachage perceptuel et hachagewavelet 17,18.
De nombreuses études ont été menées sur l’utilisation de la technologie blockchain en lien avec les techniques de protection du droit d’auteur pour les donnéesmultimédias 19. Des travaux précédents ont utilisé la technologie blockchain pour l’enregistrement des propriétaires, le filigranage numérique, le stockage distribué et la gestion des preuves, la gestion décentralisée des droits et le stockage sécurisé de contenusmultimédias 20. Le Hyperledger Fabric a été exploité dans des travaux antérieurs pour permettre l’enregistrement des droits d’auteur, la gestion des droits et l’audit des transactions via des contrats intelligents et des protocoles de consensusautorisés 21,22. De même, des approches de hachage perceptif et de filigranage ont été proposées pour détecter le contenu multimédia dupliqué et manipulé. Malgré ces travaux prometteurs pour permettre la gestion des droits d’auteur grâce à la technologie blockchain, quelques lacunes subsistentencore 23,24. Premièrement, de nombreux cadres précédents concernaient principalement l’enregistrement de la propriété mais manquaient de capacité à vérifier le contenu. Deuxièmement, de nombreuses œuvres ont reposé sur une seule approche de hachage ou de filigranage, ce qui les rend plus vulnérables aux attaques de manipulation vidéo25,26. Le tableau 1 montre que les systèmes existants supportent généralement l’enregistrement de la propriété mais combinent rarement une gestion décentralisée de la propriété avec une vérification de contenu multi-hachage.
Avec les avancées de la technologie de montage vidéo, il est plus nécessaire de vérifier efficacement la propriété vidéo pour prévenir la violation du droitd’auteur 27. La technologie actuelle propose plusieurs méthodes pour manipuler temporairement les vidéos en ajoutant, supprimant, remplaçant et modifiant le taux d’images. De même, les options de manipulation spatiale incluent le redimensionnement des images, la mise à l’échelle, le filtrage, la compression, le transcodage et les modifications géométriques desvidéos 28. Ces manipulations rendent difficile l’identification des titulaires de droits d’auteur, même si elles ne modifient pas l’apparence de la vidéo. Un système efficace doit être capable de différencieravec intégrité entre manipulation permise, propriété et violation du droit d’auteur.
Pour relever le défi d’une gestion efficace du droit d’auteur vidéo, cet article propose un modèle décentralisé qui exploite Hyperledger Fabric, les smart contracts et le hachage perceptuel. Le cadre proposé générera des empreintes digitales perceptuelles en utilisant des techniques de hachage, extrayant les images vidéo30,31. Quatre techniques de hachage différentes, à savoir aHash, dHash, pHash et wHash, seront employées pour générer des empreintes digitales perceptuelles. Les informations de propriété, l’horodatage et les hachages sont enregistrés sur le registre basé sur la blockchain autorisé. Pour améliorer la scalabilité, CouchDB est utilisé conjointement avec la blockchain pour stocker du contenu multimédia hors chaîne.
Le cadre proposé utilise l’analyse de distance Hamming pour valider la similarité au niveau de l’image et détecter les modifications, duplications ou l’utilisation illégale de vidéos. En combinant plusieurs techniques de hachage perceptuel avec une audibilité basée sur la blockchain, la solution permet à la fois une authentification au niveau du contenu et une gestion de la propriété inviolable. Contrairement aux systèmes précédents, qui reposent sur une seule méthode de vérification, le cadre proposé utilise plusieurs descripteurs perceptuels pour résister à une gamme de manipulations vidéo temporelles, spatiales et compressives.
Voici les principales contributions présentées dans les travaux de recherche : (1) Une approche de décentralisation pour le processus sécurisé d’enregistrement et de vérification du droit d’auteur pour les vidéos utilisant le cadre Hyperledger Fabric ; (2) Plusieurs algorithmes de hachage perceptuel, tels que aHash, dHash, pHash et wHash, sont utilisés pour créer plusieurs empreintes vidéo capables de reconnaître des vidéos similaires même après modification ; (3) Un modèle de base de données distribuée utilisant à la fois Hyperledger Fabric et CouchDB est développé pour résoudre les problèmes de scalabilité sans compromettre l’intégrité et la traçabilité des données ; (4) Un processus de vérification complet impliquant le calcul de la distance de Hamming est formulé pour déterminer la manipulation des vidéos par rapport aux images et pixels ; (5) Des expériences sont menées pour démontrer la capacité de la méthode proposée à détecter des vidéos modifiées.
Ainsi, en intégrant la propriété basée sur la blockchain et plusieurs algorithmes de hachage, le cadre proposé offre une approche réalisable pour la protection décentralisée du droit d’auteur vidéo.
Protocole
Cette étude n’a pas impliqué de participants humains, de sujets humains, d’animaux ou d’échantillons cliniques. Par conséquent, l’approbation éthique institutionnelle et le consentement éclairé n’étaient pas requis.
Matériaux et logiciels
L’environnement utilisé pour déployer le framework était Hyperledger Fabric version 2.4.8, CouchDB, Docker Containers, le déploiement Minifab, les applications de traitement multimédia FFmpeg et le langage de programmation Go. Hyperledger Fabric fournissait des services de gestion décentralisée du registre et d’exécution de contrats intelligents, tandis que CouchDB stockait et récupérait efficacement les informations sur le droit d’auteur via un stockage hors chaîne. FFmpeg était utilisé pour le prétraitement des vidéos et l’extraction des images vidéo, tandis que des algorithmes de hachage perceptuel étaient appliqués via des bibliothèques de hachage d’images dans le langage de programmation Go. Une liste de tous les outils et de leurs descriptions respectives est illustrée dans le Tableau des Matériaux.
Architecture du cadre
Le cadre proposé utilise des algorithmes de hachage perceptuel au sein du Hyperledger Fabric de la blockchain autorisée afin de permettre une approche décentralisée de la protection du droit d’auteur vidéo et de la validation de la propriété. Le cadre se compose de cinq composantes principales : le prétraitement vidéo, la génération perceptuelle de hachages, l’enregistrement des droits d’auteur basé sur la blockchain, et la vérification basée sur la similarité. Dans ce cadre, Hyperledger Fabric sert de couche de confiance, fournissant des enregistrements de propriété immuables, tandis que CouchDB fournit un stockage hors chaîne. L’architecture globale du cadre proposé est illustrée à la Figure 1.
Modèle du système de vérification du droit d’auteur
Un flux de travail détaillé du système étudié est présenté à la Figure 2. Cela commence par l’acquisition vidéo, suivie d’une extraction d’images à intervalles réguliers à l’aide de FFmpeg. Les trames extraites sont traitées dans l’environnement d’implémentation Hyperledger Fabric, qui inclut des actions telles que l’enregistrement de la propriété, l’administration des certificats, la communication entre pairs et la validation des transactions. Le hachage perceptuel est appliqué aux images extraites, suivi d’un calcul de distance de Hamming pour évaluer le degré de similarité. Si la distance de Hamming est inférieure au seuil, la trame est considérée comme authentique et similaire au contenu enregistré ; sinon, il est considéré comme du contenu modifié.
Acquisition vidéo, prétraitement et création de hachage perceptuel
Les échantillons vidéo utilisés dans l’expérience étaient des fichiers MP4 à la résolution 480p, d’une durée moyenne d’environ 26 secondes. Le jeu de données d’évaluation comprenait 15 échantillons vidéo, incluant une vidéo de référence originale et plusieurs versions modifiées. Ces modifications comprenaient des tâches d’édition courantes telles que modifier le taux d’images, insérer, supprimer ou remplacer des images, et appliquer des distorsions telles que le recadrage, l’échelle, la rotation et les effets de superposition. Le jeu de données comprenait également des ajouts de compression, de bruit, de texte et d’autocollants, des effets de glitch, et bien plus encore. Toutes les vidéos étaient au format MP4 en résolution 480p et subissaient les mêmes étapes de prétraitement et de génération d’empreintes digitales. Conçu pour tester la résilience du système, ce jeu de données couvre un large éventail de scénarios réels impliquant violation et manipulation. Avant d’être soumis à la détection et à la confirmation des droits d’auteur, les fichiers vidéo subissaient un prétraitement dans FFmpeg. Les images des fichiers vidéo étaient extraites à intervalles d’une seconde pour obtenir des résumés condensés sous forme de contenu visuel qui restaient peu coûteux à traiter en calcul. Ensuite, ces images ont été converties en niveaux de gris et normalisées pour minimiser les variations d’intensité des pixels dues aux conditions d’éclairage, à l’encodage et aux différences de compression.
Quatre fonctions de hachage perceptuel ont été utilisées pour produire des empreintes digitales vidéo sous forme de hachage moyen (aHash), hachage différentiel (dHash), hachage perceptuel (pHash) et hachage wavelet (wHash).
Pour la génération de hachages, les trames ont d’abord été converties en niveaux de gris puis redimensionnées en 8x8 pixels pour calculer aHash et dHash. Avec aHash, une empreinte digitale de 64 bits était générée en comparant chaque pixel à la valeur moyenne en niveaux de gris. L’algorithme dHash faisait quelque chose de similaire, créant également une empreinte digitale de 64 bits, mais il examinait comment les intensités horizontales adjacentes des pixels différaient. Pour pHash, les images ont été redimensionnées à 32x32 pixels, puis la transformée discrete du cosinus a été calculée. Pour générer l’empreinte perceptive de 64 bits, seuls les coefficients DCT basse fréquence 8x8 ont été utilisés. Quant à wHash, les images ont de nouveau été redimensionnées à 32x32 pixels, mais cette fois traitées avec une transformée en ondelette de Haar. Un hachage de 64 bits était généré à partir des coefficients d’ondelettes de la plus basse fréquence extraits. Tous ces paramètres visent à trouver un bon équilibre entre efficacité de calcul et solidité pour gérer les ajustements vidéo typiques.
Pour effectuer des calculs efficaces de la fonction de hachage, ces images ont été normalisées et redimensionnées. La méthode de hachage moyen fonctionne en comparant l’intensité des pixels à celle de la moyenne de l’image. Le hachage par différence fonctionne de manière similaire mais se concentre sur les gradients locaux en comparant l’intensité des pixels avec celle des pixels voisins. Le hachage perceptuel utilise des caractéristiques de Fourier résultant de la DCT, tandis que le hachage en ondettes repose sur les résultats de la transformation en ondelettes pour extraire les caractéristiques.
Enregistrement et vérification du droit d’auteur basés sur la blockchain
Les empreintes perceptuelles, les métadonnées de propriété, les horodatages et les détails de transaction obtenus sont transmis à la blockchain Hyperledger Fabric via le smart contract vitChain. La mise en œuvre de la blockchain comprend deux organisations, deux pairs, deux nœuds ordonnés, deux nœuds d’autorité de certification (CA) et des bases de données d’état CouchDB, tous reliés via un canal automatique. Le cadre blockchain autorisé facilite un traitement sécurisé, un accès restreint et un stockage inviolable des informations sur le droit d’auteur.
La procédure d’enregistrement des droits d’auteur commence une fois que le propriétaire du contenu télécharge la vidéo via l’interface utilisateur. Lorsqu’un utilisateur soumet une vidéo pour enregistrement de droits d’auteur, la couche application appelle le smart contract vitChain via le SDK Hyperledger Fabric. Cette inscription inclut un identifiant de transaction unique, des informations du propriétaire, un identifiant vidéo, un horodatage et quatre types de valeurs de hachage perceptuelles : aHash, dHash, pHash et wHash. Il y a aussi des métadonnées sur le contenu. L’application envoie la proposition de transaction aux pairs qui les ont endossés. Ces pairs exécutent ensuite la logique des contrats intelligents et s’assurent que la transaction respecte la politique d’endossement. Après validation réussie, la transaction passe au service de commande. Ici, les transactions vérifiées sont regroupées en blocs et envoyées à des nœuds pairs pour inclusion dans le registre. Pendant ce temps, les métadonnées associées sont intégrées à CouchDB. Ils se connectent aux enregistrements de la blockchain via l’ID de transaction, permettant des recherches faciles et maintenant des données on-chain et hors chaîne cohérentes.
Après le prétraitement et les calculs de hachage perceptuels, les empreintes digitales, ainsi que leurs métadonnées associées, sont assemblées en une transaction à exécuter par le contrat intelligent. La validation des transactions est réalisée par les pairs participants conformément à la politique d’endossement spécifiée. Après endossement, la transaction est transmise au service de commande pour être incluse dans un bloc du grand livre distribué. Pour un fonctionnement fiable, nous avons inclus la gestion des erreurs de base dans les processus d’enregistrement et de vérification. Avant qu’une transaction n’ait lieu, l’application vérifie les métadonnées obligatoires, les informations de propriété et les hachages perceptuels pour éviter les problèmes. Si les transactions ne respectent pas les règles d’endossage ou ont des paramètres invalides, les nœuds pairs les rejettent purement et simple. Lorsqu’il y a des problèmes tels que des défaillances de communication ou des erreurs de traitement, le système les enregistre et envoie une alerte administrative. Cela aide à prévenir les erreurs mineures de traitement qui ne se propagent dans le système. Lors des vérifications de droits d’auteur, les vidéos contenant des métadonnées invalides ou des valeurs de hachage corrompues sont exclues du processus de vérification. Les vidéos pour lesquelles la génération d’empreintes digitales échoue sont également exclues du processus de vérification. Dans l’ensemble, ces étapes maintiennent les données propres et renforcent la fiabilité du cadre. Les informations de propriété de la vidéo protégée par le droit d’auteur deviennent immuables et sont disponibles pour une récupération ultérieure.
Vérification
Le processus de vérification implique des étapes similaires de prétraitement et de calcul d’empreintes digitales, suivies d’une comparaison des empreintes digitales avec celles stockées dans la blockchain à l’aide d’une mesure de similarité basée sur la distance de Hamming. Sur la base de la mesure de similarité, le smart contract détermine les informations de copyright de la vidéo soumise. Le flux de travail d’interaction est représenté à la Figure 3.
Vérification du droit d’auteur basée sur la similarité
Le processus de vérification du droit d’auteur compare les empreintes digitales perceptuelles dérivées de la vidéo de requête avec celles précédemment stockées dans le système blockchain. Le même processus de prétraitement et de génération de valeur de hachage utilisé lors de l’enregistrement est répété lors de la phase de vérification pour maintenir la cohérence. La similarité est mesurée à l’aide de la distance de Hamming, qui compte le nombre de différences de bits entre deux valeurs de hachage. Des distances de Hamming plus petites indiquent une plus grande similarité entre les deux vidéos, tandis que des distances de Hamming plus élevées indiquent une manipulation du contenu. Pour vérifier si la vidéo de requête correspondait à la vidéo enregistrée, nous avons utilisé la distance de Hamming entre leurs valeurs de hachage perceptuelles. Sur la base d’expériences préliminaires, un seuil de distance de Hamming de 20 a été choisi afin d’offrir un équilibre approprié entre la robustesse aux opérations courantes de traitement vidéo et la sensibilité aux modifications non autorisées. Les vidéos avec une distance Hamming de 20 ou moins étaient considérées comme représentant le même contenu protégé par le droit d’auteur. Si c’était plus, cela montrerait de grands changements. Ce 20 a été choisi pour gérer les montages vidéo courants comme la compression, le filtrage, le transcodage et les changements de fréquence d’images, mais il détecte toujours des modifications non autorisées. Des mesures de similarité sont effectuées pour toutes les empreintes digitales collectées, puis agrégées pour aboutir à une conclusion de vérification du droit d’auteur. Les vidéos qui s’écartent du contenu enregistré sont signalées pour un examen approfondi.
Environnement de déploiement
L’environnement de banc d’essai a été créé à l’aide de conteneurs Docker et de l’outil d’orchestration Minifab. Un réseau blockchain basé sur la version 2.4.8 de Hyperledger Fabric a été déployé avec CouchDB comme base de données d’État et couche de stockage pour les données de contrats intelligents. Le smart contract vitChain a été implémenté dans Go et déployé en utilisant le cycle de vie du code chaîne Hyperledger Fabric. Les paramètres de déploiement sont résumés dans le tableau 2. Le réseau était composé de deux organisations participantes, à savoir le Content Creator et le Vidéaste. Pour garantir l’intégrité des transactions et prévenir l’enregistrement ou la modification non autorisée du droit d’auteur, une politique d’endossement multi-organisations a été mise en place, nécessitant l’approbation des deux organisations avant qu’une transaction puisse être inscrite au registre. Plus précisément, la politique d’approbation suivait une règle ET, exprimée en ET ('ContentCreatorMSP.peer', 'VideographerMSP.peer').
Résultats
Pour évaluer l’efficacité du modèle de protection décentralisée du droit d’auteur proposé, il est testé contre diverses attaques de manipulation vidéo qui surviennent fréquemment lors de la transmission multimédia, du montage et de la violation du droit d’auteur. Deux facteurs majeurs dans l’évaluation incluent : (i) la fiabilité de l’algorithme de hachage perceptuel pour détecter le droit d’auteur et la falsification, et (ii) la performance du réseau blockchain Hyperledger Fabric. Les scores de similarité ont été générés en calculant le hachage moyen (aHash), le hachage de différence (dHash), le hachage perceptuel (pHash) et le hachage wavelet (wHash), qui ont ensuite été comparés aux empreintes vidéo enregistrées dans la blockchain.
Analyse de similarité sous attaques de manipulation vidéo
La robustesse du modèle a été évaluée à l’aide de plusieurs attaques appliquées aux vidéos, incluant des attaques temporelles, spatiales, géométriques, de compression, de filtrage et de manipulation adversaire. Les valeurs de similarité de cette étude proviennent d’expériences individuelles pour chaque scénario de manipulation vidéo. Chaque type de manipulation a été appliqué une fois pour créer un cas de test représentatif, et ses scores de similarité ont été enregistrés pour analyse. L’objectif était de vérifier dans quelle mesure le cadre proposé pouvait détecter les changements liés au droit d’auteur dans diverses conditions d’attaque réalistes. Ainsi, les valeurs rapportées montrent des résultats issus de cas de test individuels, et non des moyennes issues d’essais répétés.
Les scores de similarité utilisant quatre algorithmes de hachage perceptuel sont listés dans le tableau 3. Le modèle proposé atteint un degré relativement élevé de similarité sous la plupart des attaques préservant le contenu, tout en restant sensible aux grands changements structurels des vidéos (Tableau 3).
Performance sous transformations temporelles
Les transformations temporelles telles que l’insertion d’images, la suppression d’images, la substitution d’images et la conversion de fréquence d’images affectent principalement la continuité temporelle des vidéos tout en préservant presque intactes leurs caractéristiques spatiales. Les expériences ont montré que l’insertion et la substitution de trames atteignaient plus de 80 % de similarité avec tous les algorithmes d’empreintes digitales testés (Figure 4). Ainsi, les empreintes digitales perceptuelles ont maintenu les caractéristiques visuelles des vidéos malgré les changements temporels.
La suppression des trames a entraîné une légère diminution des valeurs de similarité en raison de l’absence d’informations dans les trames. Néanmoins, les empreintes digitales étaient suffisamment similaires pour offrir une performance adéquate afin de détecter la violation du droit d’auteur. Les variations de fréquence d’images n’ont pas eu d’impact significatif sur les mesures de similarité, car elles ont donné des valeurs supérieures à 97 % dans la plupart des échantillons tests. Cela s’explique par le fait que les transformations de fréquence d’images ne modifient pas significativement les caractéristiques des images.
Influence des transformations spatiales et géométriques
Les transformations géométriques et spatiales affectent directement les structures visuelles dans les images vidéo, rendant la technique de hachage perceptuel relativement difficile. Les régions localement altérées n’ont entraîné qu’une légère diminution des valeurs de similarité, car les modifications visuelles étaient localisées et n’ont pas modifié substantiellement le hachage perceptif global.
Les opérations de recadrage ont entraîné une plus grande variation des valeurs de similarité en raison de l’élimination de parties du matériau visuel. Les transformations rotationnelles ont entraîné la plus grande réduction des valeurs de similarité, avec des valeurs allant d’environ 48 % à 66 % à travers les techniques de hachage perceptuel. Cela se comprend puisque la rotation modifie les structures spatiales qui jouent un rôle important dans le hachage perceptuel. L’agrandissement des images a eu peu d’effet sur les scores de similarité, puisque les valeurs restaient supérieures à 96 %. La figure 5 résume les résultats de similarité obtenus sous rotation vidéo, y compris les transformations géométriques.
Robustesse à la compression, au filtrage et au bruit
La compression et le transcodage sont des activités courantes lors du stockage et de la distribution multimédia. L’analyse expérimentale a montré que les similitudes étaient constamment supérieures à 98 % même après compression, transcodage et réencodage MPEG avec divers codecs vidéo. D’après les résultats, on peut déduire que les empreintes digitales perceptuelles conservent la majeure partie du contenu visuel malgré les erreurs de compression et le bruit de quantification. De plus, des expériences ont été menées sur l’ajout et le filtrage du bruit. Peu importe à quel point le bruit était fort, la similarité était toujours entre 98 % et 99 %. De plus, le filtrage gaussienne, médiane et passe-bas entraînait des changements minimes de similarité, préservant l’information structurelle globale de la vidéo.
Détection de modifications complexes et adversaires
Le modèle proposé a également été étudié pour identifier des attaques telles que l’ajout de texte ou d’autocollants aux images vidéo, la fusion de clips vidéo et les attaques de modification par collusion. Une telle modification sert à préserver la cohérence tout en effectuant des modifications non autorisées sur le matériel protégé par le droit d’auteur. Le résultat de l’analyse de similarité après ajout de texte aux images vidéo est montré à la Figure 6 ci-dessous, tandis que la Figure 7 montre les résultats de l’analyse de similarité des clips vidéo fusionnés.
Comparaison des performances des algorithmes de hachage perceptuel
Chacun des quatre algorithmes de hachage perceptuel avait des propriétés spécifiques observées lors des tests expérimentaux. Le hachage perceptuel (pHash) s’est révélé très robuste à la compression, au filtrage et au transcodage, tout en restant sensible aux manipulations structurelles. Le hachage en wavelets (wHash) fonctionnait bien sous manipulations locales, telles que l’ajout de texte ou d’objets.
Le hachage par différence (dHash) pouvait détecter des manipulations structurelles liées au gradient mais était plus sensible à la rotation. Le hachage moyen (aHash) était stable lorsqu’il était appliqué à des opérations appliquées globalement qui ne modifiaient pas l’intensité globale, mais était moins stable lors de manipulations géométriques. Dans l’ensemble, pHash et wHash ont produit les meilleurs résultats parmi les algorithmes testés.
Évaluation des performances de la technologie blockchain
Outre la performance de la vérification du contenu, la scalabilité et les performances du système blockchain ont également été prises en compte. Au cours des expériences, il a été découvert que le temps nécessaire pour le téléchargement des fichiers augmentait linéairement avec la taille du fichier et la taille du réseau, en raison de la synchronisation nécessaire entre pairs.
De même, le temps pour miner et créer des blocs a augmenté de façon linéaire avec le nombre de pairs. Ce résultat était prédit car il devient plus difficile d’effectuer des transactions à mesure que le nombre de pairs augmente, nécessitant plus de communication. Cependant, le délai observé par les auteurs était suffisamment réaliste pour le domaine d’application de l’enregistrement du droit d’auteur.
Le fonctionnement d’accès aux blocs ne montrait pas de variations significatives tant que la taille du réseau ne dépassait pas une valeur spécifique. La performance observée est également influencée par l’architecture de stockage hybride. Dans cette configuration, les métadonnées de propriété, les informations de transaction et les valeurs de hachage perceptuelles sont stockées sur la blockchain, tandis que CouchDB gère les données multimédias. Cela réduit la quantité ajoutée au grand livre distribué, aidant ainsi à maîtriser la croissance du stockage blockchain. Même si les auteurs n’ont pas réalisé de comparaison spécifique avec un design uniquement blockchain, les expériences montrent que le système fonctionne toujours bien pour le traitement et la récupération des transactions à travers différentes configurations réseau. Les figures 8 à 11 résument les évaluations de performance des chercheurs sur la blockchain à travers diverses configurations réseau.
Dans l’ensemble, les résultats expérimentaux indiquent une performance efficace du système suggéré qui combine le hachage perceptif avec la technologie blockchain. Le cadre suggéré est résistant aux opérations de préservation de contenu et en même temps sensible aux attaques modifiant la structure. De plus, il peut enregistrer et vérifier les droits d’auteur sur le réseau Hyperledger Fabric.
Disponibilité des données :
Les données et codes utilisés dans la présente étude ont été téléchargés dans le dépôt Zenodo et peuvent être consultés depuis : https://doi.org/10.5281/zenodo.20665324. Cela inclut des ensembles de données de trames extraites, des hachages perceptuels, le calcul de distance de Hamming, les tests de benchmarking blockchain, le code de contrats intelligents, les fichiers de déploiement et d’autres métadonnées utilisées dans les expériences d’enregistrement et de vérification du droit d’auteur.
Figure 1 : Architecture proposée du cadre de protection du droit d’auteur vidéo décentralisé. La figure montre la structure générale du cadre proposé, incluant le prétraitement vidéo, la génération perceptuelle de hachages, l’enregistrement de la blockchain, la vérification de la propriété et le stockage CouchDB. Veuillez cliquer ici pour voir une version agrandie de cette figurine.
Figure 2 : Modèle système proposé pour la protection et le flux de travail de vérification du droit d’auteur vidéo. Le flux de travail démontre l’acquisition vidéo, l’extraction d’images, la génération perceptuelle de hachages, l’enregistrement blockchain, la vérification de similarité et les processus de prise de décision sur le droit d’auteur dans le cadre proposé. Veuillez cliquer ici pour voir une version agrandie de cette figurine.
Figure 3 : Diagramme de séquence pour l’enregistrement et la vérification des droits d’auteur vidéo. Le diagramme de séquence illustre les interactions entre le propriétaire du contenu, la couche applicative, le module de hachage perceptif, le smart contract, les nœuds pairs, le service d’ordre, le registre blockchain et CouchDB lors de l’enregistrement et de la vérification des droits d’auteur. Veuillez cliquer ici pour voir une version agrandie de cette figurine.
Figure 4 : Analyse de similarité sous plusieurs opérations d’édition de trames. La figure présente la performance cumulative de similarité du cadre proposé à travers plusieurs scénarios de manipulation vidéo temporelle, incluant l’insertion, la suppression, le remplacement et la modification du taux d’images par seconde. Veuillez cliquer ici pour voir une version agrandie de cette figurine.
Figure 5 : Analyse de similarité sous rotation vidéo. La figure illustre l’impact de la rotation vidéo sur les scores de similarité. Cela montre l’efficacité du cadre proposé même lorsque les vidéos sont modérément modifiées. Veuillez cliquer ici pour voir une version agrandie de cette figurine.
Figure 6 : Ajout de texte à la vidéo. Cela montre les résultats de similarité après insertion de texte dans les images vidéo. Il démontre la capacité du cadre proposé à identifier les changements de contenu tout en vérifiant la propriété. Veuillez cliquer ici pour voir une version agrandie de cette figurine.
Figure 7 : Segments fusionnés dans la vidéo. Cela représente l’analyse de la similarité vidéo générée par la fusion de fragments provenant de diverses sources. Veuillez cliquer ici pour voir une version agrandie de cette figurine.
Figure 8 : Analyse du temps d’exécution pour le téléchargement de fichiers sur un stockage hors chaîne CouchDB avec un nombre variable de pairs. Cette figure montre le temps nécessaire au cadre proposé pour téléverser les métadonnées vidéo vers un stockage hors chaîne pour différentes tailles de fichiers et configurations réseau. Veuillez cliquer ici pour voir une version agrandie de cette figurine.
Figure 9 : Analyse du temps d’exécution en secondes pour le minage par blocs pour des fichiers de tailles variables avec un nombre variable de pairs sur le réseau blockchain. Cette figure montre les performances d’une opération de minage par blocs dans le réseau Hyperledger Fabric à travers différentes configurations réseau. Cette expérience montre les effets de la taille du fichier et de la configuration pair-nœud sur la performance du système. Veuillez cliquer ici pour voir une version agrandie de cette figurine.
Figure 10 : Analyse du temps d’exécution en secondes pour la création de blocs pour des tailles variables de fichiers avec un nombre variable de pairs sur le réseau blockchain. La figure ci-dessous montre le temps nécessaire pour créer un bloc dans le réseau sous différentes configurations réseau. Cela permet d’analyser les capacités opérationnelles et la scalabilité du cadre. Veuillez cliquer ici pour voir une version agrandie de cette figurine.
Figure 11 : Analyse du temps d’exécution en secondes pour l’accès aux blocs pour des fichiers de tailles variables avec un nombre variable de pairs sur le réseau blockchain. Cette figure montre le temps nécessaire pour récupérer les informations du système blockchain selon les tailles de fichiers et les configurations pair-node. Cela montre que le cadre proposé peut être utilisé efficacement pour la validation du droit d’auteur et la récupération de la propriété. Veuillez cliquer ici pour voir une version agrandie de cette figurine.
| S. Non. | Auteur(s) | Application | Blockchain | Sécurité | Protection | Évolutivité | Protection du droit d’auteur | Stockage hors chaîne | Intégrité | Décentralisé |
| 1 | Liu et al.13 | Protection du droit d’auteur numérique grâce à la technologie blockchain | ✓ | ✓ | ✗ | ✓ | ✓ | ✓ | ✗ | ✓ |
| 2 | Zheng et al.12 | Protection du droit d’auteur vidéo basée sur la blockchain avec filigrane | ✓ | ✓ | ✓ | ✗ | ✓ | ✓ | ✓ | ✓ |
| 3 | Qureshi et al.11 | Cadre de gestion du droit d’auteur multimédia | ✓ | ✓ | ✗ | ✗ | ✓ | ✓ | ✗ | ✓ |
| 4 | Darwish et al.9 | Filigranage vidéo et vérification des droits d’auteur | ✓ | ✓ | ✓ | ✗ | ✓ | ✓ | ✓ | ✓ |
| 5 | Li et al.7 | Système décentralisé de gestion des opérations de droits d’auteur musicaux | ✓ | ✓ | ✗ | ✗ | ✓ | ✓ | ✗ | ✓ |
| 6 | Pandian et al.10 | Vérification de l’intégrité vidéo basée sur la blockchain | ✓ | ✓ | ✗ | ✗ | ✓ | ✗ | ✓ | ✓ |
| 7 | Guo J et al.6 | Gestion des droits numériques pour les ressources multimédias de l’éducation en ligne | ✓ | ✗ | ✗ | ✗ | ✓ | ✓ | ✗ | ✓ |
| 8 | Moolikagedara et al.14 | Système de propriété et de traçabilité basé sur la blockchain | ✓ | ✓ | ✗ | ✗ | ✓ | ✓ | ✗ | ✓ |
| 9 | Madapati et Pradhan5 | Cadre de protection du droit d’auteur vidéo basé sur Ethereum | ✓ | ✓ | ✗ | ✓ | ✓ | ✓ | ✓ | ✓ |
| 10 | Frattolillo et al.8 | Protection du droit d’auteur numérique habilitée par smart contract | ✓ | ✓ | ✗ | ✓ | ✓ | ✓ | ✗ | ✓ |
| 11 | Cadre proposé | Protection par copyright vidéo basée sur Hyperledger Fabric utilisant plusieurs hachages perceptuels (aHash, dHash, pHash et wHash) | ✓ | ✓ | ✓ | ✓ | ✓ | ✓ | ✓ | ✓ |
Tableau 1 : Comparaison des systèmes existants de protection du droit d’auteur basés sur la blockchain. Le tableau compare les méthodes actuelles de protection du droit d’auteur basées sur la blockchain avec le cadre proposé sur des facteurs clés, notamment l’utilisation de la blockchain, les contrats intelligents, le hachage perceptif, la scalabilité, la protection du droit d’auteur, la sécurité de la propriété, les vérifications d’intégrité et la décentralisation.
| Paramètre | Configuration |
| Plateforme blockchain | Hyperledger Fabric 2.4.8 |
| Type de réseau | Blockchain autorisée |
| Nombre d’organisations | 2 |
| Nombre de nœuds pairs | 2 |
| Nombre de nœuds d’ordonnance | 2 |
| Autorités de certification | 2 |
| Canal de communication | autochannel |
| Nom du contrat intelligent | vitChain |
| Langage des contrats intelligents | Allez |
| Base de données d’État | CouchDB |
| Outil de déploiement | Minifab |
| Plateforme conteneur | Docker |
| Mécanisme de consensus | Service de commande de radeaux |
| Stockage des métadonnées | CouchDB |
| Propriété Stockage | Registre Blockchain |
Tableau 2 : paramètres de configuration de déploiement du Hyperledger Fabric. Le tableau liste les détails de configuration de déploiement du réseau blockchain Hyperledger Fabric, incluant l’organisation, les pairs, le service de commande, l’autorité de certification, le canal de communication, le mécanisme de consensus, les contrats intelligents et le stockage utilisés pour l’expérimentation.
| S.No | Attaque vidéo | pHash ( %) | wHash ( %) | dHash ( %) | aHash ( %) |
| 1 | Attaque d’insertion de trame | 82.81 | 84.33 | 81.31 | 86.42 |
| 2 | Attaque de suppression de trame (espace à gauche) | 82.69 | 81.78 | 80.17 | 81.07 |
| 3 | Attaque de suppression de trame (espace supprimé) | 75.37 | 78.68 | 76.19 | 79.69 |
| 4 | Attaque de remplacement de cadre | 84.86 | 82.6 | 84.19 | 81.07 |
| 5 | Attaque de manipulation régionale | 99.4 | 98.59 | 99.46 | 99.76 |
| 6 | Attaque de compression MPEG | 99.64 | 99.61 | 99.1 | 99.64 |
| 7 | Attaque par addition de bruit (25 %) | 99.52 | 99.58 | 98.8 | 99.7 |
| 8 | Attaque par ajout de bruit (50 %) | 99.64 | 99.4 | 98.68 | 99.52 |
| 9 | Attaque par addition de bruit (75 %) | 99.52 | 99.31 | 98.14 | 99.22 |
| 10 | Attaque de recadrage | 69.71 | 54.81 | 69.11 | 57.27 |
| 11 | Attaque en rotation (30°) | 54.21 | 60.61 | 57.09 | 65.56 |
| 12 | Attaque en rotation (60°) | 48.56 | 53.97 | 51.38 | 57.57 |
| 13 | Attaque à échelle | 98.56 | 99.28 | 96.81 | 97.48 |
| 14 | Translation + Retournement (Gauche–Droite) | 52.88 | 63.46 | 51.2 | 68.63 |
| 15 | Traduction + Retournement (Haut–Bas) | 50 | 45.34 | 60.7 | 42.73 |
| 16 | Filtrage médiane (25) | 98.92 | 99.1 | 98.02 | 99.7 |
| 17 | Filtrage médiane (50) | 98.08 | 98.17 | 97.3 | 99.28 |
| 18 | Filtrage passe-bas | 97.84 | 99.13 | 96.03 | 96.63 |
| 19 | Flou gaussen (σ = 5) | 99.76 | 98.68 | 98.68 | 99.76 |
| 20 | Flou gaussienne (σ = 10) | 99.76 | 97.6 | 97.78 | 99.4 |
| 21 | Réenregistrement (Camcorder) Attack | 98.68 | 98.83 | 91.95 | 93.51 |
| 22 | Conversion de format (encodeur MPEG-4) | 99.16 | 99.19 | 98.14 | 99.4 |
| 23 | Conversion de format (encodeur H.264 QSV) | 99.76 | 99.79 | 99.1 | 99.82 |
| 24 | Conversion de format (encodeur libvpx-VP9) | 99.76 | 99.7 | 99.04 | 99.76 |
| 25 | Attaque temporelle (15 fps) | 97.48 | 98.26 | 98.02 | 99.4 |
| 26 | Attaque temporelle (24 fps) | 99.16 | 99.16 | 98.38 | 99.82 |
| 27 | Attaque de collusion | 99.76 | 99.28 | 98.74 | 99.58 |
| 28 | Attaque de transcodage | 99.76 | 99.7 | 99.04 | 99.76 |
| 29 | Attaque contre le changement de débit binaire | 99.52 | 99.7 | 99.4 | 99.76 |
Tableau 3 : Analyse de similarité entre les vidéos originales et modifiées sous différentes attaques. Le tableau illustre les scores de similarité générés par plusieurs techniques de hachage perceptuel sous diverses manipulations vidéo, incluant l’insertion, la suppression, le remplacement d’images, la rotation, la compression, la mise à l’échelle, l’ajout de bruit, l’ajout de texte et la fusion vidéo.
Discussion
Comme le démontre le cadre proposé, l’intégration de la blockchain au hachage perceptuel peut protéger efficacement les vidéos contre la violation du droit d’auteur de manière décentralisée. Premièrement, en combinant l’enregistrement immuable de la propriété et le hachage perceptuel, il satisfait les deux conditions principales des systèmes de gestion du droit d’auteur : l’enregistrement sécurisé de la propriété et l’identification des matériaux protégés. Deuxièmement, l’utilisation de Hyperledger Fabric permet le contrôle d’accès, la gestion transparente des transactions et la gestion des enregistrements inviolable.
Une variété de fonctions de hachage perceptuelle offre des avantages supplémentaires, permettant des types de détection impossibles à utiliser avec une seule fonction de hachage perceptuelle. AHash détecte les propriétés d’intensité globale et est moins gourmand en calcul que dHash, qui est davantage axé sur les variations locales de gradient et les variations structurelles. En revanche, pHash utilise des informations dans le domaine fréquentiel et est plus robuste aux opérations de compression et de filtrage, tandis que wHash est efficace pour détecter des changements localisés, comme l’ajout de texte ou d’autocollants. Ainsi, la combinaison de toutes ces fonctions de hachage rendra très peu probable de manquer la détection en raison des limitations de chaque fonction de hachage séparément. Les résultats expérimentaux montrent que la sensibilité aux différents types de modifications varie selon les algorithmes, démontrant l’utilité d’appliquer le concept de multi-hachage à la détection de la manipulation vidéo.
L’utilisation de Hyperledger Fabric et CouchDB réduit la quantité de données stockées sur la blockchain, rendant la gestion des métadonnées beaucoup plus efficace. Les tests montrent que le cadre fonctionne bien en pratique, mais il reste encore nécessaire de réaliser une comparaison quantitative robuste entre les systèmes de stockage hybrides et entièrement en chaîne. Cela devrait être étudié dans de futures études.
Alors que la plupart des autres solutions blockchain se concentrent uniquement sur l’enregistrement de la propriété du droit d’auteur, l’approche introduite implique à la fois la propriété et la validation au niveau du contenu. De telles capacités peuvent être très utiles pour résoudre les questions de droits d’auteur en pratique, car les simples enregistrements de propriété ne suffisent pas à déterminer si une vidéo montée ou redistribuée est liée au matériel protégé.
Pourtant, certaines limites existent. Le test a été réalisé sur des vidéos avec certaines fonctionnalités et dans des conditions spécifiques. De plus, les manipulations géométriques, telles que la rotation, restent problématiques pour vérifier les médias à l’aide du hachage perceptuel. À l’avenir, il est prévu de tester le système sur d’autres ensembles de données multimédias et d’examiner la possibilité de rendre les empreintes digitales invariantes en rotation et d’utiliser des algorithmes d’intelligence artificielle pour identifier automatiquement les violations du droit d’auteur.
La journalisation des audits et la surveillance des droits d’auteur ont été intégrées comme éléments architecturaux du cadre proposé. Cependant, leur efficacité n’a pas été évaluée de manière indépendante dans la présente étude. Des recherches futures examineront leur rôle dans la résolution des litiges, la détection d’anomalies et la surveillance automatisée du droit d’auteur dans des environnements multimédias à grande échelle.
Cette étude a présenté un cadre décentralisé pour la protection du droit d’auteur vidéo qui intègre la technologie blockchain Hyperledger Fabric avec de multiples techniques de hachage perceptuel pour soutenir l’enregistrement sécurisé de la propriété et la vérification du droit d’auteur basée sur le contenu. Le cadre proposé combine des algorithmes aHash, dHash, pHash et wHash avec des services blockchain compatibles avec des contrats intelligents afin d’établir un système de gestion des droits d’auteur transparent, résistant à la falsification et vérifiable.
L’évaluation expérimentale a démontré que le cadre soutient efficacement la vérification du droit d’auteur sous un large éventail de modifications vidéo temporelles, spatiales et basées sur la compression. L’utilisation de multiples techniques de hachage perceptuel a amélioré la robustesse face aux opérations de traitement multimédia courantes tout en maintenant la capacité de détecter des modifications non autorisées du contenu. De plus, l’intégration d’Hyperledger Fabric et de CouchDB a permis une architecture de stockage hybride qui préservait l’intégrité et la traçabilité des données, tout en permettant une gestion efficace des métadonnées.
D’après ces constats, il est évident que le système proposé fusionne efficacement les principes de gestion décentralisée et d’authentification au niveau du contenu, surmontant ainsi certaines des lacunes des systèmes classiques de protection centralisée du droit d’auteur. De plus, le système présenté offre une auditabilité transparente, une propriété immuable et des processus de vérification basés sur la similarité du contenu.
En conclusion, la recherche montre que l’intégration de la blockchain et du hachage perceptif pourrait offrir des solutions pour la protection du droit d’auteur vidéo de prochaine génération. Les recherches futures comprendront une évaluation plus complète des performances du cadre proposé sur des bases de données vidéo plus vastes et plus variées, ainsi que le développement de mécanismes avancés d’empreintes digitales.
Déclarations de divulgation
Les auteurs n’ont aucun conflit d’intérêts à déclarer.
Remerciements
Les auteurs tiennent à remercier l’Université VIT-AP, Amaravati, en Inde, pour avoir fourni les installations de calcul et le soutien à la recherche nécessaires à la réalisation de cette étude. Les auteurs reconnaissent également le soutien reçu du Département d’informatique et d’ingénierie lors du développement et de l’évaluation du cadre proposé.
Matériaux
| Nom | Entreprise | Numéro de catalogue | Commentaires |
|---|---|---|---|
| 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. |
Références
- 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.