Questo studio presenta un quadro decentralizzato per la protezione del copyright video che integra blockchain privata, smart contract e tecniche di hashing percettivo. L'obiettivo è consentire la registrazione sicura della proprietà, una gestione immutabile dei record e una verifica efficiente basata sulla similarità dei contenuti video in ambienti distribuiti.
Articolo di ricerca
Un approccio decentralizzato alla protezione del copyright video utilizzando blockchain privata e hashing percettivo
In questo articolo
Sommario
Abstract
La crescente popolarità della condivisione di contenuti video su Internet ha sollevato preoccupazioni riguardo a violazioni del copyright, pirateria e dispute sulla proprietà. I metodi tradizionali e centralizzati per la gestione del copyright affrontano problemi di trasparenza, suscettibilità alla manipolazione e dipendenza da terze parti affidabili. Pertanto, questo studio presenta un sistema decentralizzato di protezione del copyright video basato su Hyperledger Fabric, smart contract e hashing percettivo. Innanzitutto, i fotogrammi dai video vengono estratti e le impronte percettive vengono create utilizzando gli algoritmi di hash medio (aHash), hash di differenza (dHash), hash percettivo (pHash) e hash wavelet (wHash). Gli hash e le informazioni di proprietà sono memorizzati sulla blockchain, mentre gli asset multimediali sono tenuti fuori dal registro. I controlli del copyright vengono effettuati utilizzando confronti di somiglianza a livello di frame basati sulla distanza di Hamming. Il framework proposto è stato testato in varie manipolazioni temporali, spaziali e compressive, tra cui inserimento, cancellazione, ritaglio del fotogramma, ridimensionamento, rotazione, filtraggio e transcodifica. Gli esperimenti hanno mostrato un'elevata robustezza a tali cambiamenti rilevando contemporaneamente modifiche non autorizzate. Pertanto, questa tecnologia può fornire una soluzione pratica ai problemi di copyright utilizzando un framework blockchain decentralizzato.
Introduzione
I progressi nelle tecnologie multimediali digitali hanno cambiato il modo in cui i video vengono prodotti, distribuiti e consumati. Lo streaming video, i social network e i sistemi di condivisione dei contenuti basati su Internet permettono la distribuzione rapida e semplice dei video a un pubblico di tutto il mondo. Sebbene i progressi tecnologici permettano maggiori possibilità creative nella produzione di contenuti video digitali e nella crescita del business online, questi stessi progressi hanno facilitato per i creatori di contenuti affrontare violazioni del copyright, pirateria e problemi di proprietà1. I video possono essere facilmente copiati, montati, ricodificati e ridistribuiti, rendendo la protezione della proprietà intellettuale sempre più difficile nel mondo multimedialeodierno 2,3.
Tipicamente, gli attuali sistemi di gestione del copyright dipendono da un'autorità centrale per registrare i contenuti, convalidarne la proprietà, gestire gli accordi di licenza e gestire le controversie. Nonostante siano ampiamente adottati, questi sistemi di gestione sono soggetti a diverse limitazioni significative4. Innanzitutto, la centralizzazione espone i sistemi di gestione del copyright a potenziali attacchi informatici, manipolazione dei dati e tempi di inattività. Inoltre, la proprietà del copyright è conservata da terzi affidabili, cosa che potrebbe non essere del tutto desiderabile in termini di revisione e mantenimento dell'affidabilità a lungo termine di taliinformazioni 5. Un aumento della quantità di contenuti multimediali digitali rende i processi di verifica convenzionali meno efficienti, poiché tendono a richiedere troppo tempo e diventano pocopratici 6.
La tecnologia blockchain sembra essere una delle soluzioni in grado di risolvere problemi di fiducia e trasparenza all'interno dell'ambientedistribuito 7. Utilizzando registri immutabili tramite crittografia e meccanismi di consenso, la blockchain consente una tenuta sicura dei registri senza che un'autorità centrale controlli il processo. Non appena i record vengono aggiunti alla blockchain, diventano immutabili e immutabili, fornendo così livelli più elevati di tracciabilità e responsabilità8. Ecco perché sono stati fatti molti sforzi per studiare applicazioni blockchain in aree come DRM, IP e garanzia della proprietàmultimediale 9. Tra le piattaforme blockchain esistenti, Hyperledger Fabric ha ricevuto notevole attenzione per le sue funzionalità, tra cui un'architettura autorizzata, una struttura modulare, il supporto per smart contract, la privacy e l'elaborazione rapida. A differenza delle catene pubbliche, l'architettura autorizzata di Hyperledger Fabric la rende ideale per i sistemi di protezione del copyright10.
Tuttavia, ci sono alcune limitazioni nell'uso della blockchain come unico mezzo per identificare lo stato del copyright dei contenutimultimediali 11. Innanzitutto, le funzioni hash crittografiche tradizionali (ad esempio, SHA-256) producono risultati di hash completamente diversi anche quando vengono apportate modifiche minori a un video12. Sebbene sia una caratteristica desiderabile per scopi crittografici, ostacola il riconoscimento visivo di versioni simili o modificate di contenuti multimediali protetti da copyright. Pertanto, la verifica multimediale del copyright deve basarsi su algoritmi attenti al contenuto che possono rilevare somiglianze percettive in immagini ovideo 13.
Uno dei modi più promettenti per affrontare il problema del copyright nei contenuti multimediali è l'uso dell'hashingpercettivo 14. A differenza dell'hashing crittografico, l'hashing percettivo produce impronte digitali che codificano le proprietà visive dell'immagine o del fotogrammavideo 15. Quindi, anche se il file è stato modificato tramite i processi usuali (compressione, filtraggio, riscala, aggiunta di rumore, ecc.), l'hash rimane relativamenteinvariato 16. Attualmente sono in uso quattro tipi di hash percettivi: hash medio, hash di differenza, hash percettivo e hashwavelet 17,18.
Sono stati condotti numerosi studi di ricerca che hanno indagato l'uso della tecnologia blockchain in combinazione con le tecniche di protezione del copyright per i datimultimediali 19. Lavori precedenti hanno utilizzato la tecnologia blockchain per la registrazione della proprietà, la filigrana digitale, l'archiviazione distribuita e la gestione delle prove, la gestione decentralizzata dei diritti e l'archiviazione sicura di contenutimultimediali 20. L'Hyperledger Fabric è stato sfruttato in lavori precedenti per abilitare la registrazione del copyright, la gestione dei diritti e l'audit delle transazioni tramite smart contract e protocolli di consensoautorizzati 21,22. Allo stesso modo, sono stati proposti approcci di hashing percettivo e watermarking per rilevare contenuti multimediali duplicati e manipolati. Nonostante questi risultati promettenti nel facilitare la gestione del copyright tramite la tecnologia blockchain, esistono ancora alcunelacune 23,24. Innanzitutto, molti precedenti framework si occupano principalmente della registrazione della proprietà ma non hanno la capacità di verificare i contenuti. In secondo luogo, molte opere si sono basate su un unico approccio di hashing o watermarking, rendendole così più vulnerabili agli attacchi di manipolazione video25,26. La Tabella 1 mostra che i sistemi esistenti generalmente supportano la registrazione della proprietà ma raramente combinano la gestione decentralizzata della proprietà con la verifica del contenuto multi-hash.
Con i progressi nella tecnologia di montaggio video, c'è una maggiore necessità di una verifica efficiente della proprietà video per prevenire la violazione del copyright. La tecnologia attuale offre diversi metodi per manipolare temporalmente i video aggiungendo, rimuovendo, sostituendo e modificando il frame rate. Analogamente, le opzioni di manipolazione spaziale includono ridimensionamento dei fotogrammi, scaling, filtraggio, compressione, transcodifica e alterazioni geometriche dei video28. Queste manipolazioni rendono difficile identificare i titolari del copyright, anche se non cambiano l'aspetto del video. Un sistema efficiente deve essere in grado di distinguere con integrità tra manipolazione ammissibile, proprietà e violazione del copyright29.
Per affrontare la sfida di una gestione efficiente del copyright video, questo articolo propone un modello decentralizzato che sfrutta Hyperledger Fabric, smart contract e hashing percettivo. Il framework proposto genererà impronte percettive utilizzando tecniche di hashing, estraendo i fotogrammivideo 30,31. Quattro diverse tecniche di hashing, ovvero aHash, dHash, pHash e wHash, saranno impiegate per generare impronte percettive. Le informazioni sulla proprietà, l'ora e gli hash sono registrati nel registro basato su blockchain autorizzato. Per migliorare la scalabilità, CouchDB viene utilizzato insieme alla blockchain per archiviare contenuti multimediali off-chain.
Il framework proposto impiega l'analisi della distanza di Hamming per validare la somiglianza a livello di fotogramma e rilevare modifiche, duplicazioni o usi illegali di video. Combinando diverse tecniche di hashing percettivo con l'audibilità basata su blockchain, la soluzione raggiunge sia l'autenticazione a livello di contenuto sia la gestione della proprietà a prova di manomissione. A differenza dei sistemi precedenti, che si basano su un unico metodo di verifica, il framework proposto utilizza molteplici descrittori percettivi per resistere a una gamma di manipolazioni video temporali, spaziali e compressive.
Questi sono i principali contributi presentati nel lavoro di ricerca: (1) Un approccio di decentralizzazione per il processo sicuro di registrazione e verifica del copyright per i video utilizzando il framework Hyperledger Fabric; (2) Vengono utilizzati molteplici algoritmi di hashing percettivo, come aHash, dHash, pHash e wHash, per creare molteplici impronte video che possono riconoscere video simili anche dopo essere stati modificati; (3) Viene sviluppato un modello di database distribuito che utilizza sia Hyperledger Fabric che CouchDB per affrontare problemi di scalabilità senza compromettere l'integrità e la tracciabilità dei dati; (4) Viene formulato un processo di verifica completo che coinvolge il calcolo della distanza di Hamming per determinare la manipolazione dei video rispetto a fotogrammi e pixel; (5) Vengono condotti esperimenti per dimostrare la capacità del metodo proposto nel rilevare video modificati.
Pertanto, integrando la proprietà basata su blockchain e più algoritmi di hashing, il framework proposto offre un approccio praticabile alla protezione decentralizzata del copyright video.
Protocollo
Questo studio non ha coinvolto partecipanti umani, soggetti umani, soggetti animali o campioni clinici. Pertanto, non era richiesta l'approvazione etica istituzionale e il consenso informato.
Materiali e software
L'ambiente utilizzato per distribuire il framework era Hyperledger Fabric versione 2.4.8, CouchDB, Docker Containers, distribuzione Minifab, applicazioni di elaborazione multimediale FFmpeg e il linguaggio di programmazione Go. Hyperledger Fabric forniva servizi per la gestione decentralizzata del registro e l'esecuzione degli smart contract, mentre CouchDB memorizzava e recuperava le informazioni sul copyright in modo efficiente tramite archiviazione off-chain. FFmpeg veniva utilizzato per la pre-elaborazione dei video e l'estrazione dei fotogrammi video, mentre gli algoritmi di hashing percettivo venivano applicati tramite librerie di hashing delle immagini nel linguaggio di programmazione Go. Un elenco di tutti gli strumenti e le rispettive descrizioni è illustrato nella Tabella dei Materiali.
Architettura del framework
Il framework proposto impiega algoritmi di hashing percettivo all'interno del blockchain autorizzato Hyperledger Fabric per consentire un approccio decentralizzato alla protezione del copyright video e alla validazione della proprietà. Il framework è composto da cinque componenti principali: preprocessing video, generazione percettiva di hash, registrazione del copyright basata su blockchain e verifica basata sulla similarità. In questo contesto, Hyperledger Fabric funge da livello di trust, fornendo record di proprietà immutabili, mentre CouchDB fornisce uno storage off-chain. L'architettura complessiva del framework proposto è raffigurata nella Figura 1.
Modello del sistema per la verifica del copyright
Un flusso di lavoro dettagliato del sistema in esame è mostrato nella Figura 2. Inizia con l'acquisizione video, seguita dall'estrazione dei fotogrammi a intervalli regolari usando FFmpeg. I frame estratti vengono elaborati all'interno dell'ambiente di implementazione Hyperledger Fabric, che include azioni come la registrazione della proprietà, l'amministrazione dei certificati, la comunicazione tra peer e la validazione delle transazioni. L'hashing percettivo viene applicato ai frame estratti, seguito dal calcolo della distanza di Hamming per valutare il grado di somiglianza. Se la distanza di Hamming è inferiore alla soglia, il frame è considerato autentico e simile al contenuto registrato; altrimenti, viene trattato come contenuto modificato.
Acquisizione video, preprocessing e creazione di hashing percettivo
I campioni video utilizzati nell'esperimento erano file MP4 a risoluzione 480p, con una durata media di circa 26 secondi. Il dataset di valutazione comprendeva 15 campioni video, inclusi un video di riferimento originale e diverse versioni modificate. Queste modifiche includevano compiti di editing comuni come modificare i frame rate, inserire, cancellare o sostituire i fotogrammi, e applicare distorsioni come ritagliare, scalare, rotazione ed effetti di sovrapposizione. Il dataset includeva anche compressione, rumore, testo e aggiunte di adesivi, effetti glitch e altro ancora. Tutti i video erano in formato MP4 a risoluzione 480p e subivano gli stessi passaggi di pre-elaborazione e generazione delle impronte digitali. Progettato per testare la resilienza del sistema, questo dataset copre una vasta gamma di scenari reali che coinvolgono violazione e manipolazione. Prima di essere soggetti al rilevamento e alla conferma del copyright, i file video venivano sottoposti a pre-elaborazione in FFmpeg. I fotogrammi dai file video venivano estratti a intervalli di 1 secondo per ottenere riassunti di contenuto condensati sotto forma di contenuti visivi che rimanevano computazionalmente poco costosi da elaborare. Successivamente, questi fotogrammi venivano convertiti in scala di grigi e normalizzati per minimizzare le variazioni di intensità dei pixel dovute alle condizioni di illuminazione, alle differenze di codifica e compressione.
Quattro funzioni di hashing percettivo sono state utilizzate per produrre impronte digitali di contenuti video sotto forma di hashing medio (aHash), hashing differenziale (dHash), hashing percettivo (pHash) e hashing wavelet (wHash).
Per la generazione di hash, i frame venivano prima convertiti in scala di grigi e ridimensionati a 8x8 pixel per calcolare aHash e dHash. Con aHash, veniva generata un'impronta digitale a 64 bit confrontando ogni pixel con il valore medio della scala di grigi. L'algoritmo dHash ha fatto qualcosa di simile, creando anch'esso un'impronta digitale a 64 bit, ma ha osservato come differissero le intensità dei pixel orizzontali adiacenti. Per pHash, i fotogrammi venivano ridimensionati a 32x32 pixel, quindi veniva calcolata la trasformata discreta del coseno. Per generare l'impronta percettiva a 64 bit, sono stati utilizzati solo i coefficienti DCT a bassa frequenza 8x8. Per quanto riguarda wHash, i fotogrammi sono stati nuovamente ridimensionati a 32x32 pixel, ma questa volta sono stati elaborati con una trasformata wavelet di Haar. Un hash a 64 bit veniva generato a partire dai coefficienti delle wavelet a frequenza più bassa estratti. Tutte queste impostazioni dei parametri mirano a un buon equilibrio tra efficienza computazionale e forza per gestire le tipiche modifiche video.
Per eseguire calcoli efficienti delle funzioni hash, queste immagini venivano normalizzate e ridimensionate. Il metodo di hashing medio funziona confrontando l'intensità dei pixel con quella della media dell'immagine. L'hashing delle differenze funziona in modo simile ma si concentra sui gradienti locali confrontando l'intensità dei pixel con quella dei pixel vicini. L'hashing percettivo utilizza le caratteristiche di Fourier che derivano dalla DCT, mentre l'hashing wavelet si basa sui risultati della trasformata wavelet per estrarre le caratteristiche.
Registrazione e verifica del copyright basate su blockchain
Le impronte percettive, i metadati di proprietà, i timestamp e i dettagli delle transazioni ottenuti vengono inseriti nella blockchain Hyperledger Fabric tramite lo smart contract vitChain. L'implementazione della blockchain include due organizzazioni, due peer, due nodi ordinati, due nodi autorità di certificazione (CA) e database di stato CouchDB, tutti collegati tramite un autocanale. Il framework blockchain autorizzato facilita l'elaborazione sicura, l'accesso limitato e la conservazione a prova di manomissione dei dati del copyright.
La procedura di registrazione del copyright inizia una volta che il proprietario del contenuto carica il video tramite l'interfaccia utente. Quando un utente invia un video per la registrazione del copyright, il livello applicativo chiama lo smart contract vitChain tramite l'Hyperledger Fabric SDK. Questa registrazione include un ID transazione unico, informazioni sul proprietario, ID video, timestamp e quattro tipi di valori hash percettivi: aHash, dHash, pHash e wHash. Inoltre, ci sono i metadati sui contenuti. L'app invia la proposta di transazione ai peer che lo approvano. Questi pari gestiscono quindi la logica degli smart contract e garantiscono che la transazione sia conforme alla politica di endorsement. Dopo la validazione riuscita, la transazione passa al servizio di ordinazione. Qui, le transazioni verificate vengono raggruppate in blocchi e inviate ai nodi peer per essere incluse nel registro. Nel frattempo, i metadati correlati vengono inseriti in CouchDB. Si collegano ai record della blockchain tramite l'ID della transazione, consentendo semplici ricerche e mantenendo coerenti sia i dati on-chain che off-chain.
Dopo la preelaborazione e i calcoli di hash percettivo, le impronte digitali, insieme ai metadati associati, vengono assemblate in una transazione da eseguire dallo smart contract. La validazione delle transazioni viene effettuata dai pari partecipanti in conformità con la politica di approvazione specificata. Al momento dell'approvazione, la transazione viene passata al servizio ordinatore per essere inclusa in un blocco sul registro distribuito. Per un funzionamento affidabile, abbiamo incluso la gestione degli errori di base nei processi di registrazione e verifica. Prima che avvenga una transazione, l'app controlla i metadati obbligatori, le informazioni sulla proprietà e gli hash percettivi per evitare problemi. Se le transazioni non rispettano le regole di endorsement o hanno parametri non validi, i nodi peer le rifiutano categoricamente. Quando si verificano problemi come fallimenti di comunicazione o errori di elaborazione, il sistema li registra e invia un avviso amministrativo. Questo aiuta a prevenire piccoli errori di elaborazione che si propaghino nel sistema. Durante i controlli del copyright, i video contenenti metadati non validi o valori hash corrotti sono esclusi dal processo di verifica. Anche i video per i quali la generazione delle impronte digitali fallisce sono esclusi dal processo di verifica. Nel complesso, questi passaggi mantengono i dati puliti e rafforzano l'affidabilità del framework. Le informazioni sulla proprietà del video protetto da copyright diventano immutabili e sono disponibili per un recupero successivo.
Verifica
Il processo di verifica prevede passaggi simili di preprocessing e calcolo delle impronte digitali, seguiti da un confronto delle impronte digitali con le impronte digitali memorizzate nella blockchain, utilizzando una misura di somiglianza basata sulla distanza di Hamming. In base alla misura di somiglianza, lo smart contract determina le informazioni sul copyright del video inviato. Il flusso di lavoro di interazione è rappresentato nella Figura 3.
Verifica del copyright basata sulla similarità
Il processo di verifica del copyright confronta le impronte digitali percettive derivate dal video di interrogazione con quelle precedentemente archiviate nel sistema blockchain. Lo stesso processo di preelaborazione e generazione di hash value utilizzato durante la registrazione viene ripetuto nella fase di verifica per mantenere la coerenza. La somiglianza viene misurata usando la distanza di Hamming, che conta il numero di differenze di bit tra due valori hash. Distanze Hamming più piccole indicano una maggiore somiglianza tra i due video, mentre distanze Hamming maggiori indicano manipolazione dei contenuti. Per verificare se il video di query corrispondeva a quello registrato, abbiamo usato la distanza di Hamming tra i loro valori hash percettivi. Sulla base di esperimenti preliminari, è stata selezionata una soglia di distanza Hamming di 20 per fornire un equilibrio adeguato tra la robustezza alle operazioni di elaborazione video comuni e la sensibilità alle modifiche non autorizzate. I video con una distanza di Hamming di 20 o meno erano considerati rappresentanti lo stesso contenuto protetto da copyright. Se fosse di più, mostrerebbe grandi cambiamenti. Questo 20 è stato scelto per gestire i montaggi video comuni come compressione, filtraggio, transcodifica e variazioni di frame rate, ma rileva comunque modifiche non autorizzate. Vengono effettuate misurazioni di somiglianza per tutte le impronte digitali raccolte, poi aggregate per produrre una conclusione di verifica del copyright. I video che si discostano dai contenuti registrati vengono segnalati per ulteriori controlli.
Ambiente di distribuzione
L'ambiente del banco di prova è stato creato utilizzando container Docker e lo strumento di orchestrazione Minifab. Una rete blockchain basata su Hyperledger Fabric versione 2.4.8 è stata implementata con CouchDB come database di stato e livello di archiviazione per i dati degli smart contract. Lo smart contract vitChain è stato implementato in Go e distribuito utilizzando il ciclo di vita del chaincode Hyperledger Fabric. I parametri di distribuzione sono riassunti nella Tabella 2. La rete era composta da due organizzazioni partecipanti, ovvero il Content Creator e il Videographer. Per garantire l'integrità delle transazioni e prevenire registrazioni o modifiche non autorizzate del copyright, è stata implementata una politica di endorsement multi-organizzazione, che richiedeva l'approvazione di entrambe le organizzazioni prima che una transazione potesse essere messa nel registro contabile. In particolare, la politica di endorsement seguiva una regola AND, espressa come AND ('ContentCreatorMSP.peer', 'VideographerMSP.peer').
Risultati
Per valutare l'efficacia del modello proposto di protezione decentralizzata del copyright, viene testato contro vari attacchi di manipolazione video che avvengono frequentemente durante la trasmissione multimediale, il montaggio e la violazione del copyright. Due fattori principali nella valutazione includono: (i) l'affidabilità dell'algoritmo di hashing percettivo nel rilevare copyright e manomissioni, e (ii) le prestazioni della rete blockchain Hyperledger Fabric. I punteggi di somiglianza sono stati generati calcolando l'hash medio (aHash), l'hash della differenza (dHash), l'hash percettivo (pHash) e l'hash wavelet (wHash), che sono stati poi confrontati con le impronte video registrate nella blockchain.
Analisi di somiglianza sotto attacchi di manipolazione video
La robustezza del modello è stata valutata utilizzando diversi attacchi applicati ai video, inclusi attacchi temporali, spaziali, geometrici, di compressione, di filtraggio e di manipolazione avversaria. I valori di somiglianza di questo studio derivano da singoli esperimenti per ogni scenario di manipolazione video. Ogni tipo di manipolazione è stato applicato una volta per creare un caso di prova rappresentativo, e i punteggi di somiglianza sono stati registrati per l'analisi. L'obiettivo era verificare quanto bene il framework proposto potesse individuare i cambiamenti legati al copyright in varie condizioni di attacco realistiche. Quindi, i valori riportati mostrano risultati da singoli casi di test, non medie di studi ripetuti.
I punteggi di somiglianza che utilizzano quattro algoritmi di hashing percettivo sono elencati nella Tabella 3. Il modello proposto raggiunge un grado relativamente alto di somiglianza sotto la maggior parte degli attacchi che preservano i contenuti, pur rimanendo sensibile ai grandi cambiamenti strutturali nei video (Tabella 3).
Prestazioni sotto trasformazioni temporali
Trasformazioni temporali come l'inserimento dei fotogrammi, la cancellazione dei fotogrammi, la sostituzione dei fotogrammi e la conversione del frame rate influenzano principalmente la continuità temporale dei video preservandone quasi intatte le caratteristiche spaziali. Gli esperimenti hanno mostrato che l'inserimento e la sostituzione del fotogramma hanno raggiunto oltre l'80% di somiglianza con tutti gli algoritmi di fingerprinting testati (Figura 4). Pertanto, le impronte percettive hanno mantenuto le caratteristiche visive dei video nonostante i cambiamenti temporali.
La cancellazione dei frame ha prodotto una leggera diminuzione dei valori di somiglianza a causa dell'assenza di informazioni nei frame. Tuttavia, le impronte digitali erano abbastanza simili da garantire prestazioni adeguate per rilevare violazioni del copyright. Le variazioni del frame rate non hanno influenzato significativamente le misure di somiglianza, poiché hanno fornito valori superiori al 97% nella maggior parte dei campioni di test. Questo perché le trasformazioni del frame rate non alterano significativamente le caratteristiche dei frame.
Influenza delle trasformazioni spaziali e geometriche
Le trasformazioni geometriche e spaziali influenzano direttamente le strutture visive nei fotogrammi video, rendendo relativamente difficile la tecnica di hashing percettivo. Le regioni localmente manomesse hanno portato a una leggera diminuzione dei valori di somiglianza, poiché le modifiche visive erano localizzate e non alteravano sostanzialmente l'hash percettivo globale.
Le operazioni di ritaglio hanno portato a una maggiore variazione nei valori di somiglianza a causa della rimozione di parti del materiale visivo. Le trasformazioni rotazionali hanno causato la maggiore riduzione dei valori di somiglianza, con valori che variano da circa il 48% al 66% nelle tecniche di hash percettivo. Questo è comprensibile poiché la rotazione modifica le strutture spaziali che giocano un ruolo importante nell'hash percettivo. Lo scalamento delle immagini ha avuto scarso effetto sui punteggi di somiglianza, poiché i valori sono rimasti sopra il 96%. La Figura 5 riassume i risultati di somiglianza ottenuti tramite rotazione video, incluse le trasformazioni geometriche.
Robustezza alla compressione, al filtraggio e al rumore
Compressione e transcodifica sono attività di routine durante l'archiviazione e la distribuzione multimediale. L'analisi sperimentale ha dimostrato che le somiglianze erano costantemente superiori al 98% anche dopo compressione, transcodifica e ricodifica MPEG con vari codec video. Dai risultati si può dedurre che le impronte percettive conservano la maggior parte del contenuto visivo nonostante gli errori di compressione e il rumore di quantizzazione. Inoltre, sono stati condotti esperimenti sull'aggiunta e il filtraggio del rumore. Indipendentemente da quanto fosse forte il rumore, la somiglianza era sempre tra il 98% e il 99%. Inoltre, il filtraggio gaussiano, mediano e passa-basso ha portato a cambiamenti minimi nella somiglianza, preservando l'informazione strutturale complessiva del video.
Rilevamento di modifiche complesse e avversarie
Il modello proposto è stato inoltre studiato per identificare attacchi come l'aggiunta di testo o adesivi ai fotogrammi video, la fusione di clip video e gli attacchi di modifica per collusione. Una tale modifica viene utilizzata per preservare la coerenza durante le modifiche non autorizzate al materiale protetto da copyright. Il risultato dell'analisi di somiglianza dopo l'aggiunta di testo ai fotogrammi video è mostrato nella Figura 6 qui sotto, mentre la Figura 7 mostra i risultati dell'analisi di somiglianza dei video uniti.
Confronto delle prestazioni degli algoritmi di hashing percettivo
Ognuno dei quattro algoritmi di hashing percettivo aveva proprietà specifiche osservate durante i test sperimentali. L'hashing percettivo (pHash) si è dimostrato molto robusto alla compressione, al filtraggio e alla trascodifica, pur rimanendo sensibile alle manipolazioni strutturali. L'hashing wavelet (wHash) ha funzionato bene con manipolazioni locali, come l'aggiunta di testo o oggetti.
L'hashing delle differenze (dHash) poteva rilevare manipolazioni strutturali legate al gradiente ma era più sensibile alla rotazione. L'hashing medio (aHash) era stabile quando applicato a operazioni applicate globalmente che non cambiavano l'intensità complessiva, ma era meno stabile quando avveniva la manipolazione geometrica. Nel complesso, pHash e wHash hanno prodotto i migliori risultati tra gli algoritmi testati.
Valutazione delle prestazioni della tecnologia blockchain
Oltre alle prestazioni nella verifica dei contenuti, sono state considerate anche la scalabilità e le prestazioni del sistema blockchain. Durante gli esperimenti, si scoprì che il tempo necessario per il caricamento dei file aumentava linearmente con la dimensione del file e la dimensione della rete, grazie alla sincronizzazione necessaria tra i pari.
Allo stesso modo, il tempo per estrarre e creare blocchi è cresciuto linearmente con il numero di pari. Questo risultato è stato previsto perché diventa più difficile eseguire transazioni man mano che il numero di peer cresce, richiedendo più comunicazioni. Tuttavia, il tempo osservato dagli autori è stato abbastanza realistico per il dominio applicativo della registrazione del copyright.
L'operazione di accesso ai blocchi non mostrava variazioni significative fino a quando la dimensione della rete non superava un valore specifico. Le prestazioni osservate sono influenzate anche dall'architettura di storage ibrida. In questa configurazione, i metadati di proprietà, le informazioni sulle transazioni e i valori hash percettivi sono memorizzati sulla blockchain, mentre CouchDB gestisce i dati multimediali. Questo riduce la quantità aggiunta al registro distribuito, aiutando a mantenere sotto controllo la crescita dello storage blockchain. Anche se gli autori non hanno effettuato un confronto specifico con un design solo blockchain, gli esperimenti dimostrano che il sistema funziona comunque bene per l'elaborazione e il recupero delle transazioni tra diverse configurazioni di rete. Le Figure 8–11 riassumono le valutazioni delle prestazioni blockchain dei ricercatori in varie configurazioni di rete.
Nel complesso, i risultati sperimentali indicano prestazioni efficienti del sistema suggerito che combina l'hashing percettivo con la tecnologia blockchain. Il framework suggerito è resistente alle operazioni di preservazione del contenuto e allo stesso tempo sensibile ad attacchi che cambiano la struttura. Inoltre, può registrare e verificare i diritti d'autore sulla rete Hyperledger Fabric.
Disponibilità dei dati:
I dati e i codici utilizzati nel presente studio sono stati caricati nel repository Zenodo e possono essere consultati da: https://doi.org/10.5281/zenodo.20665324. Questi includono dataset di frame estratti, hash percettivi, calcolo della distanza di Hamming, test di benchmarking blockchain, codice smart contract, file di distribuzione e altri metadati utilizzati negli esperimenti sulla registrazione e verifica del copyright.
Figura 1: Proposta di architettura del framework decentralizzato per la protezione del copyright video. La figura mostra la struttura complessiva del framework proposto, inclusi la preprocessing video, la generazione percettiva di hash, la registrazione blockchain, la verifica della proprietà e lo storage di CouchDB. Clicca qui per visualizzare una versione più grande di questa figura.
Figura 2: Modello di sistema proposto per la protezione e il flusso di lavoro di verifica del copyright video. Il flusso di lavoro dimostra processi di acquisizione video, estrazione di frame, generazione percettiva di hash, registrazione blockchain, verifica della similarità e decisioni sul copyright all'interno del framework proposto. Clicca qui per visualizzare una versione più grande di questa figura.
Figura 3: Diagramma di sequenza per la registrazione e verifica del copyright video. Il diagramma di sequenza rappresenta le interazioni tra il proprietario del contenuto, il livello applicativo, il modulo di hashing percettivo, lo smart contract, i nodi peer, il servizio di ordinazione, il registro blockchain e CouchDB durante la registrazione e la verifica del copyright. Clicca qui per visualizzare una versione più grande di questa figura.
Figura 4: Analisi di somiglianza sotto operazioni di editing multiplo dei fotogrammi. La figura presenta la performance cumulativa di somiglianza del framework proposto in diversi scenari di manipolazione temporale del video, inclusi inserimento, cancellazione, sostituzione e modifica del frame rate. Clicca qui per visualizzare una versione più grande di questa figura.
Figura 5: Analisi di somiglianza sotto rotazione video. La figura mostra l'impatto della rotazione dei video sui punteggi di somiglianza. Questo dimostra l'efficacia del framework proposto anche quando i video sono ruotati moderatamente. Clicca qui per visualizzare una versione più grande di questa figura.
Figura 6: Aggiunta di testo al video. Questo mostra i risultati di somiglianza dopo aver inserito testo nei fotogrammi video. Dimostra la capacità del framework proposto di identificare cambiamenti nei contenuti verificando al contempo la proprietà. Clicca qui per visualizzare una versione più grande di questa figura.
Figura 7: Segmenti uniti nel video. Questo rappresenta l'analisi della somiglianza video generata dalla fusione di frammenti provenienti da varie fonti. Clicca qui per visualizzare una versione più grande di questa figura.
Figura 8: Analisi dei tempi di esecuzione per il caricamento di file su archiviazione off-chain di CouchDB con un numero variabile di peer. Questa figura mostra il tempo richiesto dal framework proposto per caricare i metadati video sull'archiviazione off-chain per diverse dimensioni di file e configurazioni di rete. Clicca qui per visualizzare una versione più grande di questa figura.
Figura 9: Analisi del tempo di esecuzione in secondi per il block mining di file di dimensioni variabili con un numero variabile di peer sulla rete blockchain. Questa figura mostra le prestazioni di un'operazione di block mining nella rete Hyperledger Fabric tra diverse configurazioni di rete. Questo esperimento mostra gli effetti della dimensione del file e della configurazione peer-node sulle prestazioni del sistema. Clicca qui per visualizzare una versione più grande di questa figura.
Figura 10: Analisi dei tempi di esecuzione in secondi per la creazione di blocchi per file di dimensioni variabili con un numero variabile di peer sulla rete blockchain. La figura sottostante mostra il tempo necessario per creare un blocco nella rete sotto diverse configurazioni di rete. Questo aiuta ad analizzare le capacità operative e la scalabilità del framework. Clicca qui per visualizzare una versione più grande di questa figura.
Figura 11: Analisi dei tempi di esecuzione in secondi per l'accesso ai blocchi per file di dimensioni variabili con un numero variabile di peer sulla rete blockchain. Questa figura mostra il tempo necessario per recuperare le informazioni dal sistema blockchain per diverse dimensioni di file e configurazioni peer-node. Questo dimostra che il quadro proposto può essere utilizzato efficacemente per la validazione del copyright e il recupero della proprietà. Clicca qui per visualizzare una versione più grande di questa figura.
| S. No. | Autori | Applicazione | Blockchain | Sicurezza | Protezione | Scalabilità | Protezione del Copyright | Archiviazione fuori catena | Integrità | Decentralizzato |
| 1 | Liu et al.13 | Protezione del copyright digitale utilizzando la tecnologia blockchain | ✓ | ✓ | ✗ | ✓ | ✓ | ✓ | ✗ | ✓ |
| 2 | Zheng et al.12 | Protezione del copyright video basata su blockchain con watermarking | ✓ | ✓ | ✓ | ✗ | ✓ | ✓ | ✓ | ✓ |
| 3 | Qureshi et al.11 | Quadro di gestione del copyright multimediale | ✓ | ✓ | ✗ | ✗ | ✓ | ✓ | ✗ | ✓ |
| 4 | Darwish et al.9 | Filigrana video e verifica del copyright | ✓ | ✓ | ✓ | ✗ | ✓ | ✓ | ✓ | ✓ |
| 5 | Li et al.7 | Sistema decentralizzato di gestione del copyright musicale | ✓ | ✓ | ✗ | ✗ | ✓ | ✓ | ✗ | ✓ |
| 6 | Pandian et al.10 | Verifica dell'integrità video basata su blockchain | ✓ | ✓ | ✗ | ✗ | ✓ | ✗ | ✓ | ✓ |
| 7 | Guo J et al.6 | Gestione dei diritti digitali per risorse multimediali di educazione online | ✓ | ✗ | ✗ | ✗ | ✓ | ✓ | ✗ | ✓ |
| 8 | Moolikagedara et al.14 | Sistema di proprietà e tracciabilità basato su blockchain | ✓ | ✓ | ✗ | ✗ | ✓ | ✓ | ✗ | ✓ |
| 9 | Madapati ePradhan 5 | Framework di protezione del copyright video basato su Ethereum | ✓ | ✓ | ✗ | ✓ | ✓ | ✓ | ✓ | ✓ |
| 10 | Frattolillo et al.8 | Protezione del copyright digitale abilitata dagli smart contract | ✓ | ✓ | ✗ | ✓ | ✓ | ✓ | ✗ | ✓ |
| 11 | Quadro Proposto | Protezione del copyright video basata su Hyperledger Fabric utilizzando più hash percettivi (aHash, dHash, pHash e wHash) | ✓ | ✓ | ✓ | ✓ | ✓ | ✓ | ✓ | ✓ |
Tabella 1: Confronto dei sistemi esistenti di protezione del copyright basati su blockchain. La tabella confronta i metodi attuali di protezione del copyright basati su blockchain con il framework proposto su fattori chiave, tra cui l'uso della blockchain, gli smart contract, l'hashing percettivo, la scalabilità, la protezione del copyright, la sicurezza della proprietà, i controlli di integrità e la decentralizzazione.
| Parametro | Configurazione |
| Piattaforma Blockchain | Hyperledger Fabric 2.4.8 |
| Tipo di rete | Blockchain autorizzata |
| Numero di organizzazioni | 2 |
| Numero di nodi pari | 2 |
| Numero di nodi ordinatori | 2 |
| Autorità di certificazione | 2 |
| Canale di comunicazione | autochannel |
| Nome Smart Contract | vitChain |
| Linguaggio degli Smart Contract | Vai |
| Database statale | CouchDB |
| Strumento di Distribuzione | Minifab |
| Piattaforma Container | Docker |
| Meccanismo di consenso | Servizio di ordinazione di zattere |
| Memorizzazione dei metadati | CouchDB |
| Proprietà Storage | Registro Blockchain |
Tabella 2: Parametri di configurazione di distribuzione Hyperledger Fabric. La tabella elenca i dettagli della configurazione del deployment della rete blockchain Hyperledger Fabric, inclusi l'organizzazione, i peer, il servizio di ordinazione, l'autorità di certificazione, il canale di comunicazione, il meccanismo di consenso, gli smart contract e lo storage utilizzati per la sperimentazione.
| S.No | Attacco video | pHash (%) | wHash (%) | dHash (%) | aHash (%) |
| 1 | Attacco di inserzione del frame | 82.81 | 84.33 | 81.31 | 86.42 |
| 2 | Attacco di cancellazione del frame (spazio a sinistra) | 82.69 | 81.78 | 80.17 | 81.07 |
| 3 | Attacco di cancellazione dei frame (spazio rimosso) | 75.37 | 78.68 | 76.19 | 79.69 |
| 4 | Attacco di sostituzione del telaio | 84.86 | 82.6 | 84.19 | 81.07 |
| 5 | Attacco di Manomissione Regionale | 99.4 | 98.59 | 99.46 | 99.76 |
| 6 | Attacco a compressione MPEG | 99.64 | 99.61 | 99.1 | 99.64 |
| 7 | Attacco da Aggiunta di Rumore (25%) | 99.52 | 99.58 | 98.8 | 99.7 |
| 8 | Attacco da aggiunta di rumore (50%) | 99.64 | 99.4 | 98.68 | 99.52 |
| 9 | Attacco da Aggiunta di Rumore (75%) | 99.52 | 99.31 | 98.14 | 99.22 |
| 10 | Attacco di ritaglio | 69.71 | 54.81 | 69.11 | 57.27 |
| 11 | Attacco di rotazione (30°) | 54.21 | 60.61 | 57.09 | 65.56 |
| 12 | Attacco a rotazione (60°) | 48.56 | 53.97 | 51.38 | 57.57 |
| 13 | Attacco Scalabile | 98.56 | 99.28 | 96.81 | 97.48 |
| 14 | Traslazione + Ribaltamento (Sinistra–Destra) | 52.88 | 63.46 | 51.2 | 68.63 |
| 15 | Traduzione + Flipping (Su–Giù) | 50 | 45.34 | 60.7 | 42.73 |
| 16 | Filtraggio mediano (25) | 98.92 | 99.1 | 98.02 | 99.7 |
| 17 | Filtraggio mediano (50) | 98.08 | 98.17 | 97.3 | 99.28 |
| 18 | Filtraggio passa-basso | 97.84 | 99.13 | 96.03 | 96.63 |
| 19 | Sfocatura Gaussiana (σ = 5) | 99.76 | 98.68 | 98.68 | 99.76 |
| 20 | Sfocatura Gaussiana (σ = 10) | 99.76 | 97.6 | 97.78 | 99.4 |
| 21 | Attacco di riregistrazione (videocamera) | 98.68 | 98.83 | 91.95 | 93.51 |
| 22 | Conversione di formato (codificatore MPEG-4) | 99.16 | 99.19 | 98.14 | 99.4 |
| 23 | Conversione di formato (codificatore H.264 QSV) | 99.76 | 99.79 | 99.1 | 99.82 |
| 24 | Conversione di formato (Libvpx-VP9 Encoder) | 99.76 | 99.7 | 99.04 | 99.76 |
| 25 | Attacco temporale (15 fps) | 97.48 | 98.26 | 98.02 | 99.4 |
| 26 | Attacco temporale (24 fps) | 99.16 | 99.16 | 98.38 | 99.82 |
| 27 | Attacco di collusione | 99.76 | 99.28 | 98.74 | 99.58 |
| 28 | Attacco di Trascodifica | 99.76 | 99.7 | 99.04 | 99.76 |
| 29 | Attacco di cambio di bitrate | 99.52 | 99.7 | 99.4 | 99.76 |
Tabella 3: Analisi di somiglianza tra video originali e modificati sotto attacchi diversi. La tabella illustra i punteggi di somiglianza generati da diverse tecniche di hashing percettivo sotto varie manipolazioni video, tra cui inserimento, cancellazione, sostituzione, rotazione, compressione, scaling, aggiunta di rumore, aggiunta di testo e fusione video.
Discussione
Come dimostra il framework proposto, integrare la blockchain con l'hashing percettivo può proteggere efficacemente i video dalla violazione del copyright in modo decentralizzato. Innanzitutto, combinando la registrazione immutabile della proprietà e l'hashing percettivo, soddisfa entrambe le condizioni primarie dei sistemi di gestione del copyright: la registrazione sicura della proprietà e l'identificazione dei materiali protetti da copyright. In secondo luogo, l'utilizzo di Hyperledger Fabric consente il controllo degli accessi, la gestione trasparente delle transazioni e la gestione dei record a prova di manomissione.
Una varietà di funzioni hash percettive offre vantaggi aggiuntivi, consentendo tipi di rilevamento impossibili con una singola funzione hash percettiva. AHash rileva le proprietà di intensità globale ed è meno computazionalmente intensivo rispetto a dHash, che è più focalizzato sui cambiamenti locali di gradiente e sulle variazioni strutturali. D'altra parte, pHash utilizza informazioni nel dominio della frequenza ed è più robusto alle operazioni di compressione e filtraggio, mentre wHash è efficace nel rilevare cambiamenti localizzati, come l'aggiunta di testo o adesivi. Pertanto, la combinazione di tutte queste funzioni hash renderà altamente improbabile che il rilevamento non sia rilevato a causa delle limitazioni di ogni funzione hash separatamente. I risultati sperimentali mostrano che la sensibilità ai vari tipi di modifiche varia tra gli algoritmi, dimostrando l'utilità dell'applicazione del concetto multi-hash al rilevamento della manipolazione video.
L'uso di Hyperledger Fabric e CouchDB riduce la quantità di dati memorizzati sulla blockchain, rendendo la gestione dei metadati molto più efficiente. I test mostrano che il framework funziona bene nella pratica, ma dobbiamo comunque condurre un confronto quantitativo robusto tra sistemi di storage ibridi e completamente on-chain. Questo dovrebbe essere approfondito in studi futuri.
Mentre la maggior parte delle altre soluzioni blockchain per il copyright si concentra solo sulla registrazione della proprietà del copyright, l'approccio introdotto prevede sia la proprietà che la validazione a livello di contenuto. Tali capacità possono essere molto utili per risolvere questioni di copyright nella pratica, poiché i semplici registri di proprietà non sono sufficienti a determinare se un video montato o ridistribuito sia collegato al materiale protetto da copyright.
Tuttavia, esistono alcune limitazioni. Il test è stato eseguito su video con alcune caratteristiche e in condizioni specifiche. Inoltre, manipolazioni geometriche, come la rotazione, rimangono problematiche per verificare i media tramite hashing percettivo. In futuro, si prevede che testerà il sistema su ulteriori dataset multimediali ed esaminerà la possibilità di rendere le impronte digitali invarianti nella rotazione e di utilizzare algoritmi di intelligenza artificiale per identificare automaticamente le violazioni del copyright.
La registrazione di audit e il monitoraggio del copyright sono stati incorporati come componenti architetturali del quadro proposto. Tuttavia, la loro efficacia non è stata valutata indipendentemente nel presente studio. Ricerche future indageranno il loro ruolo nella risoluzione delle controversie, nel rilevamento delle anomalie e nel monitoraggio automatizzato del copyright in ambienti multimediali su larga scala.
Questo studio ha presentato un quadro decentralizzato per la protezione del copyright video che integra la tecnologia blockchain Hyperledger Fabric con molteplici tecniche di hashing percettivo per supportare la registrazione sicura della proprietà e la verifica del copyright basata sui contenuti. Il framework proposto combina algoritmi aHash, dHash, pHash e wHash con servizi blockchain abilitati a smart contract per creare un sistema di gestione del copyright trasparente, resistente alle manomissioni e verificabile.
La valutazione sperimentale ha dimostrato che il framework supporta efficacemente la verifica del copyright sotto una vasta gamma di modifiche video temporali, spaziali e basate sulla compressione. L'uso di tecniche di hashing percettivo multipli ha migliorato la robustezza contro le operazioni di elaborazione multimediale comuni, mantenendo al contempo la capacità di rilevare alterazioni non autorizzate dei contenuti. Inoltre, l'integrazione di Hyperledger Fabric e CouchDB ha fornito un'architettura di archiviazione ibrida che preservava l'integrità e la tracciabilità dei dati, consentendo al contempo una gestione efficiente dei metadati.
Da questi risultati, emerge che il sistema suggerito fonde efficacemente i principi della gestione decentralizzata e dell'autenticazione a livello di contenuto, superando così alcune delle carenze dei classici sistemi centralizzati di protezione del copyright. Inoltre, il sistema presentato offre trasparente revisione, proprietà immutabile e processi di verifica basati sulla somiglianza dei contenuti.
In conclusione, la ricerca mostra che integrare blockchain e hashing percettivo potrebbe offrire soluzioni per la protezione del copyright video di nuova generazione. Le ricerche future includeranno una valutazione più completa delle prestazioni del quadro proposto su database video più grandi e vari, insieme allo sviluppo di meccanismi avanzati di fingerprinting.
Dichiarazioni
Gli autori non hanno conflitti di interesse da dichiarare.
Ringraziamenti
Gli autori desiderano ringraziare la VIT-AP University, Amaravati, India, per aver fornito le strutture computazionali e il supporto alla ricerca necessari per condurre questo studio. Gli autori riconoscono inoltre il supporto ricevuto dal Dipartimento di Informatica e Ingegneria durante lo sviluppo e la valutazione del framework proposto.
Materiali
| Nome | Azienda | Numero di catalogo | Commenti |
|---|---|---|---|
| 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. |
Riferimenti
- 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.
Ristampe e permessi
Richiedi il permesso di riutilizzare il testo o le figure di questo articolo JoVE
Richiedi permesso