Deze studie presenteert een gedecentraliseerd kader voor video-auteursrechtbescherming dat private blockchain, smart contracts en perceptuele hashingtechnieken integreert. Het doel is om veilige eigendomsregistratie, onveranderlijk recordbeheer en efficiënte gelijkenisverificatie van videocontent in gedistribueerde omgevingen mogelijk te maken.
Onderzoeksartikel
Een gedecentraliseerde benadering van video-auteursrechtbescherming met behulp van private blockchain en perceptuele hashing
In dit artikel
Samenvatting
Samenvatting
De groeiende populariteit van het delen van videocontent op het internet heeft zorgen gewekt over auteursrechtschendingen, piraterij en eigendomsconflicten. Traditionele gecentraliseerde methoden voor het omgaan met auteursrecht hebben te maken met transparantieproblemen, vatbaarheid voor manipulatie en een afhankelijkheid van vertrouwde derden. Daarom presenteert deze studie een gedecentraliseerd systeem voor auteursrechten voor video, gebaseerd op Hyperledger Fabric, smart contracts en perceptuele hashing. Ten eerste worden de frames uit de video's geëxtraheerd en worden perceptuele vingerafdrukken gemaakt met behulp van de algoritmen average hash (aHash), difference hash (dHash), perceptual hash (pHash) en wavelet hash (wHash). Hashes en eigendomsinformatie worden opgeslagen op de blockchain, terwijl multimedia-assets buiten het grootboek worden bewaard. Auteursrechtcontroles worden uitgevoerd met frame-niveau gelijkenisvergelijkingen gebaseerd op de Hamming-afstand. Het voorgestelde framework werd getest op verschillende temporele, ruimtelijke en compressieve manipulaties, waaronder frame-invoeging, verwijdering, cropping, grootteverkleining, rotatie, filtering en transcodering. De experimenten toonden een hoge robuustheid tegen dergelijke veranderingen aan, terwijl ze tegelijkertijd ongeautoriseerde aanpassingen detecteerden. Daarom kan deze technologie een praktische oplossing bieden voor auteursrechtkwesties met behulp van een gedecentraliseerd blockchain-framework.
Inleiding
Vooruitgang in digitale multimediatechnologieën heeft de manier waarop video's worden geproduceerd, verspreid en geconsumeerd veranderd. Videostreaming, sociale netwerken en internetgebaseerde content-sharing systemen maken de snelle en gemakkelijke verspreiding van video's naar een wereldwijd publiek mogelijk. Hoewel technologische vooruitgang meer creatieve mogelijkheden biedt in de productie van digitale videocontent en de groei van online bedrijven, hebben deze ontwikkelingen het voor contentmakers gemakkelijker gemaakt om auteursrechtenschendingen, piraterij en problemen met eigendom te ervaren1. Video's kunnen gemakkelijk worden gekopieerd, bewerkt, opnieuw gecodeerd en verspreid, waardoor het beschermen van intellectueel eigendom in de multimediawereld van vandaag steeds moeilijker wordt 2,3.
Doorgaans zijn de huidige auteursrechtbeheersystemen afhankelijk van een centrale autoriteit om inhoud te registreren, eigendom te valideren, licentieovereenkomsten te beheren en geschillen af te handelen. Ondanks hun brede toepassing zijn deze beheersystemen gevoelig voor verschillende belangrijke beperkingen4. Ten eerste stelt centralisatie auteursrechtbeheersystemen bloot aan potentiële cyberaanvallen, gegevensmanipulatie en uitvaltijd. Daarnaast wordt auteursrechteigendom opgeslagen door vertrouwde derden, wat mogelijk niet geheel wenselijk is voor het auditen en het behouden van langdurige betrouwbaarheid van dergelijke informatie5. Een toename van digitale multimedia-inhoud maakt conventionele verificatieprocessen minder efficiënt, omdat ze vaak te veel tijd kosten en onpraktisch worden6.
De blockchaintechnologie lijkt een van de oplossingen te zijn die vertrouwens- en transparantieproblemen binnen de gedistribueerdeomgeving kan oplossen. Met behulp van onveranderlijke grootboeken via cryptografie en consensusmechanismen maakt blockchain veilige administratie mogelijk zonder dat een centrale autoriteit het proces controleert. Zodra de gegevens aan de blockchain worden toegevoegd, worden ze onveranderlijk en onveranderlijk, waardoor hogere niveaus van traceerbaarheid en verantwoording mogelijkzijn 8. Daarom zijn er veel inspanningen geleverd om blockchaintoepassingen te bestuderen op gebieden zoals DRM, IP en multimedia-eigendomsgarantie9. Onder de bestaande blockchainplatforms heeft Hyperledger Fabric veel aandacht gekregen vanwege zijn functies, waaronder een geautoriseerd architectuur, een modulaire structuur, ondersteuning voor slimme contracten, privacy en snelle verwerking. In tegenstelling tot publieke ketens maakt de geautoriseerde architectuur van Hyperledger Fabric het ideaal voor auteursrechtbeschermingssystemen10.
Er zijn echter bepaalde beperkingen aan het gebruik van een blockchain als enige middel om de auteursrechtstatus van multimedia-inhoud te identificeren11. Ten eerste produceren traditionele cryptografische hashfuncties (bijvoorbeeld SHA-256) volledig andere hashresultaten, zelfs wanneer er kleine wijzigingen worden aangebracht aan een video12. Hoewel het een wenselijke eigenschap is voor cryptografische doeleinden, belemmert het visuele herkenning van vergelijkbare of aangepaste versies van auteursrechtelijk beschermde multimedia-inhoud. Daarom moet multimediale auteursrechtverificatie gebaseerd zijn op inhoudsbewuste algoritmen die perceptuele overeenkomsten in afbeeldingen of video's kunnen detecteren13.
Een van de meest veelbelovende manieren om het auteursrechtprobleem in multimedia-inhoud aan te pakken, is het gebruik van perceptuele hashing14. In tegenstelling tot cryptografische hashing produceert perceptuele hashing vingerafdrukken die visuele eigenschappen van beeld of videoframe15 coderen. Dus, zelfs als het bestand is gewijzigd via de gebruikelijke processen (compressie, filteren, herschalen, ruis toevoegen, enzovoort), blijft de hash relatief ongewijzigd16. Er zijn momenteel vier typen perceptuele hashes in gebruik: gemiddelde hash, verschilhash, perceptuele hash en wavelet-hash17,18.
Er zijn talrijke studies geweest naar het gebruik van blockchaintechnologie in combinatie met auteursrechtbeschermingstechnieken voormultimedia-data. Eerdere werken maakten gebruik van blockchaintechnologie voor eigendomsregistratie, digitale watermerken, gedistribueerde opslag en beheer van bewijsmateriaal, gedecentraliseerd rechtenbeheer en veilige opslag van multimedia-inhoud20. De Hyperledger Fabric is in eerder werk gebruikt om auteursrechtregistratie, rechtenbeheer en transactie-audit mogelijk te maken via smart contracts en geautoriseerd consensusprotocol21,22. Evenzo zijn perceptuele hashing- en watermarkingmethoden voorgesteld om dubbele en gemanipuleerde multimediale inhoud te detecteren. Ondanks deze veelbelovende werken om auteursrechtbeheer mogelijk te maken met blockchaintechnologie, bestaan er nog enkele hiaten:23,24. Ten eerste zijn veel eerdere kaders vooral gericht op eigendomsregistratie, maar missen ze de mogelijkheid om inhoud te verifiëren. Ten tweede hebben veel werken vertrouwd op één hashing- of watermarking-methode, waardoor ze kwetsbaarder zijn voor videomanipulatie-aanvallen25,26. Tabel 1 toont aan dat bestaande systemen over het algemeen eigendomsregistratie ondersteunen, maar zelden gedecentraliseerd eigendomsbeheer combineren met multi-hash contentverificatie.
Met de vooruitgang in videobewerkingstechnologie is er een grotere behoefte aan efficiënte verificatie van video-eigendom om auteursrechtinbreuk te voorkomen27. De huidige technologie biedt verschillende methoden om video's tijdelijk te manipuleren door de framerate toe te voegen, te verwijderen, te vervangen en te veranderen. Evenzo omvatten ruimtelijke manipulatieopties het wijzigen van het frame size, scaling, filtering, compressie, transcoding en geometrische aanpassingen van video's28. Deze manipulaties maken het moeilijk om auteursrechthebbenden te identificeren, ook al veranderen ze het uiterlijk van de video niet. Een efficiënt systeem moet met integriteit kunnen onderscheiden tussen toegestane manipulatie, eigendom en auteursrechtinbreuk29.
Om de uitdaging van efficiënt video-auteursrechtbeheer aan te pakken, stelt dit artikel een gedecentraliseerd model voor dat gebruikmaakt van Hyperledger Fabric, smart contracts en perceptuele hashing. Het voorgestelde raamwerk zal perceptuele vingerafdrukken genereren met behulp van hashingtechnieken, waarbij videoframes30,31 worden extraherd. Vier verschillende hashingtechnieken, namelijk aHash, dHash, pHash en wHash, worden gebruikt om perceptuele vingerafdrukken te genereren. Eigendomsinformatie, tijdstempel en hashes worden vastgelegd op het geautoriseerd blockchain-gebaseerde grootboek. Om de schaalbaarheid te verbeteren wordt CouchDB samen met blockchain gebruikt om multimediale content off-chain op te slaan.
Het voorgestelde raamwerk maakt gebruik van Hamming-afstandsanalyse om frame-niveau gelijkenis te valideren en modificaties, duplicaties of illegaal gebruik van video's te detecteren. Door verschillende perceptuele hashingtechnieken te combineren met blockchain-gebaseerde hoorbaarheid, bereikt de oplossing zowel authenticatie op inhoudsniveau als manipulatiebestendig eigendomsbeheer. In tegenstelling tot eerdere systemen, die vertrouwen op één verificatiemethode, gebruikt het voorgestelde framework meerdere perceptuele descriptors om een reeks temporele, ruimtelijke en compressieve videomanipulaties te weerstaan.
Dit zijn de belangrijkste bijdragen die in het onderzoekswerk worden gepresenteerd: (1) Een decentralisatiebenadering voor het veilige auteursrechtregistratie- en verificatieproces voor video's met behulp van het Hyperledger Fabric-raamwerk; (2) Meerdere perceptuele hashing-algoritmen, zoals aHash, dHash, pHash en wHash, worden gebruikt om meerdere videovingerafdrukken te creëren die vergelijkbare video's kunnen herkennen, zelfs na bewerking; (3) Een gedistribueerd databasemodel met zowel Hyperledger Fabric als CouchDB wordt ontwikkeld om schaalbaarheidsproblemen aan te pakken zonder de integriteit en traceerbaarheid van data in gevaar te brengen; (4) Er wordt een uitgebreid verificatieproces geformuleerd waarbij de Hamming-afstand wordt berekend om de manipulatie van video's met betrekking tot frames en pixels te bepalen; (5) Er worden experimenten uitgevoerd om het vermogen van de voorgestelde methode aan te tonen bij het detecteren van aangepaste video's.
Door blockchain-gebaseerd eigendom en meerdere hashing-algoritmen te integreren, biedt het voorgestelde raamwerk een haalbare aanpak voor gedecentraliseerde video-auteursrechtbescherming.
Protocol
Deze studie betrof geen menselijke deelnemers, proefpersonen, dierlijke proefpersonen of klinische monsters. Daarom waren institutionele ethische goedkeuring en geïnformeerde toestemming niet vereist.
Materialen en software
De omgeving die werd gebruikt om het framework te implementeren was Hyperledger Fabric versie 2.4.8, CouchDB, Docker Containers, Minifab-implementatie, FFmpeg multimediaverwerkingsapplicaties en de programmeertaal Go. Hyperledger Fabric bood diensten voor gedecentraliseerd grootboekbeheer en uitvoering van slimme contracten, terwijl CouchDB auteursrechtinformatie efficiënt opsloeg en ophaalde via off-chain opslag. FFmpeg werd gebruikt voor het voorbewerken van video's en het extraheren van videoframes, terwijl perceptuele hashing-algoritmen werden toegepast via beeldhashingbibliotheken in de programmeertaal Go. Een lijst van alle gereedschappen en hun respectievelijke beschrijvingen is geïllustreerd in de Materiaaltabel.
Frameworkarchitectuur
Het voorgestelde framework maakt gebruik van perceptuele hashingalgoritmen binnen de geautoriseerde blockchain Hyperledger Fabric om een gedecentraliseerde benadering van video-auteursrechten en eigendomsvalidatie mogelijk te maken. Het framework bestaat uit vijf hoofdcomponenten: video-voorbewerking, perceptuele hashgeneratie, blockchain-gebaseerde auteursrechtregistratie en op gelijkenis gebaseerde verificatie. In dit kader dient Hyperledger Fabric als de vertrouwenslaag, die onveranderlijke eigendomsrecords levert, terwijl CouchDB off-chain opslag biedt. De algemene architectuur van het voorgestelde raamwerk is weergegeven in Figuur 1.
Model van het systeem voor auteursrechtverificatie
Een gedetailleerde workflow van het onderzochte systeem is weergegeven in Figuur 2. Het begint met video-opname, gevolgd door frame-extractie op regelmatige intervallen met FFmpeg. De geëxtraheerde frames worden verwerkt binnen de Hyperledger Fabric-implementatieomgeving, die acties omvat zoals eigendomsregistratie, certificaatbeheer, peercommunicatie en transactievalidatie. Perceptuele hashing wordt toegepast op de geëxtraheerde frames, gevolgd door Hamming-afstandsberekening om de mate van gelijkenis te beoordelen. Als de Hamming-afstand onder de drempel ligt, wordt het frame als authentiek beschouwd en vergelijkbaar met de geregistreerde inhoud; anders wordt het behandeld als gewijzigde inhoud.
Video-acquisitie, voorverwerking en het creëren van perceptuele hashing
Videovoorbeelden die in het experiment werden gebruikt, waren MP4-bestanden op 480p resolutie, gemiddeld ongeveer 26 seconden lang. De evaluatiedataset bevatte 15 videosamples, waaronder een originele referentievideo en verschillende aangepaste versies. Deze aanpassingen omvatten veelvoorkomende bewerkingstaken zoals het aanpassen van framerates, het invoegen, verwijderen of vervangen van frames, en het toepassen van vervormingen zoals bijsnijden, schalen, rotatie en overlay-effecten. De dataset bevatte ook compressie, ruis, tekst en stickertoevoegingen, glitch-effecten en meer. Alle video's waren in MP4-formaat met 480p-resolutie en ondergingen dezelfde voorbewerkings- en vingerafdrukgeneratiestappen. Deze dataset, ontworpen om de veerkracht van het systeem te testen, bestrijkt een breed scala aan realistische scenario's waarbij inbreuk en manipulatie betrokken zijn. Voordat ze onderworpen werden aan auteursrechtdetectie en -bevestiging, ondergingen videobestanden een voorbewerking in FFmpeg. Frames uit videobestanden werden met intervallen van 1 seconde geëxtraheerd om gecondenseerde samenvattingen van inhoud te verkrijgen in de vorm van visuele inhoud die computationeel goedkoop te verwerken bleven. Vervolgens werden deze frames omgezet naar grijswaarden en genormaliseerd om veranderingen in pixelintensiteiten als gevolg van lichtomstandigheden, codering en compressieverschillen te minimaliseren.
Vier perceptuele hashfuncties werden gebruikt om video-inhoudsvingerafdrukken te produceren in de vorm van gemiddelde hashing (aHash), differentiële hashing (dHash), perceptuele hashing (pHash) en wavelet-hashing (wHash).
Voor hashgeneratie werden frames eerst omgezet naar grijstinten en verkleind naar 8x8 pixels om aHash en dHash te berekenen. Met aHash werd een 64-bits vingerafdruk gegenereerd door elke pixel te vergelijken met de gemiddelde grijswaardigheid. Het dHash-algoritme deed iets soortgelijks, waarbij ook een 64-bits vingerafdruk werd gemaakt, maar het keek naar hoe de intensiteiten van aangrenzende horizontale pixels verschilden. Voor pHash werden frames verkleind tot 32x32 pixels, waarna de discrete cosinustransformatie werd berekend. Om de 64-bits perceptuele vingerafdruk te genereren, werden alleen de laagfrequente 8x8 DCT-coëfficiënten gebruikt. Wat wHash betreft, werden frames opnieuw verkleind naar 32x32 pixels, maar deze keer werden ze verwerkt met een Haar-wavelettransformatie. Een 64-bits hash werd gegenereerd uit de laagste frequentie waveletcoëfficiënten die werden geëxtraheerd. Al deze parameterinstellingen streven naar een goede balans tussen rekenefficiëntie en kracht om typische video-aanpassingen aan te kunnen.
Om efficiënte hashfunctieberekeningen uit te voeren, werden deze afbeeldingen genormaliseerd en verkleind. De gemiddelde hashmethode werkt door pixelintensiteiten te vergelijken met die van het gemiddelde van het beeld. Verschilhashing werkt op vergelijkbare wijze, maar richt zich op lokale gradiënten door pixelintensiteiten te vergelijken met die van naburige pixels. Perceptuele hashing gebruikt Fourier-features die voortkomen uit DCT, terwijl wavelet-hashing vertrouwt op wavelet-transformatieresultaten om features te extraheren.
Blockchain-gebaseerde auteursrechtregistratie en verificatie
De perceptuele vingerafdrukken, eigendomsmetadata, tijdstempels en transactiegegevens die worden verkregen, worden via het slimme contract vitChain in de Hyperledger Fabric-blockchain ingevoerd. De implementatie van blockchain omvat twee organisaties, twee peers, twee geordende nodes, twee certificate authority (CA) nodes en CouchDB-toestandsdatabases, allemaal gekoppeld via een autokanaal. Het geautoriseerde blockchain-framework faciliteert veilige verwerking, beperkte toegang en manipulatievrije opslag van auteursrechtgegevens.
De copyrightregistratieprocedure begint zodra de eigenaar van de inhoud de video via de gebruikersinterface uploadt. Wanneer een gebruiker een video indient voor auteursrechtregistratie, roept de applicatielaag het vitChain smart contract aan via de Hyperledger Fabric SDK. Deze registratie bevat een unieke transactie-ID, eigenaarinformatie, video-ID, tijdstempel en vier soorten perceptuele hashwaarden: aHash, dHash, pHash en wHash. Ook is er metadata over de inhoud. De app stuurt het transactievoorstel naar de peers die het onderschrijven. Deze peers voeren vervolgens de smart contract-logica uit en zorgen ervoor dat de transactie voldoet aan het endorsement-beleid. Na succesvolle validatie gaat de transactie over naar de besteldienst. Hier worden geverifieerde transacties gegroepeerd in blokken en naar peer-nodes gestuurd voor opname in het grootboek. Ondertussen gaat de bijbehorende metadata in CouchDB. Ze verbinden met de records van de blockchain via de transactie-ID, waardoor eenvoudige opzoekingen mogelijk zijn en zowel on-chain als off-chain data consistent blijven.
Na de preprocessing en perceptuele hashberekeningen worden de vingerafdrukken, samen met hun bijbehorende metadata, samengevoegd tot een transactie die door het smart contract wordt uitgevoerd. Transactievalidatie wordt uitgevoerd door deelnemende peers in overeenstemming met het gespecificeerde endorsementbeleid. Na goedkeuring wordt de transactie doorgegeven aan de bestellende dienst voor opname in een blok in het gedistribueerde grootboek. Voor een betrouwbare werking hebben we basisfoutafhandeling opgenomen in de registratie- en verificatieprocessen. Voordat een transactie plaatsvindt, controleert de app verplichte metadata, eigendomsinformatie en perceptuele hashes om problemen te voorkomen. Als transacties niet voldoen aan de endorsement-regels of ongeldige parameters hebben, wijzen peer-nodes ze direct af. Wanneer er problemen zijn zoals communicatiefouten of verwerkingsfouten, registreert het systeem deze en stuurt een admin-melding. Dit helpt kleine verwerkingsfouten te voorkomen die zich door het systeem verspreiden. Tijdens auteursrechtcontroles worden video's met ongeldige metadata of corrupte hashwaarden uitgesloten van het verificatieproces. Video's waarvoor vingerafdrukgeneratie faalt, worden op vergelijkbare wijze uitgesloten van het verificatieproces. Al met al houden deze stappen de data schoon en versterken ze de betrouwbaarheid van het framework. De eigendomsinformatie van de auteursrechtelijk beschermde video wordt onveranderlijk en is later beschikbaar voor opvraging.
Verificatie
Het verificatieproces omvat vergelijkbare preprocessing- en vingerafdrukberekeningsstappen, gevolgd door vingerafdrukvergelijking met opgeslagen vingerafdrukken in de blockchain met behulp van een op Hamming-afstand gebaseerde gelijkenismaat. Op basis van de gelijkenismaatstaf bepaalt het slimme contract de auteursrechtinformatie van de ingediende video. De interactieworkflow is weergegeven in Figuur 3.
Auteursrechtverificatie op basis van gelijkenis
Het auteursrechtverificatieproces vergelijkt perceptuele vingerafdrukken die afkomstig zijn van de zoekvideo met vingerafdrukken die eerder in het blockchainsysteem zijn opgeslagen. Hetzelfde voorverwerkings- en hashwaardegeneratieproces dat tijdens registratie wordt gebruikt, wordt herhaald in de verificatiefase om consistentie te behouden. Gelijkenis wordt gemeten met behulp van de Hamming-afstand, die het aantal bitverschillen tussen twee hashwaarden meetelt. Kleinere Hamming-afstanden duiden op een grotere gelijkenis tussen de twee video's, terwijl hogere Hamming-afstanden op inhoudsmanipulatie wijzen. Om te zien of de queryvideo overeenkwam met de geregistreerde video, gebruikten we de Hamming-afstand tussen hun perceptuele hashwaarden. Op basis van voorlopige experimenten werd een Hamming-afstandsdrempel van 20 gekozen om een geschikte balans te bieden tussen robuustheid voor veelvoorkomende videoverwerkingsoperaties en gevoeligheid voor ongeautoriseerde aanpassingen. Video's met een Hamming-afstand van 20 of minder werden beschouwd als dezelfde auteursrechtelijk beschermde inhoud. Als het meer was, zou het grote veranderingen laten zien. Deze 20 werd gekozen om veelvoorkomende video-edits zoals compressie, filtering, transcoding en wijzigingen in de framerate te verwerken, maar hij pikt nog steeds ongeautoriseerde wijzigingen op. Metingen van gelijkenis worden uitgevoerd voor alle verzamelde framevingerafdrukken en vervolgens samengevoegd om tot een auteursrechtverificatie te komen. Video's die afwijken van de geregistreerde inhoud worden gemarkeerd voor extra controle.
Implementatieomgeving
De testbedomgeving is gemaakt met behulp van Docker-containers en de Minifab-orkestratietool. Een blockchainnetwerk gebaseerd op Hyperledger Fabric versie 2.4.8 werd uitgerold met CouchDB als de toestandsdatabase en opslaglaag voor smart contract-gegevens. Het vitChain smart contract werd geïmplementeerd in Go en geïmplementeerd met behulp van de Hyperledger Fabric chaincode lifecycle. De implementatieparameters zijn samengevat in Tabel 2. Het netwerk bestond uit twee deelnemende organisaties, namelijk de Content Creator en de Videograaf. Om de integriteit van transacties te waarborgen en ongeautoriseerde auteursrechtregistratie of -wijziging te voorkomen, werd een multi-organisatie endorsementbeleid ingevoerd, waarbij goedkeuring van beide organisaties vereist is voordat een transactie in het grootboek kon worden gezet. Specifiek volgde het endorsementbeleid een EN-regel, uitgedrukt als AND ('ContentCreatorMSP.peer', 'VideographerMSP.peer').
Resultaten
Om de effectiviteit van het voorgestelde gedecentraliseerde auteursrechtbeschermingsmodel te beoordelen, wordt het getest tegen verschillende videomanipulatie-aanvallen die vaak voorkomen tijdens multimedia-overdracht, bewerking en auteursrechtinbreuk. Twee belangrijke factoren in de beoordeling zijn: (i) de betrouwbaarheid van het perceptuele hashing-algoritme bij het detecteren van auteursrecht en manipulatie, en (ii) de prestaties van het Hyperledger Fabric blockchainnetwerk. Gelijkenisscores werden gegenereerd door gemiddelde hash (aHash), differentiehash (dHash), perceptuele hash (pHash) en wavelet hash (wHash) te berekenen, die vervolgens werden vergeleken met de videovingerafdrukken die in de blockchain waren opgenomen.
Gelijkenisanalyse onder videomanipulatie-aanvallen
De robuustheid van het model werd beoordeeld met behulp van verschillende aanvallen die op video's werden toegepast, waaronder temporele, ruimtelijke, geometrische, compressie-, filter- en adversariële manipulatie-aanvallen. De gelijkeniswaarden van deze studie kwamen voort uit individuele experimenten voor elk videomanipulatiescenario. Elk type manipulatie werd eenmaal toegepast om een representatief testgeval te creëren, en de gelijkenisscores werden geregistreerd voor analyse. Het doel was om te controleren hoe goed het voorgestelde kader auteursrechtgerelateerde wijzigingen kon herkennen onder verschillende realistische aanvalsomstandigheden. Dus de gerapporteerde waarden tonen resultaten van individuele testcases, niet van gemiddelden van herhaalde onderzoeken.
Gelijkenisscores met vier perceptuele hashing-algoritmen worden vermeld in Tabel 3. Het voorgestelde model bereikt een relatief hoge mate van gelijkenis onder de meeste content-preserve-aanvallen, terwijl het gevoelig blijft voor grote structurele veranderingen in de video's (Tabel 3).
Prestaties onder temporele transformaties
Temporele transformaties zoals frame-insert, frame-verwijdering, framevervanging en framerate-conversie beïnvloeden voornamelijk de temporele continuïteit van video's, terwijl hun ruimtelijke kenmerken vrijwel intact blijven. Experimenten toonden aan dat frame-insertie en framesubstitutie meer dan 80% gelijkenis behaalden met alle geteste fingerprinting-algoritmen (Figuur 4). Daarom behielden perceptuele vingerafdrukken de visuele kenmerken van video's ondanks temporele veranderingen.
Frameverwijdering leidde tot een lichte daling van gelijkeniswaarden vanwege het ontbreken van informatie in de frames. Desalniettemin waren de vingerafdrukken vergelijkbaar genoeg om voldoende prestaties te bieden voor het detecteren van auteursrechtinbreuk. Framerate-variaties hadden geen significante invloed op de gelijkenismaten, aangezien ze waarden boven 97% opleverden in de meeste testmonsters. Dit komt doordat framesnelheidstransformaties de framekenmerken niet significant veranderen.
Invloed van ruimtelijke en geometrische transformaties
Geometrische en ruimtelijke transformaties beïnvloeden direct de visuele structuren in videoframes, waardoor het relatief moeilijk wordt voor de perceptuele hashingtechniek. Lokaal gemanipuleerde regio's leidden slechts tot een lichte afname in gelijkeniswaarden, omdat de visuele aanpassingen lokaal waren en de globale perceptuele hash niet wezenlijk veranderden.
De cropping-operaties resulteerden in grotere variatie in gelijkeniswaarden door het verwijderen van delen van het visuele materiaal. Rotatietransformaties veroorzaakten de grootste vermindering in gelijkeniswaarden, met waarden variërend van ongeveer 48% tot 66% over perceptuele hashtechnieken. Dit is begrijpelijk, aangezien rotatie de ruimtelijke structuren verandert die een belangrijke rol spelen in de perceptuele hash. Het schalen van de beelden had weinig effect op de gelijkenisscores, omdat de waarden boven de 96% bleven. Figuur 5 vat de gelijkenisresultaten samen die zijn verkregen onder videorotatie, inclusief geometrische transformaties.
Robuustheid tegen compressie, filtering en ruis
Compressie en transcoderen zijn routinematige activiteiten bij het opslaan en distribueren van multimedia. Experimentele analyse heeft aangetoond dat de overeenkomsten consequent boven de 98% lagen, zelfs na MPEG-compressie, transcodering en hercodering met verschillende videocodecs. Uit de bevindingen kan worden afgeleid dat perceptuele vingerafdrukken het grootste deel van de visuele inhoud behouden ondanks compressiefouten en kwantisatieruis. Ook zijn er experimenten uitgevoerd met ruisoptelling en -filtering. Ongeacht hoe luid het geluid was, lag de gelijkenis altijd tussen 98% en 99%. Daarnaast resulteerden Gaussiaan-, mediaan- en laagdoorlaatfiltering in minimale veranderingen in gelijkenis, waardoor de algehele structurele informatie van de video behouden bleef.
Detectie van complexe en adversariële wijzigingen
Het voorgestelde model werd ook onderzocht om aanvallen te identificeren zoals het toevoegen van tekst of stickers aan videoframes, het samenvoegen van videoclips en samenzweringsaanvallen. Zo'n wijziging wordt gebruikt om consistentie te behouden bij ongeoorloofde wijzigingen aan auteursrechtelijk beschermd materiaal. De uitkomst van de gelijkenisanalyse na het toevoegen van tekst aan de videoframes wordt weergegeven in Figuur 6 hieronder, terwijl Figuur 7 de resultaten van de gelijkenisanalyse van samengevoegde videoclips toont.
Vergelijking van de prestaties van perceptuele hashing-algoritmen
Elk van de vier perceptuele hashing-algoritmen had specifieke eigenschappen die tijdens experimentele tests werden waargenomen. Perceptuele hashing (pHash) bleek zeer robuust voor compressie, filtering en transcodering, terwijl het gevoelig bleef voor structurele manipulaties. Wavelet-hashing (wHash) presteerde goed onder lokale manipulaties, zoals het toevoegen van tekst of objecten.
Verschilhashing (dHash) kon gradiëntgerelateerde structurele manipulaties detecteren, maar was gevoeliger voor rotatie. Gemiddelde hashing (aHash) was stabiel wanneer toegepast op globaal toegepaste bewerkingen die de algehele intensiteit niet veranderden, maar was minder stabiel wanneer geometrische manipulatie plaatsvond. Al met al leverden pHash en wHash de beste resultaten op onder de geteste algoritmen.
Prestatie-evaluatie van blockchaintechnologie
Naast de prestaties van contentverificatie werden ook de schaalbaarheid en prestaties van het blockchainsysteem meegenomen. Tijdens experimenten werd ontdekt dat de tijd die nodig was voor het uploaden van bestanden lineair toenam met de bestandsgrootte en netwerkgrootte, vanwege de synchronisatie die nodig was tussen peers.
Evenzo nam de tijd om te delven en blokken te creëren lineair toe met het aantal peers. Dit resultaat werd voorspeld omdat het moeilijker wordt om transacties uit te voeren naarmate het aantal peers groeit, wat meer communicatie vereist. De tijd die door de auteurs werd geobserveerd was echter realistisch genoeg voor het domein van auteursrechtregistratie.
De werking van het benaderen van blokken vertoonde geen significante variaties totdat de netwerkgrootte een specifieke waarde overschreed. De waargenomen prestaties worden ook beïnvloed door de hybride opslagarchitectuur. In deze opzet worden eigendomsmetadata, transactie-informatie en perceptuele hashwaarden opgeslagen op de blockchain, terwijl CouchDB multimediadata verwerkt. Dit vermindert het bedrag dat aan het gedistribueerde grootboek wordt toegevoegd, waardoor de groei van blockchain-opslag onder controle blijft. Hoewel de auteurs geen specifieke vergelijking hebben gemaakt met een blockchain-only ontwerp, tonen experimenten aan dat het systeem nog steeds goed presteert voor transactieverwerking en -opvraging over verschillende netwerkopstellingen. Figuren 8–11 vatten de blockchain-prestatie-evaluaties van de onderzoekers samen over verschillende netwerkconfiguraties.
Al met al wijzen de experimentele resultaten op efficiënte prestaties van het voorgestelde systeem dat perceptuele hashing combineert met blockchaintechnologie. Het voorgestelde kader is resistent tegen content-preserve-operaties en tegelijkertijd gevoelig voor structure-veranderende aanvallen. Daarnaast kan het auteursrechten registreren en verifiëren op het Hyperledger Fabric-netwerk.
Beschikbaarheid van gegevens:
De gegevens en codes die in deze studie zijn gebruikt, zijn geüpload naar de Zenodo-repository en zijn toegankelijk van: https://doi.org/10.5281/zenodo.20665324. Deze omvatten geëxtraheerde framedatasets, perceptuele hashes, Hamming-afstandsberekening, blockchain-benchmarktests, smart contract-code, deploymentbestanden en andere metadata die worden gebruikt in de experimenten over auteursrechtregistratie en verificatie.
Figuur 1: Voorgestelde architectuur voor het architectuur van het kader voor bescherming van het auteursrecht van video. De figuur toont de algemene structuur van het voorgestelde framework, inclusief video-preprocessing, perceptuele hashgeneratie, blockchainregistratie, eigendomsverificatie en CouchDB-opslag. Klik hier om een grotere versie van deze figuur te bekijken.
Figuur 2: Voorgesteld systeemmodel voor de workflow van video-auteursrechtbescherming en verificatie. De workflow toont video-acquisitie, frame-extractie, perceptuele hashgeneratie, blockchainregistratie, gelijkenisverificatie en auteursrechtbeslissingsprocessen binnen het voorgestelde raamwerk. Klik hier om een grotere versie van deze figuur te bekijken.
Figuur 3: Sequentiediagram voor registratie en verificatie van videoauteursrechten. Het sequentiediagram toont de interacties tussen de contenteigenaar, de applicatielaag, de perceptuele hashmodule, het smart contract, de peer-nodes, de orderservice, het blockchain-grootboek en CouchDB tijdens auteursrechtregistratie en verificatie. Klik hier om een grotere versie van deze figuur te bekijken.
Figuur 4: Gelijkenisanalyse onder meerdere frame-bewerkingen. De figuur toont de cumulatieve gelijkenisprestaties van het voorgestelde kader over verschillende scenario's van temporele videomanipulatie, waaronder frame-insertie, verwijdering, vervanging en framerate-aanpassing. Klik hier om een grotere versie van deze figuur te bekijken.
Figuur 5: Gelijkenisanalyse onder videorotatie. De figuur toont de impact van videorotatie op gelijkenisscores. Dit toont de effectiviteit van het voorgestelde kader aan, zelfs wanneer de video's matig worden geroteerd. Klik hier om een grotere versie van deze figuur te bekijken.
Figuur 6: Tekst toevoegen aan de video. Dit toont de gelijkenisresultaten na het invoegen van tekst in de videoframes. Het toont het vermogen van het voorgestelde kader aan om inhoudswijzigingen te identificeren terwijl het eigendom wordt geverifieerd. Klik hier om een grotere versie van deze figuur te bekijken.
Figuur 7: Samengevoegde segmenten in de video. Dit vertegenwoordigt de analyse van videogelijkenis die wordt gegenereerd door fragmenten uit verschillende bronnen samen te voegen. Klik hier om een grotere versie van deze figuur te bekijken.
Figuur 8: Uitvoeringstijdanalyse voor het uploaden van bestanden op CouchDB off-chain opslag met een variërend aantal peers. Deze figuur toont de tijd die het voorgestelde framework nodig heeft om videometadata te uploaden naar off-chain opslag voor verschillende bestandsgroottes en netwerkconfiguraties. Klik hier om een grotere versie van deze figuur te bekijken.
Figuur 9: Uitvoeringstijdanalyse in seconden voor blokmining voor verschillende bestandsgroottes met een wisselend aantal peers op het blockchainnetwerk. Deze figuur toont de prestaties van een block mining-operatie in het Hyperledger Fabric-netwerk over verschillende netwerkconfiguraties. Dit experiment toont de effecten van bestandsgrootte en peer-node-configuratie op systeemprestaties. Klik hier om een grotere versie van deze figuur te bekijken.
Figuur 10: Uitvoeringstijdanalyse in seconden voor blokcreatie voor verschillende bestandsgroottes met een wisselend aantal peers op het blockchainnetwerk. De onderstaande figuur toont de tijd die nodig is om een blok in het netwerk te creëren onder verschillende netwerkconfiguraties. Dit helpt bij het analyseren van de operationele capaciteiten en schaalbaarheid van het framework. Klik hier om een grotere versie van deze figuur te bekijken.
Figuur 11: Uitvoeringstijdanalyse in seconden voor bloktoegang voor verschillende bestandsgroottes met een wisselend aantal peers op het blockchainnetwerk. Deze figuur toont de tijd die nodig is om informatie uit het blockchainsysteem op te halen voor verschillende bestandsgroottes en peer-node-configuraties. Dit toont aan dat het voorgestelde kader effectief kan worden gebruikt voor auteursrechtvalidatie en het terughalen van eigendom. Klik hier om een grotere versie van deze figuur te bekijken.
| S. Nee. | Auteur(s) | Toepassing | Blockchain | Beveiliging | Bescherming | Schaalbaarheid | Auteursrechtbescherming | Off-chain opslag | Integriteit | Gedecentraliseerd |
| 1 | Liu et al.13 | Digitale auteursrechtbescherming met behulp van blockchaintechnologie | ✓ | ✓ | ✗ | ✓ | ✓ | ✓ | ✗ | ✓ |
| 2 | Zheng et al.12 | Blockchain-gebaseerde video-auteursrechtbescherming met watermarkering | ✓ | ✓ | ✓ | ✗ | ✓ | ✓ | ✓ | ✓ |
| 3 | Qureshi et al.11 | Multimedia auteursrechtbeheerkader | ✓ | ✓ | ✗ | ✗ | ✓ | ✓ | ✗ | ✓ |
| 4 | Darwish et al.9 | Videowatermerken en auteursrechtverificatie | ✓ | ✓ | ✓ | ✗ | ✓ | ✓ | ✓ | ✓ |
| 5 | Li et al.7 | Gedecentraliseerd systeem voor het beheer van muziekauteursrechten | ✓ | ✓ | ✗ | ✗ | ✓ | ✓ | ✗ | ✓ |
| 6 | Pandian et al.10 | Blockchain-gebaseerde video-integriteitsverificatie | ✓ | ✓ | ✗ | ✗ | ✓ | ✗ | ✓ | ✓ |
| 7 | Guo J et al.6 | Digitaal rechtenbeheer voor multimediale bronnen van online onderwijs | ✓ | ✗ | ✗ | ✗ | ✓ | ✓ | ✗ | ✓ |
| 8 | Moolikagedara et al.14 | Blockchain-gebaseerd eigendoms- en traceerbaarheidssysteem | ✓ | ✓ | ✗ | ✗ | ✓ | ✓ | ✗ | ✓ |
| 9 | Madapati en Pradhan5 | Een Ethereum-gebaseerd video-auteursrechtbeschermingsframework | ✓ | ✓ | ✗ | ✓ | ✓ | ✓ | ✓ | ✓ |
| 10 | Frattolillo et al.8 | Digitale auteursrechtbescherming met Smart Contracts | ✓ | ✓ | ✗ | ✓ | ✓ | ✓ | ✗ | ✓ |
| 11 | Voorgesteld kader | Hyperledger Fabric-gebaseerde video-auteursrechtbescherming met meerdere perceptuele hashes (aHash, dHash, pHash en wHash) | ✓ | ✓ | ✓ | ✓ | ✓ | ✓ | ✓ | ✓ |
Tabel 1: Vergelijking van bestaande blockchain-gebaseerde auteursrechtbeschermingssystemen. De tabel vergelijkt de huidige op blockchain gebaseerde methoden voor auteursrechtbescherming met het voorgestelde kader op basis van belangrijke factoren, waaronder blockchaingebruik, smart contracts, perceptuele hashing, schaalbaarheid, auteursrechtbescherming, eigendomsbeveiliging, integriteitscontroles en decentralisatie.
| Parameter | Configuratie |
| Blockchain Platform | Hyperledger Fabric 2.4.8 |
| Netwerktype | Toestemmingsblockchain |
| Aantal organisaties | 2 |
| Aantal Peer Nodes | 2 |
| Aantal Orderer-knooppunten | 2 |
| Certificaatautoriteiten | 2 |
| Communicatiekanaal | Autochannel |
| Naam van Smart Contract | vitChain |
| Smart Contract-taal | Ga |
| Staatsdatabase | CouchDB |
| Implementatietool | Minifab |
| Containerplatform | Docker |
| Consensusmechanisme | Vlotbesteldienst |
| Metadataopslag | CouchDB |
| Eigendomsopslag | Blockchain Ledger |
Tabel 2: Hyperledger Fabric deployment configuratieparameters. De tabel geeft de implementatieconfiguratiedetails van het Hyperledger Fabric blockchainnetwerk weer, inclusief de organisatie, peers, orderservice, certificaatautoriteit, communicatiekanaal, consensusmechanisme, smart contracts en opslag die voor experimenten worden gebruikt.
| S.No | Video-aanval | pHash (%) | wHash (%) | dHash (%) | aHash (%) |
| 1 | Frame Insertion Attack | 82.81 | 84.33 | 81.31 | 86.42 |
| 2 | Frame Deletion Attack (ruimte links) | 82.69 | 81.78 | 80.17 | 81.07 |
| 3 | Frame Deletion Attack (ruimte verwijderd) | 75.37 | 78.68 | 76.19 | 79.69 |
| 4 | Framevervangingsaanval | 84.86 | 82.6 | 84.19 | 81.07 |
| 5 | Regio-manipulatieaanval | 99.4 | 98.59 | 99.46 | 99.76 |
| 6 | MPEG-compressieaanval | 99.64 | 99.61 | 99.1 | 99.64 |
| 7 | Aanval op ruistoevoeging (25%) | 99.52 | 99.58 | 98.8 | 99.7 |
| 8 | Geluidstoevoegingsaanval (50%) | 99.64 | 99.4 | 98.68 | 99.52 |
| 9 | Ruistoevoegingsaanval (75%) | 99.52 | 99.31 | 98.14 | 99.22 |
| 10 | Cropping-aanval | 69.71 | 54.81 | 69.11 | 57.27 |
| 11 | Rotatieaanval (30°) | 54.21 | 60.61 | 57.09 | 65.56 |
| 12 | Rotatieaanval (60°) | 48.56 | 53.97 | 51.38 | 57.57 |
| 13 | Schaalaanval | 98.56 | 99.28 | 96.81 | 97.48 |
| 14 | Translatie + Flippen (Links–Rechts) | 52.88 | 63.46 | 51.2 | 68.63 |
| 15 | Vertaling + Flippen (Omhoog–Omlaag) | 50 | 45.34 | 60.7 | 42.73 |
| 16 | Mediaanfiltering (25) | 98.92 | 99.1 | 98.02 | 99.7 |
| 17 | Mediaanfiltering (50) | 98.08 | 98.17 | 97.3 | 99.28 |
| 18 | Laagdoorlaatfiltering | 97.84 | 99.13 | 96.03 | 96.63 |
| 19 | Gaussische waas (σ = 5) | 99.76 | 98.68 | 98.68 | 99.76 |
| 20 | Gaussische waas (σ = 10) | 99.76 | 97.6 | 97.78 | 99.4 |
| 21 | Heropname (Camcorder) Attack | 98.68 | 98.83 | 91.95 | 93.51 |
| 22 | Formaatconversie (MPEG-4 encoder) | 99.16 | 99.19 | 98.14 | 99.4 |
| 23 | Formaatconversie (H.264 QSV-encoder) | 99.76 | 99.79 | 99.1 | 99.82 |
| 24 | Formaatconversie (Libvpx-VP9 Encoder) | 99.76 | 99.7 | 99.04 | 99.76 |
| 25 | Temporele aanval (15 fps) | 97.48 | 98.26 | 98.02 | 99.4 |
| 26 | Temporele aanval (24 fps) | 99.16 | 99.16 | 98.38 | 99.82 |
| 27 | Samenzweringsaanval | 99.76 | 99.28 | 98.74 | 99.58 |
| 28 | Transcoderingsaanval | 99.76 | 99.7 | 99.04 | 99.76 |
| 29 | Bitrate-veranderingsaanval | 99.52 | 99.7 | 99.4 | 99.76 |
Tabel 3: Gelijkenisanalyse tussen originele en aangepaste video's onder verschillende aanvallen. De tabel illustreert de gelijkenisscores die worden gegenereerd door verschillende perceptuele hashingtechnieken onder diverse videomanipulaties, waaronder frame-insertion, verwijdering, vervanging, rotatie, compressie, scaling, ruistoevoeging, teksttoevoeging en video-samenvoeging.
Discussie
Zoals het voorgestelde kader aantoont, kan het integreren van blockchain met perceptuele hashing video's effectief beschermen tegen auteursrechtinbreuk op een gedecentraliseerde manier. Ten eerste, door onveranderlijke eigendomsregistratie en perceptuele hashing te combineren, voldoet het aan beide primaire voorwaarden van auteursrechtbeheersystemen: veilige eigendomsregistratie en identificatie van auteursrechtelijk beschermd materiaal. Ten tweede maakt het gebruik van Hyperledger Fabric toegangscontrole, transparante transactieafhandeling en manipulatiebestendig recordbeheer mogelijk.
Een verscheidenheid aan perceptuele hashfuncties biedt extra voordelen, doordat detectietypen mogelijk zijn die niet mogelijk zijn met één enkele perceptuele hashfunctie. AHash detecteert globale intensiteitseigenschappen en is minder rekenintensief dan dHash, dat zich meer richt op lokale gradiëntveranderingen en structurele variaties. Aan de andere kant gebruikt pHash frequentiedomeininformatie en is het robuuster voor compressie- en filteroperaties, terwijl wHash goed is in het detecteren van lokale wijzigingen, zoals het toevoegen van tekst of stickers. Daardoor maakt de combinatie van al deze hashfuncties het zeer onwaarschijnlijk dat je detectie mist vanwege de beperkingen van elke hashfunctie afzonderlijk. Experimentele resultaten tonen aan dat de gevoeligheid voor verschillende soorten modificaties varieert tussen algoritmen, wat het nut aantoont van het toepassen van het multi-hashconcept op detectie van videomanipulatie.
Het gebruik van Hyperledger Fabric en CouchDB vermindert de hoeveelheid data die op de blockchain wordt opgeslagen, waardoor metadatabeheer veel efficiënter wordt. Tests tonen aan dat het framework in de praktijk goed werkt, maar we moeten nog steeds een robuuste kwantitatieve vergelijking maken tussen hybride en volledig on-chain opslagopstellingen. Dit moet in toekomstige studies worden onderzocht.
Terwijl de meeste andere blockchain-auteursrechtoplossingen zich uitsluitend richten op registratie van auteursrecht, omvat de geïntroduceerde aanpak zowel eigendoms- als inhoudsverificatie. Dergelijke mogelijkheden kunnen in de praktijk zeer nuttig zijn om auteursrechtkwesties op te lossen, aangezien loutere eigendomsdocumenten niet voldoende zijn om te bepalen of een bewerkte of herverdeelde video gerelateerd is aan het auteursrechtelijk beschermde materiaal.
Toch bestaan er wel enkele beperkingen. De test werd uitgevoerd op video's met bepaalde kenmerken en onder specifieke omstandigheden. Bovendien blijven geometrische manipulaties, zoals rotatie, problematisch voor het verifiëren van media met perceptuele hashing. In de toekomst wordt verwacht dat het systeem wordt getest op aanvullende multimediadatasets en de mogelijkheid wordt onderzocht om vingerafdrukken rotatie-invariant te maken en kunstmatige intelligentie-algoritmen te gebruiken om auteursrechtinbreuken automatisch te identificeren.
Auditlogging en auteursrechtmonitoring werden opgenomen als architecturale onderdelen van het voorgestelde kader. Hun effectiviteit werd echter niet onafhankelijk geëvalueerd in de huidige studie. Toekomstig onderzoek zal hun rol onderzoeken bij geschiloplossing, afwijkingsdetectie en geautomatiseerde auteursrechtmonitoring in grootschalige multimedia-omgevingen.
Deze studie presenteerde een gedecentraliseerd kader voor video-auteursrechtbescherming dat Hyperledger Fabric blockchaintechnologie integreert met meerdere perceptuele hashingtechnieken om veilige eigendomsregistratie en inhoudsgebaseerde auteursrechtverificatie te ondersteunen. Het voorgestelde framework combineert aHash-, dHash-, pHash- en wHash-algoritmen met door slimme contracten ondersteunde blockchaindiensten om een transparant, manipulatiebestendig en verifieerbaar auteursrechtbeheersysteem te creëren.
Experimentele evaluatie toonde aan dat het kader auteursrechtverificatie effectief ondersteunt onder een breed scala aan temporele, ruimtelijke en compressiegebaseerde video-aanpassingen. Het gebruik van meerdere perceptuele hashingtechnieken verbeterde de robuustheid tegen gangbare multimediaverwerkingsoperaties, terwijl de mogelijkheid behouden bleef om ongeautoriseerde wijzigingen in inhoud te detecteren. Daarnaast bood de integratie van Hyperledger Fabric en CouchDB een hybride opslagarchitectuur die dataintegriteit en traceerbaarheid behield, terwijl efficiënt metadatabeheer mogelijk werd.
Uit deze bevindingen blijkt dat het voorgestelde systeem effectief de principes van gedecentraliseerd beheer en authenticatie op inhoudsniveau combineert, waardoor enkele tekortkomingen van klassieke gecentraliseerde auteursrechtbeschermingssystemen worden overwonnen. Daarnaast biedt het gepresenteerde systeem transparante controle, onveranderlijk eigendom en verificatieprocessen op basis van gelijkenis in de inhoud.
Concluderend toont het onderzoek aan dat het integreren van blockchain en perceptuele hashing oplossingen kan bieden voor de auteursrechten van next-generation video's. Toekomstig onderzoek zal een meer uitgebreide evaluatie van de prestaties van het voorgestelde kader op grotere, meer gevarieerde videodatabases omvatten, samen met de ontwikkeling van geavanceerde vingerafdrukmechanismen.
Openbaarmakingen
De auteurs hoeven geen belangenconflicten aan te geven.
Dankbetuigingen
De auteurs willen VIT-AP University in Amaravati, India, bedanken voor het bieden van de computationele faciliteiten en onderzoeksondersteuning die nodig zijn om deze studie uit te voeren. De auteurs erkennen ook de steun die is ontvangen van de afdeling Computerwetenschappen en Techniek tijdens de ontwikkeling en evaluatie van het voorgestelde raamwerk.
Materialen
| Naam | Bedrijf | Catalogusnummer | Opmerkingen |
|---|---|---|---|
| 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. |
Referenties
- 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.