Este estudo apresenta uma estrutura descentralizada para proteção de direitos autorais em vídeo que integra blockchain privado, contratos inteligentes e técnicas de hashing perceptual. O objetivo é possibilitar o registro seguro da propriedade, gerenciamento imutável de registros e verificação eficiente baseada em similaridade do conteúdo de vídeo em ambientes distribuídos.
Artigo de investigação
Uma abordagem descentralizada para a proteção de direitos autorais em vídeo usando blockchain privado e hashing perceptual
Neste artigo
Resumo
Resumo
A crescente popularidade do compartilhamento de conteúdo em vídeo na Internet levantou preocupações sobre violações de direitos autorais, pirataria e disputas de propriedade. Métodos tradicionais centralizados para lidar com direitos autorais enfrentam questões de transparência, suscetibilidade à manipulação e dependência de terceiros confiáveis. Portanto, este estudo apresenta um sistema descentralizado de proteção de direitos autorais por vídeo baseado no Hyperledger Fabric, contratos inteligentes e hashing perceptual. Primeiramente, os quadros dos vídeos são extraídos, e impressões digitais perceptuais são criadas usando os algoritmos de hash médio (aHash), hash de diferença (dHash), hash perceptual (pHash) e hash wavelet (wHash). Hashes e informações de propriedade são armazenados na blockchain, enquanto ativos multimídia ficam fora do livro-caixa. As verificações de direitos autorais são realizadas usando comparações de similaridade em nível de quadro baseadas na distância de Hamming. A estrutura proposta foi testada em várias manipulações temporais, espaciais e compressivas, incluindo inserção, exclusão, recorte, redimensionamento, rotação, filtragem e transcodificação. Os experimentos mostraram alta robustez a tais mudanças, ao mesmo tempo em que detectavam modificações não autorizadas. Portanto, essa tecnologia pode fornecer uma solução prática para questões de direitos autorais usando uma estrutura blockchain descentralizada.
Introdução
Os avanços nas tecnologias multimídia digitais mudaram a forma como os vídeos são produzidos, distribuídos e consumidos. Streaming de vídeo, redes sociais e sistemas de compartilhamento de conteúdo baseados na Internet permitem a distribuição rápida e fácil de vídeos para públicos em todo o mundo. Embora os avanços tecnológicos permitam mais possibilidades criativas na produção de conteúdo digital em vídeo e no crescimento dos negócios online, esses mesmos avanços facilitaram que criadores de conteúdo enfrentem violações de direitos autorais, pirataria e problemas de propriedade1. Vídeos podem ser facilmente copiados, editados, recodificados e redistribuídos, tornando a proteção da propriedade intelectual cada vez mais difícil no mundo multimídia atual 2,3.
Normalmente, os sistemas atuais de gerenciamento de direitos autorais dependem de uma autoridade central para registrar conteúdo, validar a propriedade, gerenciar acordos de licenciamento e lidar com disputas. Apesar de amplamente adotados, esses sistemas de gestão são propensos a várias limitaçõessignificativas 4. Primeiro, a centralização expõe sistemas de gerenciamento de direitos autorais a potenciais ataques cibernéticos, manipulação de dados e períodos de inatividade. Além disso, a propriedade dos direitos autorais é armazenada por terceiros confiáveis, o que pode não ser totalmente desejável em termos de auditoria e manutenção da confiabilidade de longo prazo dessasinformações 5. Uma quantidade maior de conteúdo multimídia digital torna os processos convencionais de verificação menos eficientes, pois tendem a consumir muito tempo e se tornamimpraticáveis 6.
A tecnologia do blockchain parece ser uma das soluções que podem resolver questões de confiança e transparência dentro do ambientedistribuído 7. Utilizando livros-razão imutáveis por meio de criptografia e mecanismos de consenso, a blockchain permite a manutenção segura de registros sem uma autoridade central controlando o processo. Assim que os registros são adicionados à blockchain, eles se tornam imutáveis e imutáveis, proporcionando assim níveis mais altos de rastreabilidade e responsabilidade8. Por isso, muitos esforços foram feitos para estudar aplicações blockchain em áreas como DRM, IP e garantia de propriedade multimídia9. Entre as plataformas blockchain existentes, o Hyperledger Fabric recebeu atenção significativa por seus recursos, incluindo arquitetura com permissões, estrutura modular, suporte a contratos inteligentes, privacidade e processamento rápido. Em contraste com as redes públicas, a arquitetura autorizada do Hyperledger Fabric o torna ideal para sistemas de proteção de direitosautorais 10.
No entanto, existem certas limitações no uso de uma blockchain como único meio de identificar o status de direitos autorais do conteúdo multimídia. Primeiro, funções hash criptográficas tradicionais (por exemplo, SHA-256) produzem resultados de hash completamente diferentes mesmo quando pequenas alterações são feitas em um vídeo12. Embora seja uma característica desejável para fins criptográficos, ela dificulta o reconhecimento visual de versões semelhantes ou modificadas de conteúdo multimídia protegido por direitos autorais. Assim, a verificação de direitos autorais multimídia deve ser baseada em algoritmos conscientes do conteúdo que possam detectar semelhanças perceptivas em imagens ouvídeos 13.
Uma das formas mais promissoras de abordar o problema dos direitos autorais em conteúdo multimídia é usar o hashingperceptual 14. Ao contrário do hash criptográfico, o hash perceptual produz impressões digitais que codificam propriedades visuais do quadro15 da imagem ou vídeo. Assim, mesmo que o arquivo tenha sido alterado pelos processos usuais (compressão, filtragem, reescalonamento, adição de ruído, etc.), o hash permanece relativamenteinalterado 16. Existem quatro tipos de hashes perceptuais atualmente em uso: hash médio, hash de diferença, hash perceptual e hashwavelet 17,18.
Foram realizados inúmeros estudos de pesquisa investigando o uso da tecnologia blockchain em conjunto com técnicas de proteção de direitos autorais para dados multimídia19. Trabalhos anteriores utilizaram tecnologia blockchain para registro de propriedades, marca d'água digital, armazenamento distribuído e gerenciamento de evidências, gestão descentralizada de direitos e armazenamento seguro de conteúdomultimídia. O Hyperledger Fabric já foi utilizado em trabalhos anteriores para possibilitar registro de direitos autorais, gestão de direitos e auditoria de transações por meio de contratos inteligentes e protocolos de consensoautorizados 21,22. Da mesma forma, abordagens de hashing perceptual e marca d'água foram propostas para detectar conteúdo multimídia duplicado e manipulado. Apesar desses trabalhos promissores em possibilitar a gestão de direitos autorais usando tecnologia blockchain, ainda existem algumaslacunas 23,24. Primeiramente, muitos frameworks anteriores se preocupam principalmente com o registro de propriedade, mas não têm capacidade para verificar o conteúdo. Em segundo lugar, muitas obras dependeram de uma única abordagem de hashing ou marca d'água, tornando-as mais vulneráveis a ataques de manipulação de vídeo25,26. A Tabela 1 mostra que sistemas existentes geralmente suportam registro de propriedade, mas raramente combinam gestão descentralizada de propriedade com verificação de conteúdo multi-hash.
Com os avanços na tecnologia de edição de vídeo, há uma necessidade maior de verificação eficiente da propriedade de vídeos para evitar violações de direitosautorais 27. A tecnologia atual oferece vários métodos para manipular vídeos temporalmente, adicionando, removendo, substituindo e alterando a taxa de quadros. De forma semelhante, opções de manipulação espacial incluem redimensionamento de quadros, escalonamento, filtragem, compressão, transcodificação e alterações geométricas devídeos 28. Essas manipulações dificultam a identificação dos detentores dos direitos autorais, mesmo que não alterem a aparência do vídeo. Um sistema eficiente precisa ser capaz de diferenciar entre manipulação permitida, propriedade e violação de direitos autorais comintegridade 29.
Para enfrentar o desafio da gestão eficiente de direitos autorais em vídeos, este artigo propõe um modelo descentralizado que aproveita o Hyperledger Fabric, contratos inteligentes e hashing perceptual. A estrutura proposta gerará impressões digitais perceptuais usando técnicas de hashing, extraindo os quadrosde vídeo 30,31. Quatro técnicas diferentes de hashing, a saber, aHash, dHash, pHash e wHash, serão empregadas para gerar impressões digitais perceptivas. Informações de propriedade, carimbo de data e hashes são registrados no livro-razão baseado em blockchain autorizado. Para melhorar a escalabilidade, o CouchDB é usado em conjunto com blockchain para armazenar conteúdo multimídia fora da cadeia.
A estrutura proposta emprega análise de distância de Hamming para validar similaridade em nível de quadro e detectar modificações, duplicações ou uso ilegal de vídeos. Ao combinar várias técnicas de hashing perceptual com audibilidade baseada em blockchain, a solução alcança tanto autenticação em nível de conteúdo quanto gerenciamento de propriedade à prova de adulteração. Ao contrário dos sistemas anteriores, que dependem de um único método de verificação, a estrutura proposta utiliza múltiplos descritores perceptivos para suportar uma variedade de manipulações temporais, espaciais e compressivas de vídeo.
Estas são as principais contribuições apresentadas no trabalho de pesquisa: (1) Uma abordagem descentralizadora para o processo seguro de registro e verificação de direitos autorais para vídeos usando o framework Hyperledger Fabric; (2) Múltiplos algoritmos de hash perceptual, como aHash, dHash, pHash e wHash, são usados para criar múltiplas impressões digitais de vídeo que podem reconhecer vídeos semelhantes mesmo após serem editados; (3) Um modelo de banco de dados distribuído usando tanto o Hyperledger Fabric quanto o CouchDB é desenvolvido para resolver questões de escalabilidade sem comprometer a integridade e a rastreabilidade dos dados; (4) Um processo abrangente de verificação envolvendo o cálculo da distância de Hamming é formulado para determinar a manipulação de vídeos em relação a quadros e pixels; (5) Experimentos são realizados para demonstrar a capacidade do método proposto de detectar vídeos modificados.
Assim, ao integrar propriedade baseada em blockchain e múltiplos algoritmos de hashing, a estrutura proposta oferece uma abordagem viável para a proteção descentralizada de direitos autorais de vídeo.
Protocolo
Este estudo não envolveu participantes humanos, sujeitos humanos, animais ou amostras clínicas. Portanto, não era necessário aprovar a ética institucional nem o consentimento informado.
Materiais e software
O ambiente usado para implantar o framework era Hyperledger Fabric versão 2.4.8, CouchDB, Docker Containers, implantação Minifab, aplicações de processamento multimídia FFmpeg e a linguagem de programação Go. O Hyperledger Fabric fornecia serviços para gerenciamento descentralizado de livros-razão e execução de contratos inteligentes, enquanto o CouchDB armazenava e recuperava informações de direitos autorais de forma eficiente via armazenamento off-chain. FFmpeg era usado para pré-processamento de vídeos e extração de quadros de vídeo, enquanto algoritmos de hash perceptual eram aplicados por meio de bibliotecas de hashing de imagem na linguagem de programação Go. Uma lista de todas as ferramentas e suas respectivas descrições está ilustrada na Tabela de Materiais.
Arquitetura do framework
O framework proposto emprega algoritmos de hashing perceptual dentro do blockchain autorizado Hyperledger Fabric para permitir uma abordagem descentralizada para proteção de direitos autorais de vídeo e validação de propriedade. A estrutura consiste em cinco componentes principais: pré-processamento de vídeo, geração perceptual de hash, registro de direitos autorais baseado em blockchain e verificação baseada em similaridade. Nesse framework, o Hyperledger Fabric serve como camada de confiança, fornecendo registros de propriedade imutáveis, enquanto o CouchDB fornece armazenamento fora da cadeia. A arquitetura geral da estrutura proposta é retratada na Figura 1.
Modelo do sistema para verificação de direitos autorais
Um fluxo de trabalho detalhado do sistema em investigação é mostrado na Figura 2. Começa com a aquisição de vídeo, seguida pela extração de quadros em intervalos regulares usando FFmpeg. Os quadros extraídos são processados dentro do ambiente de implementação do Hyperledger Fabric, que inclui ações como registro de propriedade, administração de certificados, comunicação entre pares e validação de transações. O hashing perceptual é aplicado aos quadros extraídos, seguido pelo cálculo da distância de Hamming para avaliar o grau de similaridade. Se a distância de Hamming estiver abaixo do limiar, o quadro é considerado autêntico e semelhante ao conteúdo registrado; caso contrário, é tratado como conteúdo modificado.
Aquisição de vídeo, pré-processamento e criação de hash perceptual
Amostras de vídeo usadas no experimento eram arquivos MP4 em resolução 480p, com média de cerca de 26 segundos de duração. O conjunto de dados de avaliação tinha 15 amostras de vídeo, incluindo um vídeo de referência original e várias versões modificadas. Essas modificações incluíam tarefas comuns de edição, como alterar taxas de quadros, inserir, excluir ou substituir quadros, e aplicar distorções como recorte, escalonamento, rotação e efeitos de sobreposição. O conjunto de dados também incluía adições de compressão, ruído, texto e adesivos, efeitos de falhas e mais. Todos os vídeos estavam em formato MP4 em resolução 480p e passavam pelas mesmas etapas de pré-processamento e geração de impressão digital. Projetado para testar a resiliência do sistema, este conjunto de dados cobre uma ampla gama de cenários reais envolvendo infração e manipulação. Antes de serem sujeitos à detecção e confirmação de direitos autorais, os arquivos de vídeo passavam por pré-processamento no FFmpeg. Quadros de arquivos de vídeo eram extraídos em intervalos de 1 segundo para obter resumos condensados de conteúdo na forma de conteúdo visual que permaneciam computacionalmente baratos para processar. Em seguida, esses quadros eram convertidos para tons de cinza e normalizados para minimizar mudanças nas intensidades dos pixels decorrentes das condições de iluminação, codificação e diferenças de compressão.
Quatro funções de hashing perceptual foram usadas para produzir impressões digitais de conteúdo de vídeo na forma de hashing médio (aHash), hashing de diferença (dHash), hashing perceptual (pHash) e hashing wavelet (wHash).
Para geração de hash, os quadros foram primeiro convertidos para escala de cinza e redimensionados para 8x8 pixels para calcular aHash e dHash. Com o aHash, uma impressão digital de 64 bits era gerada comparando cada pixel com o valor médio em escala de cinza. O algoritmo dHash fez algo semelhante, criando também uma impressão digital de 64 bits, mas analisou como as intensidades dos pixels horizontais adjacentes diferiam. Para pHash, os quadros eram redimensionados para 32x32 pixels, então a transformada discreta do cosseno era calculada. Para gerar a impressão digital perceptiva de 64 bits, apenas os coeficientes DCT de baixa frequência 8x8 foram usados. Quanto ao wHash, os quadros foram novamente redimensionados para 32x32 pixels, mas desta vez processados com uma transformada wavelet de Haar. Um hash de 64 bits era gerado a partir dos coeficientes de wavelet de menor frequência extraídos. Todas essas configurações de parâmetros buscam um bom equilíbrio entre eficiência computacional e força para lidar com ajustes típicos de vídeo.
Para realizar cálculos eficientes da função hash, essas imagens eram normalizadas e redimensionadas. O método de hashing médio funciona comparando intensidades de pixels com as da média da imagem. O hashing de diferença opera de forma semelhante, mas foca em gradientes locais comparando intensidades de pixels com as de pixels vizinhos. O hashing perceptual utiliza características de Fourier que resultam da DCT, enquanto o hash wavelet depende dos resultados da transformada wavelet para extrair características.
Registro e verificação de direitos autorais baseados em blockchain
As impressões digitais perceptivas, metadados de propriedade, carimbos de data e detalhes das transações obtidos são inseridos na blockchain Hyperledger Fabric por meio do smart contract vitChain. A implementação do blockchain inclui duas organizações, dois pares, dois nós ordenados, dois nós de autoridade certificadora (CA) e bancos de dados de estado CouchDB, todos conectados via um canal automático. O framework de blockchain autorizado facilita o processamento seguro, acesso restrito e armazenamento à prova de adulteração dos dados de direitos autorais.
O procedimento de registro de direitos autorais começa assim que o proprietário do conteúdo faz upload do vídeo pela interface do usuário. Quando um usuário envia um vídeo para registro de direitos autorais, a camada de aplicação chama o contrato inteligente vitChain via o Hyperledger Fabric SDK. Esse registro inclui um ID de transação único, informações do proprietário, ID de vídeo, carimbo de data e quatro tipos de valores de hash perceptivos: aHash, dHash, pHash e wHash. Além disso, há metadados sobre o conteúdo. O aplicativo envia a proposta de transação para os pares que endossam. Esses pares então executam a lógica de contratos inteligentes e garantem que a transação esteja em conformidade com a política de endosso. Após validação bem-sucedida, a transação é transferida para o serviço de pedido. Aqui, as transações verificadas são agrupadas em blocos e enviadas para nós pares para inclusão no livro-caixa. Enquanto isso, os metadados relacionados vão para o CouchDB. Eles se conectam aos registros da blockchain via o ID da transação, permitindo consultas fáceis e mantendo os dados on-chain e off-chain consistentes.
Após o pré-processamento e os cálculos de hash perceptual, as impressões digitais, junto com seus metadados associados, são reunidas em uma transação a ser executada pelo contrato inteligente. A validação da transação é realizada pelos pares participantes de acordo com a política de endosso especificada. Após a endosso, a transação é encaminhada ao serviço de ordenação para inclusão em um bloco no livro-razão distribuído. Para uma operação confiável, incluímos o tratamento básico de erros nos processos de registro e verificação. Antes de uma transação acontecer, o app verifica metadados obrigatórios, informações de propriedade e hashes perceptuais para evitar problemas. Se as transações não atenderem às regras de endosso ou tiverem parâmetros inválidos, os nós pares as rejeitam diretamente. Quando há problemas como falhas de comunicação ou erros de processamento, o sistema os registra e envia um alerta administrativo. Isso ajuda a evitar pequenos erros de processamento que se propaguem pelo sistema. Durante as verificações de direitos autorais, vídeos contendo metadados inválidos ou valores de hash corrompidos são excluídos do processo de verificação. Vídeos para os quais a geração de impressão digital falha são igualmente excluídos do processo de verificação. No geral, essas etapas mantêm os dados limpos e fortalecem a confiabilidade do framework. As informações de propriedade do vídeo protegido por direitos autorais tornam-se imutáveis e estão disponíveis para recuperação posterior.
Verificação
O processo de verificação envolve etapas semelhantes de pré-processamento e computação de impressões digitais, seguidas por comparação de impressões digitais com impressões digitais armazenadas na blockchain, usando uma medida de similaridade baseada na distância de Hamming. Com base na medida de similaridade, o contrato inteligente determina as informações de direitos autorais do vídeo submetido. O fluxo de trabalho de interação é representado na Figura 3.
Verificação de direitos autorais baseada em similaridade
O processo de verificação de direitos autorais compara impressões digitais perceptuais derivadas do vídeo de consulta com impressões digitais previamente armazenadas no sistema blockchain. O mesmo processo de pré-processamento e geração de valor hash usado durante o registro é repetido na fase de verificação para manter a consistência. A similaridade é medida usando a distância de Hamming, que conta o número de diferenças de bits entre dois valores de hash. Distâncias Hamming menores indicam maior semelhança entre os dois vídeos, enquanto distâncias Hamming maiores indicam manipulação de conteúdo. Para verificar se o vídeo de consulta correspondia ao vídeo registrado, usamos a distância de Hamming entre seus valores de hash perceptuais. Com base em experimentos preliminares, foi selecionado um limiar de distância de Hamming de 20 para fornecer um equilíbrio adequado entre robustez a operações comuns de processamento de vídeo e sensibilidade a modificações não autorizadas. Vídeos com distância de Hamming de 20 ou menos eram considerados representando o mesmo conteúdo protegido por direitos autorais. Se fosse mais, mostraria grandes mudanças. Este 20 foi escolhido para lidar com edições comuns de vídeo como compressão, filtragem, transcodificação e mudanças na taxa de quadros, mas ainda detecta alterações não autorizadas. Medições de similaridade são feitas para todas as impressões digitais coletadas e depois agregadas para produzir uma conclusão de verificação de direitos autorais. Vídeos que fogem do conteúdo registrado são sinalizados para análise adicional.
Ambiente de implantação
O ambiente de teste foi criado usando containers Docker e a ferramenta de orquestração Minifab. Uma rede blockchain baseada no Hyperledger Fabric versão 2.4.8 foi implantada com o CouchDB como banco de dados estadual e camada de armazenamento para dados de contratos inteligentes. O contrato inteligente vitChain foi implementado no Go e implantado usando o ciclo de vida do chaincode do Hyperledger Fabric. Os parâmetros de implantação são resumidos na Tabela 2. A rede era composta por duas organizações participantes, a saber, o Criador de Conteúdo e o Videógrafo. Para garantir a integridade da transação e evitar registros ou modificações não autorizadas de direitos autorais, foi implementada uma política de endosso multi-organização, exigindo aprovação de ambas as organizações antes que a transação pudesse ser registrada no livro-caixa. Especificamente, a política de endosso seguia uma regra AND, expressa como AND ('ContentCreatorMSP.peer', 'VideographerMSP.peer').
Resultados
Para avaliar a eficácia do modelo proposto de proteção descentralizada de direitos autorais, ele é testado contra vários ataques de manipulação de vídeo que ocorrem frequentemente durante transmissão multimídia, edição e infração de direitos autorais. Dois fatores principais na avaliação incluem: (i) a confiabilidade do algoritmo de hashing perceptual na detecção de direitos autorais e adulterações, e (ii) o desempenho da rede blockchain Hyperledger Fabric. As pontuações de similaridade foram geradas calculando hash médio (aHash), hash de diferença (dHash), hash perceptual (pHash) e hash wavelet (wHash), que foram então comparados com as impressões digitais de vídeo registradas na blockchain.
Análise de similaridade sob ataques de manipulação de vídeo
A robustez do modelo foi avaliada usando vários ataques aplicados a vídeos, incluindo ataques temporais, espaciais, geométricos, de compressão, filtragem e manipulação adversarial. Os valores de similaridade deste estudo vieram de experimentos individuais para cada cenário de manipulação de vídeo. Cada tipo de manipulação foi aplicado uma vez para criar um caso de teste representativo, e suas pontuações de similaridade foram registradas para análise. O objetivo era verificar quão bem o framework proposto conseguiria identificar mudanças relacionadas a direitos autorais sob várias condições realistas de ataque. Portanto, os valores relatados mostram resultados de casos individuais de teste, não médias de ensaios repetidos.
Pontuações de similaridade usando quatro algoritmos de hashing perceptual estão listadas na Tabela 3. O modelo proposto alcança um grau relativamente alto de similaridade sob a maioria dos ataques que preservam conteúdo, permanecendo sensível a grandes mudanças estruturais nos vídeos (Tabela 3).
Desempenho sob transformações temporais
Transformações temporais como inserção de quadros, exclusão de quadros, substituição de quadros e conversão de taxa de quadros afetam principalmente a continuidade temporal dos vídeos, preservando suas características espaciais quase intactas. Experimentos mostraram que a inserção e a substituição de quadro alcançaram mais de 80% de semelhança com todos os algoritmos de impressão digital testados (Figura 4). Portanto, as impressões digitais perceptuais mantiveram as características visuais dos vídeos apesar das mudanças temporais.
A exclusão de quadros resultou em uma leve diminuição nos valores de similaridade devido à ausência de informações nos quadros. No entanto, as impressões digitais eram suficientemente semelhantes para fornecer desempenho adequado na detecção de infração de direitos autorais. As variações na taxa de quadros não afetaram significativamente as medidas de similaridade, pois apresentaram valores superiores a 97% na maioria das amostras de teste. Isso porque transformações de taxa de quadros não alteram significativamente as características dos quadros.
Influência das transformações espaciais e geométricas
Transformações geométricas e espaciais afetam diretamente as estruturas visuais nos quadros de vídeo, tornando relativamente difícil a técnica de hashing perceptual. Regiões localmente adulteradas levaram a apenas uma leve diminuição nos valores de similaridade, já que as modificações visuais foram localizadas e não alteraram substancialmente o hash perceptual global.
As operações de corte resultaram em maior variação nos valores de similaridade devido à remoção de partes do material visual. Transformações rotacionais causaram a maior redução nos valores de similaridade, com valores variando de cerca de 48% a 66% em técnicas de hash perceptual. Isso é compreensível, já que a rotação altera as estruturas espaciais que desempenham um papel importante no hash perceptual. A escala das imagens teve pouco efeito nas pontuações de similaridade, já que os valores permaneceram acima de 96%. A Figura 5 resume os resultados de similaridade obtidos sob rotação de vídeo, incluindo transformações geométricas.
Robustez à compressão, filtragem e ruído
Compressão e transcodificação são atividades rotineiras ao armazenar e distribuir multimídia. Análises experimentais mostraram que as semelhanças foram consistentemente acima de 98% mesmo após compressão, transcodificação e recodificação MPEG com vários codecs de vídeo. A partir dos achados, pode-se inferir que as impressões digitais perceptuais retêm a maior parte do conteúdo visual apesar dos erros de compressão e do ruído de quantização. Além disso, experimentos foram realizados sobre adição e filtragem de ruído. Independentemente do quão alto fosse o barulho, a semelhança sempre ficava entre 98% e 99%. Além disso, filtragem gaussiana, mediana e passa-baixa resultaram em mudanças mínimas na semelhança, preservando a informação estrutural geral do vídeo.
Detecção de modificações complexas e adversariais
O modelo proposto também foi investigado para identificar ataques como adicionar texto ou adesivos a quadros de vídeo, mesclar clipes de vídeo e ataques de modificação por conluio. Essa modificação é usada para preservar a consistência ao fazer alterações não autorizadas em material protegido por direitos autorais. O resultado da análise de similaridade após adicionar texto aos quadros de vídeo é mostrado na Figura 6 abaixo, enquanto a Figura 7 mostra os resultados da análise de similaridade de clipes de vídeo mesclados.
Comparação do desempenho de algoritmos de hashing perceptual
Cada um dos quatro algoritmos de hashing perceptual teve propriedades específicas observadas durante testes experimentais. O hashing perceptual (pHash) mostrou-se muito robusto à compressão, filtragem e transcodificação, permanecendo sensível a manipulações estruturais. O hashing wavelet (wHash) teve bom desempenho sob manipulações locais, como adicionar texto ou objetos.
O hashing de diferença (dHash) podia detectar manipulações estruturais relacionadas ao gradiente, mas era mais sensível à rotação. O hashing médio (aHash) era estável quando aplicado a operações aplicadas globalmente que não alteravam a intensidade geral, mas era menos estável quando ocorria manipulação geométrica. No geral, pHash e wHash produziram os melhores resultados entre os algoritmos testados.
Avaliação de desempenho da tecnologia blockchain
Além do desempenho na verificação de conteúdo, a escalabilidade e o desempenho do sistema blockchain também foram considerados. Durante experimentos, descobriu-se que o tempo necessário para upload de arquivos crescia linearmente com o tamanho do arquivo e o tamanho da rede, devido à sincronização necessária entre os pares.
Da mesma forma, o tempo para minerar e criar blocos cresceu linearmente com o número de pares. Esse resultado foi previsto porque se torna mais difícil realizar transações à medida que o número de pares cresce, exigindo mais comunicação. No entanto, o tempo observado pelos autores foi realista o suficiente para o domínio de aplicação do registro de direitos autorais.
A operação de acesso aos blocos não apresentou variações significativas até que o tamanho da rede ultrapassasse algum valor específico. O desempenho observado também é afetado pela arquitetura de armazenamento híbrido. Nesse contexto, metadados de propriedade, informações de transação e valores perceptuais de hash são armazenados na blockchain, enquanto o CouchDB lida com dados multimídia. Isso reduz a quantidade adicionada ao livro-razão distribuído, ajudando a manter o crescimento do armazenamento em blockchain sob controle. Embora os autores não tenham realizado uma comparação específica com um design apenas blockchain, experimentos mostram que o sistema ainda tem bom desempenho para processamento e recuperação de transações em diferentes configurações de rede. As Figuras 8–11 resumem as avaliações de desempenho dos pesquisadores em blockchain em várias configurações de rede.
No geral, os resultados experimentais indicam desempenho eficiente do sistema sugerido que combina hashing perceptual com tecnologia blockchain. A estrutura sugerida é resistente a operações de preservação de conteúdo e, ao mesmo tempo, sensível a ataques que mudam a estrutura. Além disso, pode registrar e verificar direitos autorais na rede Hyperledger Fabric.
Disponibilidade de Dados:
Os dados e códigos usados no presente estudo foram enviados para o repositório Zenodo e podem ser acessados em: https://doi.org/10.5281/zenodo.20665324. Esses incluem conjuntos de dados de frames extraídos, hashes perceptuais, computação de distância de Hamming, testes de benchmarking em blockchain, código de contratos inteligentes, arquivos de implantação e outros metadados usados nos experimentos de registro e verificação de direitos autorais.
Figura 1: Arquitetura proposta para estrutura descentralizada de proteção de direitos autorais em vídeo. A figura mostra a estrutura geral do framework proposto, incluindo pré-processamento de vídeo, geração perceptual de hash, registro em blockchain, verificação de propriedade e armazenamento no CouchDB. Por favor, clique aqui para ver uma versão ampliada desta figura.
Figura 2: Modelo de sistema proposto para proteção de direitos autorais em vídeo e fluxo de trabalho de verificação. O fluxo de trabalho demonstra aquisição de vídeo, extração de quadros, geração perceptual de hash, registro em blockchain, verificação de similaridade e processos de tomada de decisão de direitos autorais dentro do framework proposto. Por favor, clique aqui para ver uma versão ampliada desta figura.
Figura 3: Diagrama de sequência para registro e verificação de direitos autorais em vídeo. O diagrama de sequência retrata as interações entre o proprietário do conteúdo, a camada de aplicação, o módulo de hash perceptivo, o contrato inteligente, os nós pares, o serviço de ordenação, o livro de contas da blockchain e o CouchDB durante o registro e verificação de direitos autorais. Por favor, clique aqui para ver uma versão ampliada desta figura.
Figura 4: Análise de similaridade sob múltiplas operações de edição de quadros. A figura apresenta o desempenho cumulativo de similaridade do framework proposto em vários cenários de manipulação temporal de vídeo, incluindo inserção, exclusão, substituição e modificação da taxa de quadros. Por favor, clique aqui para ver uma versão ampliada desta figura.
Figura 5: Análise de similaridade sob rotação de vídeo. A figura mostra o impacto da rotação de vídeo nas pontuações de similaridade. Isso mostra a eficácia do framework proposto mesmo quando os vídeos são rotacionados moderadamente. Por favor, clique aqui para ver uma versão ampliada desta figura.
Figura 6: Adicionando texto ao vídeo. Isso mostra a semelhança resulta após inserir texto nos quadros de vídeo. Demonstra a capacidade do framework proposto de identificar mudanças de conteúdo enquanto verifica a propriedade. Por favor, clique aqui para ver uma versão ampliada desta figura.
Figura 7: Segmentos fundidos no vídeo. Isso representa a análise da similaridade de vídeo gerada pela fusão de fragmentos de várias fontes. Por favor, clique aqui para ver uma versão ampliada desta figura.
Figura 8: Análise do tempo de execução para upload de arquivos em armazenamento off-chain do CouchDB com um número variável de pares. Esta figura mostra o tempo necessário pelo framework proposto para enviar metadados de vídeo para armazenamento off-chain para diferentes tamanhos de arquivo e configurações de rede. Por favor, clique aqui para ver uma versão ampliada desta figura.
Figura 9: Análise do tempo de execução em segundos para mineração de blocos para arquivos de tamanhos variados com um número variável de pares na rede blockchain. Esta figura mostra o desempenho de uma operação de mineração em bloco na rede Hyperledger Fabric em diferentes configurações de rede. Este experimento mostra os efeitos do tamanho do arquivo e da configuração de nodos pares no desempenho do sistema. Por favor, clique aqui para ver uma versão ampliada desta figura.
Figura 10: Análise do tempo de execução em segundos para criação de blocos para diferentes tamanhos de arquivos com um número variável de pares na rede blockchain. A figura abaixo mostra o tempo necessário para criar um bloco na rede sob diferentes configurações de rede. Isso ajuda a analisar as capacidades operacionais e a escalabilidade do framework. Por favor, clique aqui para ver uma versão ampliada desta figura.
Figura 11: Análise do tempo de execução em segundos para acesso a blocos para arquivos de tamanhos variados com um número variável de pares na rede blockchain. Esta figura mostra o tempo necessário para recuperar informações do sistema blockchain para diferentes tamanhos de arquivo e configurações de nodos peer. Isso mostra que a estrutura proposta pode ser usada de forma eficaz para validação de direitos autorais e recuperação de propriedade. Por favor, clique aqui para ver uma versão ampliada desta figura.
| S. Não. | Autor(es) | Aplicação | Blockchain | Segurança | Proteção | Escalabilidade | Proteção de Direitos Autorais | Armazenamento fora da cadeia | Integridade | Descentralizado |
| 1 | Liu et al.13 | Proteção digital de direitos autorais usando tecnologia blockchain | ✓ | ✓ | ✗ | ✓ | ✓ | ✓ | ✗ | ✓ |
| 2 | Zheng et al.12 | Proteção de direitos autorais de vídeo baseada em blockchain com marca d'água | ✓ | ✓ | ✓ | ✗ | ✓ | ✓ | ✓ | ✓ |
| 3 | Qureshi et al.11 | Estrutura de gerenciamento de direitos autorais multimídia | ✓ | ✓ | ✗ | ✗ | ✓ | ✓ | ✗ | ✓ |
| 4 | Darwish et al.9 | Marca d'água em vídeo e verificação de direitos autorais | ✓ | ✓ | ✓ | ✗ | ✓ | ✓ | ✓ | ✓ |
| 5 | Li et al.7 | Sistema descentralizado de gerenciamento de operações de direitos autorais musicais | ✓ | ✓ | ✗ | ✗ | ✓ | ✓ | ✗ | ✓ |
| 6 | Pandian et al.10 | Verificação de integridade de vídeo baseada em blockchain | ✓ | ✓ | ✗ | ✗ | ✓ | ✗ | ✓ | ✓ |
| 7 | Guo J et al.6 | Gestão de direitos digitais para recursos multimídia de educação online | ✓ | ✗ | ✗ | ✗ | ✓ | ✓ | ✗ | ✓ |
| 8 | Moolikagedara et al.14 | Sistema de propriedade e rastreabilidade baseado em blockchain | ✓ | ✓ | ✗ | ✗ | ✓ | ✓ | ✗ | ✓ |
| 9 | Madapati e Pradhan5 | Estrutura de proteção de direitos autorais de vídeo baseada em Ethereum | ✓ | ✓ | ✗ | ✓ | ✓ | ✓ | ✓ | ✓ |
| 10 | Frattolillo et al.8 | Proteção digital de direitos autorais habilitada por contratos inteligentes | ✓ | ✓ | ✗ | ✓ | ✓ | ✓ | ✗ | ✓ |
| 11 | Estrutura Proposta | Proteção de direitos autorais de vídeo baseada em Hyperledger Fabric usando múltiplos hashes perceptuais (aHash, dHash, pHash e wHash) | ✓ | ✓ | ✓ | ✓ | ✓ | ✓ | ✓ | ✓ |
Tabela 1: Comparação dos sistemas existentes de proteção de direitos autorais baseados em blockchain. A tabela compara os métodos atuais baseados em blockchain de proteção de direitos autorais com o framework proposto em fatores-chave, incluindo uso de blockchain, contratos inteligentes, hashing perceptivo, escalabilidade, proteção de direitos autorais, segurança de propriedade, verificações de integridade e descentralização.
| Parâmetro | Configuração |
| Plataforma de Blockchain | Hyperledger Fabric 2.4.8 |
| Tipo de rede | Blockchain Permissionada |
| Número de Organizações | 2 |
| Número de Nós Pares | 2 |
| Número de nós ordenadores | 2 |
| Autoridades certificadoras | 2 |
| Canal de Comunicação | autochannel |
| Nome do Contrato Inteligente | vitChain |
| Linguagem de Contratos Inteligentes | Vai |
| Banco de Dados Estadual | CouchDB |
| Ferramenta de Implantação | Minifab |
| Plataforma de Contêineres | Docker |
| Mecanismo de Consenso | Serviço de Pedido de Balsas |
| Armazenamento de Metadados | CouchDB |
| Armazenamento de propriedade | Livro Razão de Blockchain |
Tabela 2: Parâmetros de configuração de implantação do Hyperledger Fabric. A tabela lista os detalhes da configuração de implantação da rede blockchain Hyperledger Fabric, incluindo a organização, pares, serviço de pedido, autoridade certificadora, canal de comunicação, mecanismo de consenso, contratos inteligentes e armazenamento usados para experimentação.
| S.No | Ataque de Vídeo | pHash (%) | wHash (%) | dHash (%) | aHash (%) |
| 1 | Ataque de Inserção de Quadro | 82.81 | 84.33 | 81.31 | 86.42 |
| 2 | Ataque por Exclusão de Quadros (espaço à esquerda) | 82.69 | 81.78 | 80.17 | 81.07 |
| 3 | Ataque de Exclusão de Quadros (espaço removido) | 75.37 | 78.68 | 76.19 | 79.69 |
| 4 | Ataque de Substituição de Quadro | 84.86 | 82.6 | 84.19 | 81.07 |
| 5 | Ataque de Manipulação Regional | 99.4 | 98.59 | 99.46 | 99.76 |
| 6 | Ataque de Compressão MPEG | 99.64 | 99.61 | 99.1 | 99.64 |
| 7 | Ataque de Adição de Ruído (25%) | 99.52 | 99.58 | 98.8 | 99.7 |
| 8 | Ataque de Adição de Ruído (50%) | 99.64 | 99.4 | 98.68 | 99.52 |
| 9 | Ataque de Adição de Ruído (75%) | 99.52 | 99.31 | 98.14 | 99.22 |
| 10 | Ataque de Corte | 69.71 | 54.81 | 69.11 | 57.27 |
| 11 | Ataque de Rotação (30°) | 54.21 | 60.61 | 57.09 | 65.56 |
| 12 | Ataque de rotação (60°) | 48.56 | 53.97 | 51.38 | 57.57 |
| 13 | Ataque Escalonável | 98.56 | 99.28 | 96.81 | 97.48 |
| 14 | Tradução + Virar (Esquerda–Direita) | 52.88 | 63.46 | 51.2 | 68.63 |
| 15 | Tradução + Virar (Para Cima–Baixo) | 50 | 45.34 | 60.7 | 42.73 |
| 16 | Filtragem Mediana (25) | 98.92 | 99.1 | 98.02 | 99.7 |
| 17 | Filtragem Mediana (50) | 98.08 | 98.17 | 97.3 | 99.28 |
| 18 | Filtragem passa-baixa | 97.84 | 99.13 | 96.03 | 96.63 |
| 19 | Borrão Gaussiano (σ = 5) | 99.76 | 98.68 | 98.68 | 99.76 |
| 20 | Borrão Gaussiano (σ = 10) | 99.76 | 97.6 | 97.78 | 99.4 |
| 21 | Regravação (Filmadora) Ataque | 98.68 | 98.83 | 91.95 | 93.51 |
| 22 | Conversão de Formato (Codificador MPEG-4) | 99.16 | 99.19 | 98.14 | 99.4 |
| 23 | Conversão de Formato (Codificador H.264 QSV) | 99.76 | 99.79 | 99.1 | 99.82 |
| 24 | Conversão de Formato (Libvpx-VP9 Encoder) | 99.76 | 99.7 | 99.04 | 99.76 |
| 25 | Ataque Temporal (15 fps) | 97.48 | 98.26 | 98.02 | 99.4 |
| 26 | Ataque Temporal (24 fps) | 99.16 | 99.16 | 98.38 | 99.82 |
| 27 | Ataque de Conluio | 99.76 | 99.28 | 98.74 | 99.58 |
| 28 | Ataque de Transcodificação | 99.76 | 99.7 | 99.04 | 99.76 |
| 29 | Ataque de Mudança de Bitrate | 99.52 | 99.7 | 99.4 | 99.76 |
Tabela 3: Análise de similaridade entre vídeos originais e modificados sob diferentes ataques. A tabela ilustra as pontuações de similaridade geradas por várias técnicas de hashing perceptual sob diversas manipulações de vídeo, incluindo inserção, exclusão, substituição de quadros, rotação, compressão, escalonamento, adição de ruído, adição de texto e fusão de vídeo.
Discussão
Como demonstra o framework proposto, integrar blockchain com hashing perceptual pode proteger efetivamente os vídeos contra violações de direitos autorais de forma descentralizada. Primeiro, ao combinar registro de propriedade imutável e hashing perceptivo, ele satisfaz ambas as condições primárias dos sistemas de gestão de direitos autorais: registro seguro de propriedade e identificação de materiais protegidos por direitos autorais. Segundo, usar o Hyperledger Fabric permite controle de acesso, tratamento transparente de transações e gerenciamento de registros à prova de adulterações.
Uma variedade de funções de hash perceptual oferece vantagens adicionais, permitindo tipos de detecção impossíveis com uma única função de hash perceptual. O AHash detecta propriedades globais de intensidade e é menos intensivo computacionalmente do que o dHash, que é mais focado em mudanças locais de gradiente e variações estruturais. Por outro lado, o pHash usa informações no domínio da frequência e é mais robusto para operações de compressão e filtragem, enquanto o wHash é bom em detectar mudanças localizadas, como adicionar texto ou adesivos. Assim, a combinação de todas essas funções de hash torna altamente improvável que a detecção seja errada devido às limitações de cada função de hash separadamente. Resultados experimentais mostram que a sensibilidade a vários tipos de modificações varia entre algoritmos, demonstrando a utilidade de aplicar o conceito de multi-hash à detecção de manipulação de vídeo.
O uso do Hyperledger Fabric e do CouchDB reduz a quantidade de dados armazenados na blockchain, tornando o gerenciamento de metadados muito mais eficiente. Testes mostram que a estrutura funciona bem na prática, mas ainda precisamos realizar uma comparação quantitativa robusta entre sistemas de armazenamento híbridos e totalmente on-chain. Isso deve ser investigado em estudos futuros.
Enquanto a maioria das outras soluções de direitos autorais em blockchain se concentra apenas no registro de propriedade de direitos autorais, a abordagem introduzida envolve tanto a propriedade quanto a validação em nível de conteúdo. Tais capacidades podem ser muito úteis para resolver questões de direitos autorais na prática, já que meros registros de propriedade não são suficientes para determinar se um vídeo editado ou redistribuído está relacionado ao material protegido por direitos autorais.
Ainda assim, algumas limitações existem. O teste foi realizado em vídeos com certos recursos e sob condições específicas. Além disso, manipulações geométricas, como a rotação, continuam sendo problemáticas para verificar mídias usando hashing perceptual. No futuro, espera-se que teste o sistema em conjuntos de dados multimídia adicionais e examine a possibilidade de tornar as impressões digitais invariantes em rotação e de usar algoritmos de inteligência artificial para identificar automaticamente infrações de direitos autorais.
Registros de auditoria e monitoramento de direitos autorais foram incorporados como componentes arquitetônicos do framework proposto. No entanto, sua eficácia não foi avaliada de forma independente no presente estudo. Pesquisas futuras investigarão seu papel na resolução de disputas, detecção de anomalias e monitoramento automatizado de direitos autorais em ambientes multimídia de grande escala.
Este estudo apresentou uma estrutura descentralizada para proteção de direitos autorais em vídeo que integra a tecnologia blockchain Hyperledger Fabric com múltiplas técnicas de hashing perceptual para apoiar o registro seguro de propriedade e a verificação de direitos autorais baseada em conteúdo. O framework proposto combina algoritmos aHash, dHash, pHash e wHash com serviços blockchain habilitados por contratos inteligentes para estabelecer um sistema de gerenciamento de direitos autorais transparente, resistente a adulterações e verificável.
A avaliação experimental demonstrou que a estrutura suporta efetivamente a verificação de direitos autorais sob uma ampla gama de modificações de vídeo temporais, espaciais e baseadas em compressão. O uso de múltiplas técnicas de hashing perceptivo melhorou a robustez contra operações comuns de processamento multimídia, mantendo a capacidade de detectar alterações não autorizadas de conteúdo. Além disso, a integração do Hyperledger Fabric e do CouchDB proporcionou uma arquitetura de armazenamento híbrida que preservava a integridade e rastreabilidade dos dados, além de permitir um gerenciamento eficiente de metadados.
A partir desses achados, fica claro que o sistema sugerido funde efetivamente os princípios de gestão descentralizada e autenticação em nível de conteúdo, superando assim algumas das deficiências dos sistemas clássicos de proteção centralizada de direitos autorais. Além disso, o sistema apresentado oferece auditoria transparente, propriedade imutável e processos de verificação baseados na similaridade de conteúdo.
Em conclusão, a pesquisa mostra que integrar blockchain e hashing perceptual pode oferecer soluções para a proteção de direitos autorais de vídeo de próxima geração. Pesquisas futuras incluirão uma avaliação mais abrangente do desempenho do framework sugerido em bancos de dados de vídeo maiores e mais variados, juntamente com o desenvolvimento de mecanismos avançados de fingerprinting.
Divulgações
Os autores não têm conflitos de interesse a declarar.
Agradecimentos
Os autores gostariam de agradecer à Universidade VIT-AP, Amaravati, Índia, por fornecer as instalações computacionais e o suporte de pesquisa necessários para conduzir este estudo. Os autores também reconhecem o apoio recebido do Departamento de Ciência da Computação e Engenharia durante o desenvolvimento e avaliação do framework proposto.
Materiais
| Nome | Empresa | Número de catálogo | Comentários |
|---|---|---|---|
| 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. |
Referências
- 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.