В данном исследовании представлена децентрализованная структура защиты авторских прав на видео, интегрирующая частный блокчейн, смарт-контракты и технологии перцептивного хеширования. Цель — обеспечить безопасную регистрацию владельца, неизменное управление записями и эффективную проверку видеоконтента на основе сходства в распределённых средах.
Исследовательская статья
Децентрализованный подход к защите авторских прав на видео с использованием частного блокчейна и перцептивного хеширования
В этой статье
Краткое содержание
Аннотация
Растущая популярность обмена видеоконтентом в Интернете вызывает опасения по поводу нарушений авторских прав, пиратства и споров о праве собственности. Традиционные централизованные методы управления авторским правом сталкиваются с проблемами прозрачности, уязвимостью к манипуляциям и зависимостью от доверенных третьих лиц. Таким образом, в данном исследовании представлена децентрализованная система защиты авторских прав на видео, основанная на Hyperledger Fabric, смарт-контрактах и перцептивном хешировании. Во-первых, кадры из видео извлекаются, а перцептивные отпечатки создаются с помощью алгоритмов среднего хэша (aHash), хеша различий (dHash), перцептивного хеша (pHash) и хеша вейвлета (wHash). Хэши и информация о собственности хранятся в блокчейне, а мультимедийные активы — вне реестра. Проверки авторских прав проводятся с использованием сравнения сходства на уровне кадров на основе расстояния Хэмминга. Предлагаемая структура была протестирована на различных временных, пространственных и компрессионных манипуляциях, включая вставку кадров, удаление, обрезку, изменение размера, вращение, фильтрацию и транскодирование. Эксперименты показали высокую устойчивость к таким изменениям при одновременном обнаружении несанкционированных изменений. Таким образом, эта технология может предложить практическое решение вопросов авторского права с помощью децентрализованной блокчейн-платформы.
Введение
Достижения в цифровых мультимедийных технологиях изменили способы производства, распространения и потребления видео. Видеопотоковое вещание, социальные сети и интернет-системы обмена контентом позволяют быстро и легко распространять видео аудитории по всему миру. Хотя технологический прогресс открывает больше творческих возможностей в производстве цифрового видеоконтента и росте онлайн-бизнеса, те же достижения облегчали для создателей контента столкнуться с нарушениями авторских прав, пиратством и проблемами владения. 1. Видео легко копировать, редактировать, перекодировать и распространять, что делает защиту интеллектуальной собственности всё более сложной в современноммультимедийном мире 2,3.
Обычно современные системы управления авторским правом зависят от центрального органа для регистрации контента, подтверждения права собственности, управления лицензионными соглашениями и рассмотрения споров. Несмотря на широкое распространение, эти системы управления подвержены ряду значительныхограничений 4. Во-первых, централизация подвергает системы управления авторским правом потенциальным кибератакам, манипуляциям данными и простоям. Кроме того, право собственности на авторские права хранится у доверенных третьих лиц, что может быть не совсем желательно с точки зрения аудита и поддержания долгосрочной надёжности такой информации5. Увеличение количества цифрового мультимедийного контента делает традиционные процессы проверки менее эффективными, так как они занимают слишком много времени и становятсянепрактичными 6.
Технология блокчейна, по-видимому, является одним из решений, способных решить проблемы доверия и прозрачности в распределённойсреде 7. Используя неизменяемые реестры с помощью криптографии и механизмов консенсуса, блокчейн обеспечивает безопасное ведение учёта без центрального органа, контролирующего процесс. Как только записи добавляются в блокчейн, они становятся неизменными и неизменными, обеспечивая более высокий уровень отслеживаемости иподотчетности 8. Именно поэтому было предпринято множество усилий по изучению приложений блокчейна в таких областях, как DRM, IP и мультимедийная гарантиявладения 9. Среди существующих блокчейн-платформ Hyperledger Fabric привлекла значительное внимание благодаря своим функциям, включая разрешённую архитектуру, модульную структуру, поддержку смарт-контрактов, конфиденциальность и быструю обработку. В отличие от публичных сетей, архитектура Hyperledger Fabric с разрешением делает его идеальным для систем защиты авторских прав10.
Однако существуют определённые ограничения на использование блокчейна как единственного способа определения статуса авторских прав на мультимедийныйконтент 11. Во-первых, традиционные криптографические хеш-функции (например, SHA-256) дают совершенно иные результаты хэша даже при внесении незначительных изменений в видео12. Хотя это желательная характеристика для криптографических целей, она затрудняет визуальное распознавание подобных или модифицированных версий мультимедийного контента, защищённого авторским правом. Таким образом, мультимедийная верификация авторских прав должна основываться на алгоритмах, ориентированных на контент, способных обнаруживать перцептивные сходства в изображениях иливидео 13.
Одним из самых перспективных способов решения проблемы авторских прав в мультимедийном контенте является использование перцептивного хеширования14. В отличие от криптографического хеширования, перцептивное хеширование создаёт отпечатки, которые кодируют визуальные свойства изображения иливидеокадра 15. Таким образом, даже если файл был изменён обычными процессами (сжатие, фильтрация, масштабирование, добавление шума и т.д.), хэш остаётся относительнонеизменным 16. В настоящее время используются четыре типа перцептивных хешей: средний хеш, разный хеш, перцептивный хеш и вейвлет-хеш17,18.
Было проведено множество исследований, изучающих использование технологии блокчейн в сочетании с методами защиты авторских прав на мультимедийныеданные 19. Предыдущие работы использовали блокчейн-технологии для регистрации права собственности, цифрового водяного знака, распределённого хранения и управления доказательствами, децентрализованного управления правами и безопасного хранения мультимедийногоконтента 20. Hyperledger Fabric ранее использовалась для регистрации авторских прав, управления правами и аудита транзакций через смарт-контракты и разрешённые протоколыконсенсуса 21,22. Аналогично, были предложены методы перцептивного хеширования и водяных знаков для обнаружения дублирующихся и манипулируемых мультимедийных материалов. Несмотря на эти многообещающие работы по обеспечению управления авторским правом с помощью блокчейн-технологий, остаются некоторыепробелы — 23,24. Во-первых, многие предыдущие фреймворки в первую очередь занимались регистрацией собственности, но не имели возможности проверять контент. Во-вторых, многие работы опирались на единый метод хеширования или водяных знаков, что делает их более уязвимыми к атакам с видеоманипуляциями25,26. Таблица 1 показывает, что существующие системы в целом поддерживают регистрацию собственности, но редко сочетают децентрализованное управление владением с многохешевой верификацией контента.
С развитием технологий видеомонтажа возникла большая потребность в эффективной проверке права собственности на видео для предотвращения нарушения авторских прав27. Современные технологии предлагают несколько методов временной обработки видео — добавляя, удаляя, заменяя и изменяя частоту кадров. Аналогично, варианты пространственной обработки включают изменение размера кадра, масштабирование, фильтрацию, сжатие, транскодирование и геометрические изменения видео28. Эти манипуляции затрудняют идентификацию правообладателей, хотя они и не меняют внешний вид видео. Эффективная система должна уметь различать допустимые манипуляции, владение и нарушение авторских прав с принципомцелостности 29.
Чтобы решить задачу эффективного управления авторскими правами на видео, в этой статье предлагается децентрализованная модель, использующая Hyperledger Fabric, смарт-контракты и перцептивное хеширование. Предлагаемый фреймворк будет генерировать перцептивные отпечатки с помощью методов хеширования, извлекаявидеокадры 30,31. Для генерации перцептивных отпечатков будут использованы четыре различных метода хеширования — aHash, dHash, pHash и wHash. Информация о владении, временные метки и хэши записываются в разрешённый блокчейн-реестр. Для повышения масштабируемости CouchDB используется вместе с блокчейном для хранения мультимедийного контента вне чейна.
Предлагаемая структура использует анализ расстояний Хэмминга для проверки сходства на уровне кадров и выявления изменений, дублирования или незаконного использования видео. Сочетая несколько перцептивных методов хеширования с слышимостью на основе блокчейна, решение обеспечивает как аутентификацию на уровне контента, так и управление владением, защищённым от вмешательства. В отличие от предыдущих систем, основанных на едином методе верификации, предлагаемая структура использует несколько перцептивных дескрипторов для выдержки различных временных, пространственных и сжимающих видеообработок.
Это основные вклады, представленные в исследовательской работе: (1) Подход к децентрализации для безопасного процесса регистрации и проверки авторских прав для видео с использованием фреймворка Hyperledger Fabric; (2) Для создания множества перцептивных алгоритмов хеширования, таких как aHash, dHash, pHash и wHash, используются для создания нескольких видеоотпечатков, которые могут распознавать похожие видео даже после редактирования; (3) Разработана распределённая модель базы данных с использованием как Hyperledger Fabric, так и CouchDB, чтобы решать проблемы масштабируемости без ущерба для целостности и отслеживаемости данных; (4) Разрабатывается комплексный процесс верификации, включающий расчёт расстояния Хэмминга, чтобы определить манипуляцию видео относительно кадров и пикселей; (5) Проводятся эксперименты для демонстрации возможностей предлагаемого метода для обнаружения модифицированных видео.
Таким образом, интегрируя владение на блокчейне и несколько алгоритмов хеширования, предлагаемая структура предлагает жизнеспособный подход к децентрализованной защите авторских прав на видео.
Протокол
В этом исследовании не участвовали люди, участники, животные или клинические образцы. Поэтому одобрение институциональной этики и информированное согласие не требовались.
Материалы и программное обеспечение
Для развертывания фреймворка использовалась среда Hyperledger Fabric версии 2.4.8, CouchDB, Docker Containers, развертывание Minifab, мультимедийные приложения для обработки FFmpeg и язык программирования Go. Hyperledger Fabric предоставляла услуги для децентрализованного управления реестром и выполнения смарт-контрактов, в то время как CouchDB эффективно хранила и извлекала информацию об авторских правах через внецепочное хранилище. FFmpeg использовался для предварительной обработки видео и извлечения видеокадров, а перцептивные алгоритмы хеширования применялись через библиотеки хеширования изображений на языке программирования Go. Список всех инструментов и их соответствующих описаний иллюстрирован в Таблице материалов.
Архитектура фреймворка
Предлагаемый фреймворк использует алгоритмы перцептивного хеширования в разрешённом блокчейне Hyperledger Fabric, чтобы обеспечить децентрализованный подход к защите авторских прав и валидации права собственности на видео. Фреймворк состоит из пяти основных компонентов: предобработки видео, генерации перцептивного хеша, регистрации авторских прав на основе блокчейна и проверки на основе сходства. В этом фреймворке Hyperledger Fabric служит слоем доверия, предоставляя неизменные записи владения, а CouchDB — хранение вне цепочки. Общая архитектура предлагаемой структуры показана на рисунке 1.
Модель системы проверки авторских прав
Подробный рабочий процесс исследуемой системы показан на рисунке 2. Всё начинается с захвата видео, затем следует регулярное извлечение кадров с использованием FFmpeg. Извлеченные фреймы обрабатываются в среде реализации Hyperledger Fabric, которая включает такие действия, как регистрация права собственности, администрирование сертификатов, взаимодействие с пирами и проверка транзакций. К извлечённым кадрам применяется перцептивное хеширование, затем вычисление расстояния Хэмминга для оценки степени сходства. Если дистанция Хэмминга ниже порога, кадр считается аутентичным и похожим на зарегистрированный контент; в противном случае он рассматривается как модифицированный контент.
Получение видео, предобработка и создание перцептивного хеширования
Видеообразцы, использованные в эксперименте, представляли собой MP4-файлы в разрешении 480p, средняя продолжительность около 26 секунд. В наборе оценочных данных было 15 видеообразцов, включая оригинальное референсное видео и несколько модифицированных версий. Эти модификации включали типичные задачи по редактированию, такие как изменение частоты кадров, вставка, удаление или замена кадров, а также применение искажений, таких как обрезка, масштабирование, вращение и эффекты наложения. В наборе данных также были добавления сжатия, шума, текста и стикеров, эффекты глитча и многое другое. Все видео были в формате MP4 с разрешением 480p и проходили те же этапы предварительной обработки и генерации отпечатков пальцев. Разработанный для проверки устойчивости системы, этот набор данных охватывает широкий спектр реальных сценариев, связанных с нарушениями и манипуляциями. До того как видеофайлы были обнаружены и подтверждены авторскими правами, проходили предварительную обработку в FFmpeg. Кадры из видеофайлов извлекались с интервалом в 1 секунду для получения сжатых сводок контента в виде визуального контента, который оставался вычислительно дешевым в обработке. Далее эти кадры были преобразованы в оттенки серого и нормализованы, чтобы минимизировать изменения интенсивности пикселей, вызванные условиями освещения, кодированием и разницами сжатия.
Для получения отпечатков видеоконтента использовались четыре функции перцептивного хеширования в виде среднего хеширования (aHash), дифференциального хеширования (dHash), перцептивного хеша (pHash) и вейвлетного хеша (wHash).
Для генерации хеша кадры сначала преобразовывались в оттенки серого и изменялись до размера 8x8 пикселей для вычисления aHash и dHash. С помощью aHash 64-битный отпечаток генерировался путём сравнения каждого пикселя со средним значением серого. Алгоритм dHash делал что-то похожее, создавая 64-битный отпечаток, но он изучал различия по интенсивности горизонтальных пикселей соседних пикселей. Для pHash кадры изменялись до 32x32 пикселей, затем вычислялось дискретное косинусное преобразование. Для получения 64-битного перцептивного отпечатка использовались только низкочастотные коэффициенты DCT 8x8. Что касается wHash, кадры снова были изменены до 32x32 пикселей, но на этот раз обработаны с помощью вейвлет-преобразования Хара. Из извлечённых коэффициентов вейвлетов с самой низкой частотой был сгенерирован 64-битный хеш. Все эти параметры направлены на хороший баланс между вычислительной эффективностью и мощностью для обычных видеокорректировок.
Для эффективных вычислений хеш-функций эти изображения были нормализованы и изменены по размеру. Метод среднего хеширования работает путём сравнения интенсивности пикселей с интенсивностью среднего значения изображения. Дифференциальный хешинг работает аналогично, но фокусируется на локальных градиентах путём сравнения интенсивности пикселей с интенсивностью соседних пикселей. Перцептивное хеширование использует признаки Фурье, возникающие из DCT, тогда как вейвлет-хеширование опирается на результаты вейвлет-преобразования для извлечения признаков.
Регистрация и проверка авторских прав на основе блокчейна
Полученные отпечатки перцептивных пальцев, метаданные владения, временные метки и детали транзакций передаются в блокчейн Hyperledger Fabric через смарт-контракт vitChain. Реализация блокчейна включает две организации, двух узлов, двух упорядоченных узлов, двух узлов сертификационного центра (CA) и базы данных состояний CouchDB, все связаны автоканалом. Разрешённый блокчейн-фреймворк обеспечивает безопасную обработку, ограниченный доступ и хранение данных авторских прав от подделок.
Процедура регистрации авторских прав начинается после того, как владелец контента загружает видео через пользовательский интерфейс. Когда пользователь отправляет видео для регистрации авторских прав, уровень приложения вызывает смарт-контракт vitChain через Hyperledger Fabric SDK. Эта регистрация включает уникальный идентификатор транзакции, данные владельца, видео ID, временную метку и четыре типа перцептивных хеш-значений: aHash, dHash, pHash и wHash. Также есть метаданные о контенте. Приложение отправляет предложение о транзакции поддерживающим партнерам. Эти узлы затем запускают логику смарт-контракта и обеспечивают соответствие транзакции политике одобрения. После успешной валидации транзакция переходит на сервис заказа. Здесь верифицированные транзакции группируются в блоки и отправляются узлам-узлам для включения в реестр. Тем временем связанные метаданные попадают в CouchDB. Они подключаются к записям блокчейна через идентификатор транзакции, что позволяет легко делать поиск и сохраняет согласованность как в блокчейне, так и вне её данных.
После предварительной обработки и перцептивных вычислений отпечатки пальцев вместе с соответствующими метаданными собираются в транзакцию, которую выполняет смарт-контракт. Проверка транзакций проводится участвующими партнерами в соответствии с установленной политикой одобрения. После одобрения транзакция передаётся в сервис заказа для включения в блок распределённого реестра. Для надёжной работы мы включили базовую обработку ошибок в процессы регистрации и проверки. Перед транзакцией приложение проверяет обязательные метаданные, информацию о владении и перцептивные хеши, чтобы избежать проблем. Если транзакции не соответствуют правилам одобрения или имеют недопустимые параметры, узлы одноранга отклоняют их напрямую. Когда возникают проблемы, такие как сбои в связи или ошибки обработки, система фиксирует их и отправляет предупреждение администратора. Это помогает предотвратить распространение незначительных ошибок обработки по системе. Во время проверки авторских прав видео с некорректными метаданными или повреждёнными хэш-значениями исключаются из процесса проверки. Видео, для которых не удаётся получить отпечатки пальцев, также исключены из процесса проверки. В целом, эти шаги поддерживают чистоту данных и укрепляют надёжность фреймворка. Информация о собственности на защищённое авторским правом видео становится неизменной и доступна для последующего извлечения.
Проверка
Процесс верификации включает аналогичные этапы предварительной обработки и вычисления отпечатков пальцев, после чего следует сравнение отпечатков с сохранёнными в блокчейне с использованием измерения сходства на основе расстояния Хэмминга. На основе показателя сходства смарт-контракт определяет информацию об авторских правах на представленное видео. Рабочий процесс взаимодействия показан на рисунке 3.
Проверка авторских прав на основе сходства
Процесс проверки авторских прав сравнивает перцептивные отпечатки, полученные из видео запроса, с отпечатками, ранее хранящимися в блокчейн-системе. Тот же процесс предварительной обработки и генерации хеша, используемый при регистрации, повторяется на этапе верификации для поддержания согласованности. Сходство измеряется с помощью расстояния Хэмминга, которое учитывает количество разниц битов между двумя хеш-значениями. Меньшие расстояния Хэмминга указывают на большее сходство между двумя видео, а более высокие расстояния — на манипуляции контентом. Чтобы проверить, совпадает ли видео запроса с зарегистрированным видео, мы использовали расстояние Хэмминга между их перцептивными хеш-значениями. На основе предварительных экспериментов был выбран порог расстояния по Хэммингу в 20 для обеспечения оптимального баланса между устойчивостью к обычным операциям обработки видео и чувствительностью к несанкционированным модификациям. Видео с дистанцией Хэмминга 20 или меньше считались отражающими одинаковый защищённый авторским правом контент. Если бы было больше, это было бы серьёзными переменами. Этот 20 был выбран для обработки распространённых видеомонтажей, таких как сжатие, фильтрация, транскодирование и изменение частоты кадров, но при этом он всё равно фиксирует несанкционированные изменения. Измеряются сходство для всех собранных отпечатков рамок, затем агрегируются для получения вывода по проверке авторских прав. Видео, отклоняющиеся от зарегистрированного контента, отмечаются для дополнительной проверки.
Среда развертывания
Тестовая среда была создана с использованием контейнеров Docker и инструмента оркестрации Minifab. Блокчейн-сеть на базе Hyperledger Fabric версии 2.4.8 была развернута с CouchDB в качестве слоя данных состояния и хранения данных смарт-контрактов. Смарт-контракт vitChain был реализован в Go и внедрен с использованием жизненного цикла цепного кода Hyperledger Fabric. Параметры развертывания приведены в таблице 2. Сеть состояла из двух участвующих организаций: создателя контента и видеографа. Для обеспечения целостности транзакций и предотвращения несанкционированной регистрации или изменений авторских прав была внедрена политика многоорганизационного одобрения, требующая одобрения обеих организаций перед тем, как транзакция может быть внесена в реестр. В частности, политика одобрения следовала правилу AND, выражаемому как AND ('ContentCreatorMSP.peer', 'VideographerMSP.peer').
Результаты
Для оценки эффективности предлагаемой модели децентрализованной защиты авторских прав её тестируют на различные атаки на манипуляцию с видео, которые часто происходят при передаче мультимедиа, монтаже и нарушении авторских прав. Два основных фактора в оценке включают: (i) надёжность перцептивного хеширования алгоритма в выявлении авторских прав и подделок, и (ii) производительность блокчейн-сети Hyperledger Fabric. Оценки сходства были получены путём расчёта среднего хеша (aHash), дифференциального хэша (dHash), перцептивного хеша (pHash) и вейвлет-хеша (wHash), которые затем сравнивались с видеоотпечатками, записанными в блокчейне.
Анализ сходства при атаках на манипуляцию видео
Надёжность модели оценивалась с помощью нескольких атак, применяемых к видео, включая временные, пространственные, геометрические, сжатие, фильтрационные и состязательные манипуляции. Значения сходства в данном исследовании были получены из индивидуальных экспериментов для каждого сценария видеоманипуляции. Каждый тип манипуляции применялся один раз для создания репрезентативного тестового случая, а его оценки сходства фиксировались для анализа. Цель заключалась в том, чтобы проверить, насколько хорошо предлагаемая структура может выявлять изменения, связанные с авторским правом, в различных реалистичных условиях атаки. Таким образом, представленные значения показывают результаты отдельных тестовых случаев, а не средние показатели повторных испытаний.
Оценки сходства с использованием четырёх перцептивных алгоритмов хеширования приведены в таблице 3. Предлагаемая модель достигает относительно высокой степени сходства при большинстве атак, сохраняющих контент, при этом оставаясь чувствительной к крупным структурным изменениям в видео (Таблица 3).
Производительность при временных преобразованиях
Временные преобразования, такие как вставка кадров, удаление кадров, замена кадров и преобразование частоты кадров, в первую очередь влияют на временную непрерывность видео, при этом почти сохраняя их пространственные особенности. Эксперименты показали, что вставка кадров и замена кадров достигают более 80% сходства со всеми проверенными алгоритмами отпечатков пальцев (рисунок 4). Таким образом, отпечатки перцепции сохраняли визуальные особенности видео, несмотря на временные изменения.
Удаление кадров приводило к небольшому снижению значений сходства из-за отсутствия информации в кадрах. Тем не менее, отпечатки пальцев были достаточно похожи, чтобы обеспечить адекватную производительность для выявления нарушения авторских прав. Колебания частоты кадров существенно не влияли на показатели сходства, так как в большинстве тестовых выборок они давали значения более 97%. Это связано с тем, что преобразования частоты кадров существенно не изменяют особенности кадра.
Влияние пространственных и геометрических преобразований
Геометрические и пространственные преобразования напрямую влияют на визуальные структуры в видеокадрах, что делает процесс перцептивного хеширования относительно сложным. Локально изменённые области приводили лишь к незначительному снижению значений сходства, поскольку визуальные изменения были локализованы и существенно не изменяли глобальный перцептивный хэш.
Операции по обрезу приводили к большей вариации значения сходства из-за удаления частей визуального материала. Ротационные преобразования вызвали наибольшее снижение значений сходства, при этом значения варьировались от примерно 48% до 66% в различных перцептивных хеш-методах. Это понятно, поскольку вращение меняет пространственные структуры, играющие важную роль в перцептивном хеше. Масштабирование изображений мало повлияло на показатели сходства, так как значения оставались выше 96%. Рисунок 5 обобщает результаты сходства, полученные при вращении видео, включая геометрические преобразования.
Устойчивость к сжатию, фильтрации и шуму
Сжатие и транскодирование — рутинные задачи при хранении и распространении мультимедиа. Экспериментальный анализ показал, что сходства стабильно превышали 98% даже после MPEG-компрессии, транскодирования и повторного кодирования с различными видеокодеками. Из результатов можно сделать вывод, что перцептивные отпечатки сохраняют большую часть визуального контента, несмотря на ошибки сжатия и шум квантования. Также проводились эксперименты по добавлению и фильтрации шума. Независимо от того, насколько громким был шум, сходство всегда составляло от 98% до 99%. Кроме того, гауссовская, медианная и низкочастотная фильтрация приводила к минимальным изменениям сходства, сохраняя общую структурную информацию видео.
Обнаружение сложных и состязательных модификаций
Также была исследована предлагаемая модель для выявления атак, таких как добавление текста или стикеров к видеокадрам, слияние видеоклипов и сговорные модификации. Такая модификация используется для сохранения согласованности при внесении несанкционированных изменений в защищённый авторским правом материал. Результат анализа сходства после добавления текста в видеокадры показан на рисунке 6 ниже, тогда как на рисунке 7 показаны результаты анализа сходства объединённых видеоклипов.
Сравнение производительности перцептивных алгоритмов хеширования
Каждый из четырёх перцептивных алгоритмов хеширования имел определённые свойства, наблюдаемые во время экспериментального тестирования. Перцептивное хеширование (pHash) оказалось очень устойчивым к сжатию, фильтрации и транскодированию, оставаясь при этом чувствительным к структурным манипуляциям. Вейвлет-хеширование (wHash) хорошо работало при локальных манипуляциях, таких как добавление текста или объектов.
Дифференциальное хеширование (dHash) могло обнаруживать структурные манипуляции, связанные с градиентом, но было более чувствительным к вращению. Среднее хеширование (aHash) было стабильным при применении к глобально применяемым операциям, которые не изменяли общую интенсивность, но были менее устойчивы при геометрической манипуляции. В целом, pHash и wHash дали лучшие результаты среди протестированных алгоритмов.
Оценка производительности технологии блокчейн
Помимо эффективности верификации контента, также учитывались масштабируемость и производительность блокчейн-системы. В ходе экспериментов было обнаружено, что время, необходимое для загрузки файла, линейно увеличивалось с размером файла и сетью из-за необходимой синхронизации между узлыми.
Аналогично, время на майнинг и создание блоков росло линейно с ростом числа пиров. Этот результат был предсказан потому, что с ростом числа пиров выполнять транзакции становится сложнее, требуя большей коммуникации. Однако время, отмеченное авторами, было достаточно реалистичным для области применения регистрации авторских прав.
Работа доступа к блокам не демонстрировала значительных вариаций, пока размер сети не превысил определённое значение. Наблюдаемая производительность также зависит от архитектуры гибридного хранения. В этой конфигурации метаданные владения, информация о транзакциях и перцептивные хеш-значения хранятся в блокчейне, а CouchDB обрабатывает мультимедийные данные. Это снижает количество добавлений в распределённый реестр, помогая контролировать рост блокчейн-хранилища. Хотя авторы не проводили конкретного сравнения с дизайном, работающим только на блокчейне, эксперименты показывают, что система по-прежнему хорошо работает для обработки и поиска транзакций в различных сетевых настройках. Рисунки 8–11 обобщают оценки производительности блокчейна исследователями в различных конфигурациях сетей.
В целом, экспериментальные результаты показывают эффективную работу предлагаемой системы, сочетающей перцептивное хеширование с технологией блокчейн. Предлагаемая структура устойчива к операциям по сохранению контента и одновременно чувствительна к атакам, изменяющим структуру. Кроме того, он может регистрировать и проверять авторские права в сети Hyperledger Fabric.
Доступность данных:
Данные и коды, использованные в настоящем исследовании, были загружены в репозиторий Zenodo и доступны из: https://doi.org/10.5281/zenodo.20665324. К ним относятся извлеченные наборы данных фреймов, перцептивные хеши, вычисления расстояний по Хэммингу, тесты блокчейн-бенчмаркинга, код смарт-контрактов, файлы развертывания и другие метаданные, используемые в экспериментах по регистрации и верификации авторских прав.
Рисунок 1: Предлагаемая архитектура децентрализованной структуры защиты авторских прав на видео. На рисунке показана общая структура предлагаемого фреймворка, включая предобработку видео, генерацию перцептивного хеша, регистрацию блокчейна, проверку собственности и хранение в CouchDB. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.
Рисунок 2: Предлагаемая модель системы для защиты и проверки авторских прав на видео. Рабочий процесс демонстрирует процессы приобретения видео, извлечения кадров, генерации перцептивного хеша, регистрации блокчейна, проверки сходства и принятия решений по авторским правам в рамках предлагаемой структуры. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.
Рисунок 3: Схема последовательности для регистрации и проверки авторских прав на видео. Диаграмма последовательности отражает взаимодействия между владельцем контента, уровнем приложения, модулем перцептивного хеша, смарт-контрактом, узлами-пирами, сервисом упорядочения, реестром блокчейна и CouchDB во время регистрации и проверки авторских прав. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.
Рисунок 4: Анализ сходства при нескольких операциях редактирования кадров. На рисунке показана совокупная производительность сходства предлагаемого фреймворка по нескольким сценариям временной обработки видео, включая вставку, удаление, замену кадров и модификацию частоты кадров. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.
Рисунок 5: Анализ сходства при вращении видео. На рисунке показано влияние вращения видео на оценки сходства. Это демонстрирует эффективность предлагаемой структуры даже при умеренном ротировании видео. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.
Рисунок 6: Добавление текста в видео. Это показывает результаты сходства после вставки текста в видеокадры. Он демонстрирует способность предлагаемой структуры выявлять изменения в содержании при проверке владения. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.
Рисунок 7: Объединённые сегменты в видео. Это анализ сходства видео, полученный путём слияния фрагментов из различных источников. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.
Рисунок 8: Анализ времени выполнения для загрузки файлов на внецепочное хранилище CouchDB с разным количеством узлов . Этот рисунок показывает время, необходимое предлагаемой структуре для загрузки видеометаданных в внецепочное хранилище для различных размеров файлов и сетевых конфигураций. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.
Рисунок 9: Анализ времени выполнения за секунды для майнинга блоков для различных размеров файлов с разным количеством узлов в блокчейн-сети. Этот рисунок показывает производительность операции блочного майнинга в сети Hyperledger Fabric в различных конфигурациях сети. Этот эксперимент показывает влияние размера файла и конфигурации узлов на производительность системы. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.
Рисунок 10: Анализ времени выполнения за секунды для создания блоков для файлов различного размера с разным количеством узлов в блокчейн-сети. На рисунке ниже показано время, необходимое для создания блока в сети при различных конфигурациях сети. Это помогает анализировать операционные возможности и масштабируемость фреймворка. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.
Рисунок 11: Анализ времени выполнения за секунды для доступа к блокам файлов разного размера с разным количеством узлов в блокчейн-сети. На этом рисунке показано время, необходимое для получения информации из блокчейн-системы для различных размеров файлов и конфигураций узлов между узлом. Это показывает, что предлагаемая структура может эффективно использоваться для проверки авторских прав и возврата права собственности. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.
| С. Нет. | Автор(ы) | Применение | Блокчейн | Безопасность | Защита | Масштабируемость | Защита авторских прав | Хранение вне цепи | Целостность | Децентрализованная |
| 1 | Лю и др.13 | Цифровая защита авторских прав с использованием технологии блокчейн | ✓ | ✓ | ✗ | ✓ | ✓ | ✓ | ✗ | ✓ |
| 2 | Чжэн и др.12 | Защита авторских прав на видео на основе блокчейна с использованием водяных знаков | ✓ | ✓ | ✓ | ✗ | ✓ | ✓ | ✓ | ✓ |
| 3 | Куреши и др.11 | Мультимедийная структура управления авторским правом | ✓ | ✓ | ✗ | ✗ | ✓ | ✓ | ✗ | ✓ |
| 4 | Дарвиш и др.9 | Видео-водяные знаки и проверка авторских прав | ✓ | ✓ | ✓ | ✗ | ✓ | ✓ | ✓ | ✓ |
| 5 | Li и др.7 | Децентрализованная система управления авторскими правами на музыку | ✓ | ✓ | ✗ | ✗ | ✓ | ✓ | ✗ | ✓ |
| 6 | Пандиан и др.10 | Проверка целостности видео на основе блокчейна | ✓ | ✓ | ✗ | ✗ | ✓ | ✗ | ✓ | ✓ |
| 7 | Го Дж и др.6 | Управление цифровыми правами для мультимедийных ресурсов онлайн-образования | ✓ | ✗ | ✗ | ✗ | ✓ | ✓ | ✗ | ✓ |
| 8 | Moolikagedara и др.14 | Система владения и отслеживаемости на основе блокчейна | ✓ | ✓ | ✗ | ✗ | ✓ | ✓ | ✗ | ✓ |
| 9 | Мадапати иПрадхан 5 | Фреймворк защиты авторских прав на основе видео на основе Ethereum | ✓ | ✓ | ✗ | ✓ | ✓ | ✓ | ✓ | ✓ |
| 10 | Фраттолилло и др.8 | Защита цифровых авторских прав с помощью смарт-контрактов | ✓ | ✓ | ✗ | ✓ | ✓ | ✓ | ✗ | ✓ |
| 11 | Предлагаемая структура | Защита авторских прав видео на основе Hyperledger Fabric с использованием нескольких перцептивных хешей (aHash, dHash, pHash и wHash) | ✓ | ✓ | ✓ | ✓ | ✓ | ✓ | ✓ | ✓ |
Таблица 1: Сравнение существующих систем защиты авторских прав на основе блокчейна. Таблица сравнивает существующие методы защиты авторских прав на основе блокчейна с предлагаемой структурой по ключевым факторам, включая использование блокчейна, смарт-контракты, перцептивное хеширование, масштабируемость, защиту авторских прав, безопасность собственности, проверку целостности и децентрализацию.
| Параметр | Конфигурация |
| Блокчейн-платформа | Hyperledger Fabric 2.4.8 |
| Тип сети | Разрешённый блокчейн |
| Количество организаций | 2 |
| Количество узлов Peer | 2 |
| Количество узлов упорядования | 2 |
| Сертификационные центры | 2 |
| Канал связи | autochannel |
| Название смарт-контракта | vitChain |
| Язык смарт-контрактов | Вперёд |
| База данных штатов | CouchDB |
| Инструмент развертывания | Minifab |
| Контейнерная платформа | Docker |
| Механизм консенсуса | Служба заказа плотов |
| Хранилище метаданных | CouchDB |
| Хранение собственности | Блокчейн-реестр |
Таблица 2: Параметры конфигурации развертывания Hyperledger Fabric. В таблице приведены детали конфигурации развертывания блокчейн-сети Hyperledger Fabric, включая организацию, однорангов, сервис заказа, центр сертификации, канал связи, механизм консенсуса, смарт-контракты и хранилище, используемое для экспериментов.
| S.No | Видеоатака | pHash (%) | wHash (%) | dHash (%) | aHash (%) |
| 1 | Атака вставкой кадров | 82.81 | 84.33 | 81.31 | 86.42 |
| 2 | Атака удаления кадров (пробел слева) | 82.69 | 81.78 | 80.17 | 81.07 |
| 3 | Атака удаления кадров (пробел удалён) | 75.37 | 78.68 | 76.19 | 79.69 |
| 4 | Атака на замену кадров | 84.86 | 82.6 | 84.19 | 81.07 |
| 5 | Атака на вмешательство в регион | 99.4 | 98.59 | 99.46 | 99.76 |
| 6 | MPEG Компрессионная Атака | 99.64 | 99.61 | 99.1 | 99.64 |
| 7 | Атака добавления шума (25%) | 99.52 | 99.58 | 98.8 | 99.7 |
| 8 | Атака добавления шума (50%) | 99.64 | 99.4 | 98.68 | 99.52 |
| 9 | Атака добавления шума (75%) | 99.52 | 99.31 | 98.14 | 99.22 |
| 10 | Атака кроппинга | 69.71 | 54.81 | 69.11 | 57.27 |
| 11 | Атака вращения (30°) | 54.21 | 60.61 | 57.09 | 65.56 |
| 12 | Атака вращения (60°) | 48.56 | 53.97 | 51.38 | 57.57 |
| 13 | Масштабирующая атака | 98.56 | 99.28 | 96.81 | 97.48 |
| 14 | Перевод + переворот (налево–вправо) | 52.88 | 63.46 | 51.2 | 68.63 |
| 15 | Перевод + переворот (вверх–вниз) | 50 | 45.34 | 60.7 | 42.73 |
| 16 | Медианная фильтрация (25) | 98.92 | 99.1 | 98.02 | 99.7 |
| 17 | Медианная фильтрация (50) | 98.08 | 98.17 | 97.3 | 99.28 |
| 18 | Низкочастотная фильтрация | 97.84 | 99.13 | 96.03 | 96.63 |
| 19 | Гауссианское размытие (σ = 5) | 99.76 | 98.68 | 98.68 | 99.76 |
| 20 | Гауссианское размытие (σ = 10) | 99.76 | 97.6 | 97.78 | 99.4 |
| 21 | Атака перезаписи (Camcorder) | 98.68 | 98.83 | 91.95 | 93.51 |
| 22 | Конвертация форматов (MPEG-4 кодировщик) | 99.16 | 99.19 | 98.14 | 99.4 |
| 23 | Преобразование форматов (кодировщик H.264 QSV) | 99.76 | 99.79 | 99.1 | 99.82 |
| 24 | Преобразование форматов (кодировщик libvpx-VP9) | 99.76 | 99.7 | 99.04 | 99.76 |
| 25 | Временная атака (15 кадров в секунду) | 97.48 | 98.26 | 98.02 | 99.4 |
| 26 | Временная атака (24 fps) | 99.16 | 99.16 | 98.38 | 99.82 |
| 27 | Атака сговора | 99.76 | 99.28 | 98.74 | 99.58 |
| 28 | Атака транскодирования | 99.76 | 99.7 | 99.04 | 99.76 |
| 29 | Атака на изменение битрейта | 99.52 | 99.7 | 99.4 | 99.76 |
Таблица 3: Анализ сходства между оригинальными и модифицированными видео под разными атаками. Таблица иллюстрирует оценки сходства, полученные несколькими перцептивными методами хеширования при различных видеоманипуляциях, включая вставку кадров, удаление, замену, вращение, сжатие, масштабирование, добавление шума, добавление текста и слияние видео.
Обсуждение
Как показывает предлагаемая структура, интеграция блокчейна с перцептивным хэшированием может эффективно защищать видео от нарушения авторских прав децентрализованным образом. Во-первых, объединяя неизменную регистрацию собственности и перцептивное хеширование, он удовлетворяет оба основных требования систем управления авторским правами: безопасную регистрацию собственности и идентификацию защищённых авторским правом материалов. Во-вторых, использование Hyperledger Fabric обеспечивает контроль доступа, прозрачную обработку транзакций и управление записями, защищёнными от вмешательства.
Различные перцептивные хеш-функции дают дополнительные преимущества, позволяя обнаружить типы, невозможные с помощью одной перцептивной хеш-функции. AHash обнаруживает свойства глобальной интенсивности и менее затратен на вычисления, чем dHash, который больше сосредоточен на локальных изменениях градиентов и структурных вариациях. С другой стороны, pHash использует информацию из частотной области и более устойчив к операциям сжатия и фильтрации, тогда как wHash хорошо обнаруживает локализованные изменения, такие как добавление текста или наклеек. Таким образом, сочетание всех этих хеш-функций делает пропуск обнаружения крайне маловероятным из-за ограничений каждой хеш-функции отдельно. Экспериментальные результаты показывают, что чувствительность к различным типам модификаций варьируется в зависимости от алгоритма, что демонстрирует полезность применения концепции мультихэша для обнаружения видеоманипуляций.
Использование Hyperledger Fabric и CouchDB сокращает объём данных, хранящихся в блокчейне, что значительно повышает эффективность управления метаданными. Тесты показывают, что фреймворк хорошо работает на практике, но нам всё ещё необходимо провести надёжное количественное сравнение гибридных и полностью он-чейневых систем хранения. Это следует исследовать в будущих исследованиях.
В то время как большинство других решений по авторскому праву на блокчейне сосредоточены исключительно на регистрации авторских прав, введённый подход включает как владение, так и валидацию на уровне контента. Такие возможности могут быть очень полезны для решения вопросов авторских прав на практике, поскольку одних записей о собственности недостаточно, чтобы определить, связано ли отредактированное или перераспространяемое видео с защищённым авторским правом материалом.
Тем не менее, некоторые ограничения существуют. Тест проводился на видео с определёнными функциями и при определённых условиях. Кроме того, геометрические манипуляции, такие как вращение, остаются проблематичными для проверки носителей с помощью перцептивного хеша. В будущем ожидается, что система будет протестирована на дополнительных мультимедийных наборах данных и изучит возможность сделать отпечатки пальцев неизменными к вращению, а также использовать алгоритмы искусственного интеллекта для автоматического выявления нарушений авторских прав.
Аудит, логирование и мониторинг авторских прав были включены в архитектурные компоненты предлагаемой структуры. Однако их эффективность не была независимо оценена в настоящем исследовании. Будущие исследования будут изучать их роль в разрешении споров, обнаружении аномалий и автоматизированном мониторинге авторских прав в крупномасштабных мультимедийных средах.
В этом исследовании была представлена децентрализованная структура защиты авторских прав на видео, которая интегрирует блокчейн-технологию Hyperledger Fabric с несколькими методами перцептивного хеширования для поддержки безопасной регистрации права собственности и проверки авторских прав на основе контента. Предлагаемый фреймворк объединяет алгоритмы aHash, dHash, pHash и wHash с блокчейн-сервисами на основе смарт-контрактов, чтобы создать прозрачную, устойчивую к вскрытию и проверяемую систему управления авторским правом.
Экспериментальная оценка показала, что фреймворк эффективно поддерживает проверку авторских прав при широком спектре временных, пространственных и сжатых видеомодификаций. Использование множества перцептивных методов хеширования повысило устойчивость к распространённым мультимедийным операциям, сохранив при этом возможность обнаружения несанкционированных изменений контента. Кроме того, интеграция Hyperledger Fabric и CouchDB обеспечила гибридную архитектуру хранения, которая сохраняла целостность и отслеживаемость данных, а также обеспечивала эффективное управление метаданными.
Из этих результатов очевидно, что предлагаемая система эффективно объединяет принципы децентрализованного управления и аутентификации на уровне контента, тем самым преодолевая некоторые недостатки классических централизованных систем защиты авторских прав. Кроме того, представленная система предлагает прозрачную аудитируемость, неизменное владение и процессы верификации на основе сходства контента.
В заключение, исследование показывает, что интеграция блокчейна и перцептивного хеширования может предложить решения для защиты авторских прав на видео следующего поколения. Будущие исследования будут включать более комплексную оценку эффективности предлагаемой структуры на более крупных и разнообразных видеобазах данных, а также разработку передовых механизмов отпечатков пальцев.
Раскрытие информации
У авторов нет конфликта интересов, которые можно было бы заявлять.
Благодарности
Авторы выражают благодарность Университету VIT-AP в Амаравати, Индия, за предоставление вычислительных возможностей и исследовательской поддержки, необходимых для проведения этого исследования. Авторы также отмечают поддержку, оказанную кафедрой компьютерных наук и инженерии при разработке и оценке предлагаемой структуры.
Материалы
| Имя | Компания | Каталожный номер | Комментарии |
|---|---|---|---|
| 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. |
Ссылки
- 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.