Bu çalışma, özel blokzincir, akıllı sözleşmeler ve algısal hashing tekniklerini entegre eden video telif hakkı koruması için merkezi olmayan bir çerçeve sunmaktadır. Amaç, dağıtık ortamlarda video içeriğinin güvenli sahiplik kaydı, değişmez kayıt yönetimi ve verimli benzerlik temelli doğrulamasını sağlamaktır.
Araştırma makalesi
Özel Blokzincir ve Algısal Hashing Kullanarak Video Telif Hakkı Korumasına Merkeziyetsiz Bir Yaklaşım
Bu makalede
Özet
Özet
İnternette video içerik paylaşımının artan popülaritesi, telif hakkı ihlalleri, korsanlık ve sahiplik anlaşmazlıkları konusunda endişeleri artırmıştır. Telif hakkı yönetiminde geleneksel merkezi yöntemler şeffaflık sorunları, manipülasyona yatkınlık ve güvenilir üçüncü taraflara güvenme ile karşı karşıyadır. Bu nedenle, bu çalışma Hyperledger Fabric, akıllı sözleşmeler ve algısal hashing üzerine kurulu merkeziyetsiz bir video telif hakkı koruma sistemi sunmaktadır. İlk olarak, videolardan alınan kareler çıkarılır ve ortalama hash (aHash), fark hash (dHash), algısal hash (pHash) ve wavelet hash (wHash) algoritmaları kullanılarak algısal parmak izleri oluşturulur. Hash'lar ve sahiplik bilgileri blokzincirde saklanırken, multimedya varlıkları defterin dışında tutulur. Telif hakkı kontrolleri, Hamming mesafesine dayalı kare seviyesi benzerlik karşılaştırmalarıyla yapılır. Önerilen çerçeve, çerçeve ekleme, silme, kırpma, yeniden boyutlandırma, rotasyon, filtreleme ve transkodlama gibi çeşitli zamansal, mekansal ve sıkıştırıcı manipülasyonlarda test edilmiştir. Deneyler, bu tür değişikliklere karşı yüksek dayanıklılık gösterirken aynı zamanda yetkisiz değişiklikleri tespit etti. Bu nedenle, bu teknoloji telif hakkı sorunlarına merkezi olmayan bir blokzincir çerçevesi kullanarak pratik bir çözüm sunabilir.
Giriş
Dijital multimedya teknolojilerindeki gelişmeler, videoların üretilme, dağıtım ve tüketilme biçimini değiştirmiştir. Video yayını, sosyal ağlar ve internet tabanlı içerik paylaşım sistemleri, videoların dünya çapında izleyicilere hızlı ve kolay dağıtımını sağlar. Teknolojik gelişmeler dijital video içeriği üretiminde ve çevrimiçi işin büyümesinde daha yaratıcı fırsatlar sunarken, aynı gelişmeler içerik üreticilerinin telif hakkı ihlalleri, korsanlık ve sahiplik sorunlarıyla karşılaşmasınıkolaylaştırmıştır 1. Videolar kolayca kopyalanabilir, düzenlenebilir, yeniden kodlanabilir ve dağıtılabilir; bu da günümüz multimedya dünyasında fikri mülkiyeti korumayı giderekzorlaştırır 2,3.
Genellikle, mevcut telif hakkı yönetim sistemleri, içeriği kaydetmek, sahipliği doğrulamak, lisans anlaşmalarını yönetmek ve anlaşmazlıkları çözmek için merkezi bir otoriteye dayanır. Yaygın olarak benimsenmiş olmalarına rağmen, bu yönetim sistemleri birkaç önemli sınırlamayayatkındır 4. Birincisi, merkezileştirme, telif hakkı yönetim sistemlerini potansiyel siber saldırılara, veri manipülasyonuna ve kesintiye maruz bırakır. Ayrıca, telif hakkı sahipliği güvenilir üçüncü şahıslar tarafından saklanır ve bu bilgilerin uzun vadeli güvenilirliğinin denetlenmesi ve korunması açısından tamamen arzuolunanolmayabilir. 5. Artan dijital multimedya içeriği, geleneksel doğrulama süreçlerini daha az verimli hale getirir; çünkü genellikle çok fazla zaman alır ve pratikolamazlaşır 6.
Blockchain teknolojisi, dağıtık ortamda güven ve şeffaflık sorunlarını çözebilecek çözümlerden biri gibi görünüyor. Kriptografi ve uzlaşma mekanizmaları aracılığıyla değiştirilemez defterler kullanılarak, blok zinciri, merkezi bir otorite süreci kontrol etmeden güvenli kayıt tutma sağlar. Kayıtlar blokzincire eklenir eklenmez, değişmez ve değişmez hale gelirler, böylece daha yüksek izlenebilirlik ve hesapverebilirlik seviyeleri sağlanır 8. Bu nedenle, DRM, IP, multimedya sahiplik güvencesi gibi alanlarda blokzincir uygulamalarının incelenmesi için birçok çabagösterilmiştir 9. Mevcut blokzincir platformları arasında Hyperledger Fabric, izinli mimari, modüler yapı, akıllı sözleşme desteği, gizlilik ve hızlı işlem gibi özellikleri nedeniyle önemli ilgi gördü. Kamu zincirlerinin aksine, Hyperledger Fabric'in izinli mimarisi onu telif hakkı koruma sistemleri için idealkılar 10.
Ancak, çoklu medya içeriğinin telif hakkı durumunu belirlemenin tek yolu olarak blok zinciri kullanmanın bazı sınırlamaları vardır11. Birincisi, geleneksel kriptografik hash fonksiyonları (örneğin SHA-256), video12'de küçük değişiklikler yapılsa bile tamamen farklı hash sonuçları üretir. Kriptografik amaçlar için arzu edilen bir özellik olmasına rağmen, telif hakkı korumalı multimedya içeriğinin benzer veya değiştirilmiş versiyonlarının görsel olarak tanınmasını engeller. Bu nedenle, multimedya telif hakkı doğrulaması, görüntülerde veya videolarda algısal benzerlikleri tespit edebilen içerik farkında algoritmalaradayanmalıdır 13.
Multimedya içeriğindeki telif hakkı sorununu çözmenin en umut verici yollarından biri, algısalhashing 14 kullanmaktır. Kriptografik hashing'in aksine, algısal hash görüntünün veya video karesinin görsel özelliklerini kodlayan parmak izleriüretir 15. Dolayısıyla, dosya alışılmış işlemlerle (sıkıştırma, filtreleme, yeniden ölçeklendirme, gürültü ekleme vb.) değiştirilmiş olsa bile, hash nispeten değişmedenkalır 16. Şu anda kullanılan dört tür algısal hash vardır: ortalama hash, difference hash, perceptual hash ve wavelethash 17,18.
Çoklu medya verileri için blok zinciri teknolojisinin telif hakkı koruma teknikleriyle birlikte kullanımını inceleyen çok sayıda araştırma yapılmıştır19. Önceki çalışmalar, sahiplik kaydı, dijital watermark, dağıtık depolama ve delil yönetimi, merkezi olmayan hak yönetimi ve multimedya içeriğinin güvenli depolanması için blockchain teknolojisinikullanmıştır 20. Hyperledger Dokusu, önceki çalışmalarda telif hakkı kaydı, hak yönetimi ve işlem denetimini akıllı sözleşmeler ve izinli uzlaşmaprotokolleri 21,22 üzerinden mümkün kılmak için kullanılmıştır. Benzer şekilde, yinelenen ve manipüle edilmiş multimedya içeriğini tespit etmek için algısal hashing ve watermark yöntemleri önerilmiştir. Blokzincir teknolojisi kullanarak telif hakkı yönetimini mümkün kılan bu umut vadeden eserlere rağmen, hâlâ birkaç boşlukvar 23,24. İlk olarak, birçok önceki çerçeve öncelikle sahiplik kaydıyla ilgilenir ancak içeriği doğrulama yeteneğinden yoksundur. İkinci olarak, birçok eser tek bir hash veya watermark yöntemine dayanarak video manipülasyon saldırılarına karşı daha savunmasızhale geldiler 25,26. Tablo 1, mevcut sistemlerin genellikle sahiplik kaydını desteklediğini ancak nadiren merkeziyetsiz sahiplik yönetimini çoklu hash içerik doğrulaması ile birleştirdiğini gösterir.
Video düzenleme teknolojisindeki gelişmelerle, telif hakkı ihlalini önlemek için etkili video sahiplik doğrulamasına daha fazla ihtiyaçduyulmaktadır 27. Mevcut teknoloji, videoları zamansal olarak manipüle etmek için kare hızını eklemek, kaldırmak, değiştirmek ve değiştirmek gibi çeşitli yöntemler sunmaktadır. Benzer şekilde, mekansal manipülasyon seçenekleri arasında kare boyutlandırma, ölçeklendirme, filtreleme, sıkıştırma, transkodlama ve videoların geometrik değişiklikleri yeralır 28. Bu manipülasyonlar, videonun görünümünü değiştirmese de telif hakkı sahiplerini tanımlamayı zorlaştırır. Verimli bir sistemin, izin verilen manipülasyon, sahiplik ve telif hakkı ihlalini bütünlük29 ile ayırt edebilmesi gerekir.
Verimli video telif hakkı yönetimi zorluğunu ele almak için bu makale, Hyperledger Fabric, akıllı sözleşmeler ve algısal hashing'den yararlanan merkezi olmayan bir model önermektedir. Önerilen çerçeve, hashing teknikleriyle algısal parmak izleri üretecek vevideo kareleri 30,31 çıkaracak. Dört farklı hash tekniği olan aHash, dHash, pHash ve wHash, algısal parmak izleri oluşturmak için kullanılacaktır. Sahiplik bilgileri, zaman damgası ve hash'ler izinli blokzincir tabanlı deftere kaydedilir. Ölçeklenebilirliği artırmak için CouchDB, çoklu medya içeriğini zincir dışı depolamak için blokzincir ile birlikte kullanılır.
Önerilen çerçeve, kare düzeyindeki benzerliği doğrulamak ve videoların değişikliklerini, çoğaltmalarını veya yasa dışı kullanımını tespit etmek için Hamming mesafe analizini kullanır. Birden fazla algısal hashing tekniğini blok zinciri tabanlı duyulabilirlikle birleştirerek, çözüm hem içerik düzeyinde kimlik doğrulama hem de müdahaleye karşı sahiplik yönetimi sağlar. Önceki sistemlerin tek bir doğrulama yöntemine dayanmasının aksine, önerilen çerçeve, zamansal, mekansal ve sıkıştırıcı video manipülasyonlarına dayanmak için birden fazla algısal tanımlayıcı kullanır.
Araştırma çalışmalarında sunulan başlıca katkılar şunlardır: (1) Hyperledger Fabric çerçevesini kullanan videolar için güvenli telif hakkı kaydı ve doğrulama süreci için merkeziyetsizlik yaklaşımı; (2) aHash, dHash, pHash ve wHash gibi birden fazla algısal hash algoritması, düzenlendikten sonra bile benzer videoları tanıyabilen birden fazla video parmak izi oluşturmak için kullanılır; (3) Hem Hyperledger Fabric hem de CouchDB kullanılarak ölçeklenebilirlik sorunlarını ele almak için veri bütünlüğü ve izlenebilirliği ödün vermeden dağıtık bir veritabanı modeli geliştirilmiştir; (4) Videoların kareler ve pikseller açısından manipülasyonunu belirlemek için Hamming mesafesinin hesaplanmasını içeren kapsamlı bir doğrulama süreci formüle edilir; (5) Önerilen yöntemin değiştirilmiş videoları tespit etme yeteneğini göstermek için deneyler yapılır.
Böylece, blokzincir tabanlı sahiplik ve çoklu hashing algoritmalarını entegre ederek, önerilen çerçeve merkezi olmayan video telif hakkı korumasına uygulanabilir bir yaklaşım sunar.
Protokol
Bu çalışma insan katılımcıları, insan denekleri, hayvan denekleri veya klinik örnekleri kapsamamıştır. Bu nedenle, kurumsal etik onayı ve bilgilendirilmiş onay gerekmiyordu.
Malzemeler ve yazılım
Framework'u dağıtmak için kullanılan ortam Hyperledger Fabric sürüm 2.4.8, CouchDB, Docker Containers, Minifab dağıtımı, FFmpeg multimedya işleme uygulamaları ve Go programlama dilinden oluşuyordu. Hyperledger Fabric, merkezi olmayan defter yönetimi ve akıllı sözleşme yürütme hizmetleri sunarken, CouchDB telif hakkı bilgilerini zincir dışı depolama yoluyla verimli şekilde saklayıp geri aldı. FFmpeg, videoları ön işlemek ve video karelerini çıkarmak için kullanılırken, algısal hash algoritmaları Go programlama dilindeki görüntü hashing kütüphaneleri aracılığıyla uygulandı. Tüm araçların listesi ve ilgili açıklamaları, Malzemeler Tablosu'nda gösterilmiştir.
Çerçeve mimarisi
Önerilen çerçeve, izinli blokzincir Hyperledger Fabric içinde algısal hashing algoritmalarını kullanarak video telif hakkı koruması ve sahiplik doğrulamasına merkezi olmayan bir yaklaşım sağlamaktadır. Çerçeve beş ana bileşenden oluşur: video ön işleme, algısal hash üretimi, blokzincir tabanlı telif hakkı kaydı ve benzerlik temelli doğrulama. Bu çerçevede, Hyperledger Fabric güven katmanı olarak hizmet verir ve değişmez sahiplik kayıtları sağlarken, CouchDB zincir dışı depolama sağlar. Önerilen çerçevenin genel mimarisi Şekil 1'de gösterilmiştir.
Telif hakkı doğrulama sistemi modeli
İncelenen sistemin ayrıntılı bir iş akışı Şekil 2'de gösterilmiştir. Video alımı ile başlar, ardından FFmpeg ile düzenli aralıklarla kare çıkarımı yapılır. Çıkarılan çerçeveler, sahiplik kaydı, sertifika yönetimi, eş iletişimi ve işlem doğrulaması gibi işlemleri içeren Hyperledger Fabric uygulama ortamında işlenir. Çıkarılmış çerçevelere algısal hashing uygulanır, ardından benzerlik derecesi değerlendirilmek için Hamming mesafesi hesaplaması yapılır. Hamming mesafesi eşik altındaysa, çerçeve gerçek kabul edilir ve kayıtlı içeriğe benzerdir; aksi takdirde, değiştirilmiş içerik olarak kabul edilir.
Video edinimi, ön işleme ve algısal hashing oluşturma
Deneyde kullanılan video örnekleri, ortalama 26 saniye uzunluğunda 480p çözünürlüklü MP4 dosyalarıydı. Değerlendirme veri setinde orijinal bir referans video ve birkaç değiştirilmiş versiyon dahil olmak üzere 15 video örneği bulunuyordu. Bu değişiklikler, kare hızlarının değiştirilmesi, karelerin eklenmesi, silinmesi veya yerine koyulması gibi yaygın düzenleme görevlerini ve kırpma, ölçeklendirme, dönüş ve üst katman efektleri gibi bozulmaların uygulanmasını içeriyordu. Veri seti ayrıca sıkıştırma, gürültü, metin ve çıkartma eklemeleri, hata efektleri ve daha fazlasını içeriyordu. Tüm videolar MP4 formatında, 480p çözünürlükteydi ve aynı ön işleme ve parmak izi oluşturma adımlarından geçti. Sistemin dayanıklılığını test etmek için tasarlanmış bu veri seti, ihlal ve manipülasyon içeren çok çeşitli gerçek dünya senaryolarını kapsar. Telif hakkı tespit ve onaya tabi olmadan önce, video dosyaları FFmpeg'de ön işlemeye tabi tutulmuştur. Video dosyalarından kareler, işlemesi hesaplama açısından ucuz olan görsel içerik şeklinde kısaltılmış içerik özetleri elde etmek için 1 saniyelik aralıklarla çıkarıldı. Sonrasında, bu kareler gri tonlamaya dönüştürüldü ve aydınlatma koşulları, kodlama ve sıkıştırma farklılıklarından kaynaklanan piksel yoğunluklarındaki değişiklikleri en aza indirmek için normalleştirildi.
Ortalama hashing (aHash), fark hashing (dHash), algısal hash (pHash) ve wavelet hashing (wHash) şeklinde video içeriği parmak izi üretmek için dört algısal hashing fonksiyonu kullanıldı.
Hash üretimi için, kareler önce gri tonlamaya dönüştürülür ve aHash ile dHash hesaplamak için 8x8 piksel boyutuna dönüştürülürdü. aHash ile, her piksel ortalama gri ton değeriyle karşılaştırıldığında 64-bitlik bir parmak izi oluşturuldu. dHash algoritması da benzer bir şey yaptı, 64-bit parmak izi oluşturdu, ancak bitişik yatay piksel yoğunluklarının nasıl farklılaştığını inceledi. pHash için kareler 32x32 piksele yeniden boyutlandırıldı, ardından ayrık kosinüs dönüşümü hesaplandı. 64-bit algısal parmak izi üretmek için yalnızca düşük frekanslı 8x8 DCT katsayıları kullanıldı. wHash için ise kareler yine 32x32 piksele boyutlandırıldı, ancak bu sefer Haar dalgasit dönüşümü ile işlendi. Alınan en düşük frekanslı dalgalet katsayılarından 64-bitlik bir hash üretildi. Tüm bu parametre ayarları, tipik video ayarlamalarını yönetmek için hesaplama verimliliği ile güç arasında iyi bir denge sağlamayı amaçlar.
Verimli hash fonksiyonu hesaplamaları yapmak için bu görüntüler normalleştirildi ve boyutlandırıldı. Ortalama hash yöntemi, piksel yoğunluklarını resmin ortalamasıyla karşılaştırarak çalışır. Fark hashing benzer şekilde çalışır ancak piksel yoğunluklarını komşu piksellerle karşılaştırarak yerel gradyanlara odaklanır. Algısal hashing, DCT'den çıkan Fourier özelliklerini kullanırken, wavelet hashing özellikleri çıkarmak için wavelet dönüşüm sonuçlarına dayanır.
Blokzincir tabanlı telif hakkı kaydı ve doğrulama
Alınan algısal parmak izleri, sahiplik meta verileri, zaman damgaları ve işlem detayları, akıllı sözleşme vitChain aracılığıyla Hyperledger Fabric blok zincirine aktarılır. Blockchain uygulaması, iki organizasyon, iki eş, iki sıralı düğüm, iki sertifika otoritesi (CA) düğümü ve CouchDB durum veritabanlarını içerir; hepsi otomatik bir kanal üzerinden bağlanır. İzinli blokzincir çerçevesi, telif hakkı detaylarının güvenli işlemesini, sınırlı erişimini ve müdahale edilmez saklanmasını sağlar.
Telif hakkı kayıt işlemi, içerik sahibi videoyu kullanıcı arayüzü üzerinden yüklediğinde başlar. Bir kullanıcı telif hakkı kaydı için video gönderdiğinde, uygulama katmanı Hyperledger Fabric SDK aracılığıyla vitChain akıllı sözleşmesini çağırır. Bu kayıt, benzersiz bir işlem kimliği, sahip bilgisi, video kimliği, zaman damgası ve dört tür algısal hash değerini içerir: aHash, dHash, pHash ve wHash. Ayrıca, içerikle ilgili meta veriler de var. Uygulama, işlem teklifini destekleyen akranlara gönderiyor. Bu eşler daha sonra akıllı sözleşme mantığını çalıştırır ve işlemin onay politikasına uygun olduğundan emin olurlar. Başarılı doğrulamadan sonra işlem sipariş servisine geçer. Burada, doğrulanmış işlemler bloklara gruplanır ve deftere dahil edilmek üzere eş düğümlere gönderilir. Bu arada, ilgili meta veriler CouchDB'ye giriyor. İşlem kimliği üzerinden blokzincir kayıtlarına bağlanır, kolay aramaları sağlar ve hem zincir içi hem de zincir dışı verileri tutarlı tutarlı tutarlı tutarlı tutuyorlar.
Ön işleme ve algısal hash hesaplamalarının ardından, parmak izleri ve ilgili meta veriler, akıllı sözleşme tarafından yürütülecek bir işlem haline getirilir. İşlem doğrulaması, belirtilen onay politikasına uygun olarak katılımcı akrlar tarafından gerçekleştirilir. Onay alındığında, işlem dağıtılmış defterde bir bloka dahil edilmek üzere sipariş servisine iletilir. Güvenilir işletme için kayıt ve doğrulama süreçlerine temel hata yönetimi eklendi. İşlem gerçekleşmeden önce, uygulama zorunlu meta verileri, sahiplik bilgilerini ve algısal hash'ları kontrol ederek sorun yaşamamayı sağlar. Eğer işlemler onay kurallarına uymuyorsa veya geçersiz parametrelere sahipse, eş düğümler bunları doğrudan reddeder. İletişim arızaları veya işlem hataları gibi sorunlar olduğunda, sistem bunları kaydeder ve yönetici uyarısı gönderir. Bu, sistemde küçük işlem hatalarının yayılmasını önlemeye yardımcı olur. Telif hakkı kontrolleri sırasında, geçersiz meta veri veya bozuk hash değerleri içeren videolar doğrulama sürecinden çıkarılır. Parmak izi üretimi başarısız olan videolar da doğrulama sürecinden benzer şekilde dışlanır. Genel olarak, bu adımlar verileri temiz tutar ve çerçevenin güvenilirliğini güçlendirir. Telif hakkı korumalı videonun sahiplik bilgileri değişmez hale gelir ve daha sonra ulaşılabilir hale gelir.
Doğrulama
Doğrulama süreci benzer ön işleme ve parmak izi hesaplama adımlarını içerir, ardından blok zincirinde depolanan parmak izleriyle Hamming mesafesine dayalı benzerlik ölçümü kullanılarak parmak izi karşılaştırması yapılır. Benzerlik ölçümüne dayanarak, akıllı sözleşme gönderilen videonun telif hakkı bilgilerini belirler. Etkileşim iş akışı Şekil 3'te gösterilmiştir.
Benzerlik temelli telif hakkı doğrulaması
Telif hakkı doğrulama süreci, sorgu videosundan elde edilen algısal parmak izlerini, blokzincir sisteminde daha önce saklanan parmak izleriyle karşılaştırır. Kayıt sırasında kullanılan aynı ön işleme ve hash-değer oluşturma süreci, tutarlılığı sağlamak için doğrulama aşamasında da tekrarlanır. Benzerlik, iki hash değeri arasındaki bit farklarının sayısını sayan Hamming mesafesi kullanılarak ölçülür. Daha küçük Hamming mesafeleri iki video arasında daha fazla benzerlik gösterirken, daha yüksek Hamming mesafeleri içerik manipülasyonunu gösterir. Sorgu videosunun kayıtlı videoyla eşleşip eşleşmediğini görmek için, algısal hash değerleri arasındaki Hamming mesafesini kullandık. Ön deneylere dayanarak, yaygın video işleme işlemlerine karşı dayanıklılık ile yetkisiz değişikliklere karşı duyarlılık arasında uygun bir denge sağlamak için Hamming mesafesi eşiği 20 seçildi. Hamming mesafesi 20 veya daha az olan videolar aynı telif hakkı korumalı içeriği temsil ettiği kabul edilirdi. Daha fazla olsaydı, büyük değişiklikler gösterirdi. Bu 20, sıkıştırma, filtreleme, transkodlama ve kare hızı değişiklikleri gibi yaygın video düzenlemelerini yönetmek için seçilmiş, ancak yine de yetkisiz değişiklikleri algılıyor. Toplanan tüm çerçeve parmak izleri için benzerlik ölçümleri yapılır ve ardından telif hakkı doğrulama sonucu oluşturmak için toplanır. Kayıtlı içerikten sapan videolar ek inceleme için işaretlenir.
Dağıtım ortamı
Test platformu ortamı, Docker konteynerleri ve Minifab orkestrasyon aracı kullanılarak oluşturuldu. Hyperledger Fabric sürüm 2.4.8'e dayalı bir blok zinciri ağı, CouchDB'nin akıllı sözleşme verileri için devlet veritabanı ve depolama katmanı olarak kullanıldığı şekilde devreye alındı. vitChain akıllı sözleşmesi, Go sürümünde uygulandı ve Hyperledger Fabric zincir kodu yaşam döngüsü kullanılarak dağıtıldı. Dağıtım parametreleri Tablo 2'de özetlenmiştir. Ağ, İçerik Yaratıcısı ve Görüntü Yazarı olmak üzere iki katılımcı organizasyondan oluşuyordu. İşlem bütünlüğünü sağlamak ve yetkisiz telif hakkı kaydı veya değişikliğini önlemek için, bir işlemin deftere bağlanmasından önce her iki kuruluşun onayı gerektiren çoklu kuruluşlu bir onay politikası uygulandı. Özellikle, onay politikası AND ('ContentCreatorMSP.peer','VideographerMSP.peer') şeklinde ifade edilen bir AND kuralı izledi.
Sonuçlar
Önerilen merkeziyetsiz telif hakkı koruma modelinin etkinliğini değerlendirmek için, multimedya iletimi, düzenleme ve telif hakkı ihlali sırasında sıkça meydana gelen çeşitli video manipülasyon saldırılarına karşı test edilir. Değerlendirmedeki iki önemli faktör şunlardır: (i) algısal hashing algoritmasının telif hakkı ve müdahale tespit etmedeki güvenilirliği ve (ii) Hyperledger Fabric blokzincir ağının performansı. Ortalama hash (aHash), fark hash (dHash), algısal hash (pHash) ve wavelet hash (wHash) hesaplanarak benzerlik puanları oluşturuldu ve bunlar blokzincirde kaydedilen video parmak izleriyle karşılaştırıldı.
Video manipülasyon saldırıları altında benzerlik analizi
Modelin sağlamlığı, videolara uygulanan zamansal, mekânsal, geometrik, sıkıştırma, filtreleme ve düşmanca manipülasyon saldırıları dahil olmak üzere çeşitli saldırılarla değerlendirildi. Bu çalışmanın benzerlik değerleri, her video manipülasyon senaryosu için yapılan bireysel deneylerden elde edilmiştir. Her tür manipülasyon bir kez uygulanarak temsil eden bir test vakası oluşturuldu ve benzerlik puanları analiz için kaydedildi. Amaç, önerilen çerçevenin çeşitli gerçekçi saldırı koşullarında telif hakkıyla ilgili değişiklikleri ne kadar iyi tespit edebileceğini kontrol etmekti. Yani bildirilen değerler, tekrarlanan denemelerin ortalamalarını değil, bireysel test vakalarından elde edilen sonuçları gösteriyor.
Dört algısal hash algoritması kullanılarak yapılan benzerlik puanları Tablo 3'te listelenmiştir. Önerilen model, çoğu içerik koruma saldırısı altında nispeten yüksek bir benzerlik sağlarken, videolardaki büyük yapısal değişikliklere karşı hassas kalırken, (Tablo 3).
Zaman dönüşümleri altında performans
Kare ekleme, kare silme, kare değiştirme ve kare hızı dönüşümü gibi zamansal dönüşümler, videoların zamansal sürekliliğini etkilerken, mekansal özelliklerini neredeyse korur. Deneyler, çerçeve yerleştirme ve kare değiştirmesinin test edilen tüm parmak izi algoritmalarıyla %80'den fazla benzerlik sağladığını göstermiştir (Şekil 4). Bu nedenle, algısal parmak izleri, zamansal değişikliklere rağmen videoların görsel özelliklerini korudu.
Çerçeve silme, karelerde bilgi eksikliği nedeniyle benzerlik değerlerinde hafif bir azalma sağladı. Buna rağmen, parmak izleri telif hakkı ihlalini tespit etmek için yeterli performans sağlayacak kadar benzerdi. Kare hızı varyasyonları, çoğu test örneğinde %97'nin üzerinde değerler verdikleri için benzerlik ölçümlerini anlamlı şekilde etkilemedi. Bunun nedeni, kare hızı dönüşümlerinin çerçeve özelliklerini önemli ölçüde değiştirmemesidir.
Mekansal ve geometrik dönüşümlerin etkisi
Geometrik ve mekansal dönüşümler, video karelerindeki görsel yapıları doğrudan etkiler ve bu da algısal hashing tekniğini nispeten zorlaştırır. Yerel olarak kurcalanmış bölgeler, görsel modifikasyonlar lokalize olmuş ve küresel algısal hash'ı önemli ölçüde değiştirmediği için benzerlik değerlerinde yalnızca hafif bir azalmaya yol açmıştır.
Kırpma işlemleri, görsel materyalin bazı parçalarının kaldırılması nedeniyle benzerlik değerlerinde daha fazla değişiklik yarattı. Dönme dönüşümleri, algısal hash tekniklerinde yaklaşık %48 ile %66 arasında değişen benzerlik değerlerinde en büyük azalmaya neden olmuştur. Bu anlaşılır çünkü rotasyon, algısal hash'te önemli rol oynayan mekânsal yapıları değiştirir. Görüntülerin ölçeklendirilmesi, değerler %96'nın üzerinde kaldığı için benzerlik puanları üzerinde çok az etkili oldu. Şekil 5, video rotasyonu altında elde edilen benzerlik sonuçlarını, geometrik dönüşümler dahil olmak üzere, özetlemektedir.
Sıkıştırma, filtreleme ve gürültüye dayanıklılık
Sıkıştırma ve transkodlama, multimedya depolama ve dağıtma sırasında rutin faaliyetlerdir. Deneysel analizler, MPEG sıkıştırma, transkodlama ve çeşitli video kodekleriyle yeniden kodlama sonrası bile benzerliklerin sürekli olarak %98'in üzerinde olduğunu göstermiştir. Bulgulardan, algısal parmak izlerinin sıkıştırma hataları ve kuantizasyon gürültüsüne rağmen görsel içeriğin çoğunu koruduğu çıkarılabilir. Ayrıca, gürültü ekleme ve filtreleme üzerine deneyler yapılmıştır. Gürültü ne kadar yüksek olursa olsun, benzerlik her zaman %98 ile %99 arasındaydı. Ayrıca, Gauss, medyan ve düşük geçirim filtreleme, benzerlikte minimum değişikliklere yol açarak videonun genel yapısal bilgisini korudu.
Karmaşık ve karşıt modifikasyonların tespiti
Önerilen model ayrıca, video karelerine metin veya çıkartma ekleme, video klipleri birleştirme ve iş birliği modifikasyonu saldırıları gibi saldırıları tespit etmek için de incelendi. Bu tür bir değişiklik, telif hakkı korumalı materyalde yetkisiz değişiklikler yaparken tutarlılığı korumak için kullanılır. Video karelerine metin eklendikten sonra yapılan benzerlik analizinin sonucu aşağıdaki Şekil 6'da gösterilirken, Şekil 7 birleştirilmiş video kliplerinin benzerlik analizinin sonuçlarını gösterir.
Algısal hash algoritmalarının performansının karşılaştırılması
Dört algısal hash algoritmasının her biri, deneysel testler sırasında gözlemlenen özel özelliklere sahipti. Algısal hashing (pHash), sıkıştırma, filtreleme ve transkodlama konusunda çok sağlam oldu ve yapısal manipülasyonlara karşı hassas kaldı. Wavelet hashing (wHash), metin veya nesne ekleme gibi yerel manipülasyonlarda iyi performans gösterdi.
Fark hashing (dHash), gradyanla ilgili yapısal manipülasyonları tespit edebiliyordu ancak dönüşe karşı daha hassastı. Ortalama hashing (aHash), genel yoğunluğu değişmeyen küresel uygulanan işlemlere uygulandığında kararlıydı, ancak geometrik manipülasyon gerçekleştiğinde daha az kararlıydı. Genel olarak, pHash ve wHash test edilen algoritmalar arasında en iyi sonuçları verdi.
Blokzincir teknolojisinin performans değerlendirmesi
İçerik doğrulama performansının yanı sıra, blokzincir sisteminin ölçeklenebilirliği ve performansı da dikkate alındı. Deneyler sırasında, dosya yükleme süresinin, eşler arasında senkronizasyon gerektirdiği için dosya boyutu ve ağ boyutuyla doğrusal olarak arttığı keşfedildi.
Benzer şekilde, madencilik ve blok oluşturma süresi eş sayısıyla doğrusal olarak arttı. Bu sonuç, akran sayısı arttıkça işlemlerin yapılmasının zorlaşması ve daha fazla iletişim gerektirmesinin öngörülmesiydi. Ancak, yazarların gözlemlediği süre, telif hakkı kaydının başvuru alanı için yeterince gerçekçiydi.
Erişim bloklarının işleti, ağ boyutu belirli bir değeri aşana kadar önemli değişiklikler göstermedi. Gözlemlenen performans da hibrit depolama mimarisinden etkilenir. Bu kurulumda, sahiplik meta verileri, işlem bilgileri ve algısal hash değerleri blokzincirde saklanırken, CouchDB multimedya verilerini yönetir. Bu, dağıtık deftere eklenen miktarı azaltır ve blokzincir depolamasının büyümesini kontrol altında tutmaya yardımcı olur. Yazarlar sadece blok zinciri tabanlı bir tasarımla özel bir karşılaştırma yapmamış olsalar da, deneyler sistemin farklı ağ kurulumlarında işlem işleme ve geri alma konusunda hâlâ iyi performans gösterdiğini gösteriyor. Şekiller 8–11 , araştırmacıların çeşitli ağ konfigürasyonlarındaki blok zinciri performans değerlendirmelerini özetlemektedir.
Genel olarak, deneysel sonuçlar, algısal hashing ile blokzincir teknolojisini birleştiren önerilen sistemin verimli performansını göstermektedir. Önerilen çerçeve, içerik koruma operasyonlarına karşı dirençlidir ve aynı zamanda yapı değiştiren saldırılara karşı duyarlıdır. Ayrıca, Hyperledger Fabric ağında telif haklarını kaydedip doğrulayabilir.
Veri Erişilebilirliği:
Bu çalışmada kullanılan veriler ve kodlar Zenodo deposuna yüklendi ve şu adresten erişilebilir: https://doi.org/10.5281/zenodo.20665324. Bunlar arasında çıkarılan çerçeve veri setleri, algısal hash'lar, Hamming mesafesi hesaplaması, blok zinciri kıyaslama testleri, akıllı sözleşme kodu, dağıtım dosyaları ve telif hakkı kaydı ve doğrulama deneylerinde kullanılan diğer meta veriler yer alır.
Şekil 1: Önerilen merkeziyetsiz video telif hakkı koruma çerçeve mimarisi. Şekil, önerilen çerçevenin genel yapısını göstermektedir; video ön işleme, algısal hash üretimi, blokzincir kaydı, sahiplik doğrulaması ve CouchDB depolama gibi işlemler dahildir. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.
Şekil 2: Video telif hakkı koruması ve doğrulama iş akışı için önerilen sistem modeli. İş akışı, önerilen çerçeve içinde video edinimi, çerçeve çıkarma, algısal hash üretimi, blok kaydı, benzerlik doğrulama ve telif hakkı karar alma süreçlerini göstermektedir. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.
Şekil 3: Video telif hakkı kaydı ve doğrulaması için dizi diyagramı. Dizi diyagramı, telif hakkı kaydı ve doğrulama sırasında içerik sahibi, uygulama katmanı, algısal hashing modülü, akıllı sözleşme, eş düğümler, sipariş servisi, blokzincir defteri ve CouchDB arasındaki etkileşimleri gösterir. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.
Şekil 4: Çoklu kare düzenleme işlemleri altında benzerlik analizi. Şekil, önerilen çerçevenin kare ekleme, silme, değiştirme ve kare hızı değişikliği gibi çeşitli zamansal video manipülasyon senaryolarında kümülatif benzerlik performansını sunmaktadır. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.
Şekil 5: Video rotasyonu altında benzerlik analizi. Figür, video rotasyonunun benzerlik puanları üzerindeki etkisini gösteriyor. Bu, önerilen çerçevenin videolar orta derecede döndürüldüğünde bile etkinliğini gösteriyor. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.
Şekil 6: Videoya metin ekleniyor. Bu, video karelerine metin eklendikten sonra benzer sonuçları gösterir. Önerilen çerçevenin içerik değişikliklerini tespit etme ve sahipliği doğrulama yeteneğini gösteriyor. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.
Şekil 7: Videoda birleştirilmiş bölümler. Bu, çeşitli kaynaklardan alınan parçaların birleştirilmesiyle oluşturulan video benzerliğinin analizini temsil eder. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.
Şekil 8: CouchDB zincir dışı depolama alanına farklı sayıda eş ile dosya yükleme için çalışma süresi analizi. Bu şekil, önerilen çerçevenin farklı dosya boyutları ve ağ yapılandırmaları için video meta verilerini zincir dışı depolamaya yüklemek için gereken zamanı göstermektedir. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.
Şekil 9: Blok madenciliği için blok madenciliği için blok madenciliği için saniyeler cinsinden çalışma süresi analizi, blok ağındaki farklı sayıda eşli. Bu şekil, Hyperledger Fabric ağında farklı ağ yapılandırmalarında bir blok madenciliği operasyonunun performansını göstermektedir. Bu deney, dosya boyutu ve eş-düğüm yapılandırmasının sistem performansı üzerindeki etkilerini göstermektedir. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.
Şekil 10: Blok zinciri ağındaki farklı sayıda eşli farklı boyuttaki dosyalar için blok oluşturma için saniyeler içinde çalışma süresi analizi. Aşağıdaki şekil, farklı ağ yapılandırmaları altında ağda bir blok oluşturmak için gereken süreyi göstermektedir. Bu, çerçevenin operasyonel yeteneklerini ve ölçeklenebilirliğini analiz etmeye yardımcı olur. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.
Şekil 11: Blok zinciri ağındaki farklı sayıda eşli dosya büyüklüğünde blok erişimi için saniyeler içinde çalışma süresi analizi. Bu şekil, farklı dosya boyutları ve eş-düğüm yapılandırmaları için blok zinciri sisteminden bilgi almak için gereken süreyi göstermektedir. Bu, önerilen çerçevenin telif hakkı doğrulaması ve sahiplik geri alımı için etkili bir şekilde kullanılabileceğini göstermektedir. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.
| S. Hayır. | Yazar(lar) | Uygulama | Blokzincir | Güvenlik | Koruma | Ölçeklenebilirlik | Telif Hakkı Koruması | Zincir dışı depolama | Bütünlük | Merkeziyetsiz |
| 1 | Liu ve ark.13 | Blockchain teknolojisi kullanılarak dijital telif hakkı koruması | ✓ | ✓ | ✗ | ✓ | ✓ | ✓ | ✗ | ✓ |
| 2 | Zheng ve ark.12 | Blokzincir tabanlı video telif hakkı koruması ve su nişanı | ✓ | ✓ | ✓ | ✗ | ✓ | ✓ | ✓ | ✓ |
| 3 | Qureshi ve ark.11 | Multimedya telif hakkı yönetimi çerçevesi | ✓ | ✓ | ✗ | ✗ | ✓ | ✓ | ✗ | ✓ |
| 4 | Darwish ve ark.9 | Video su işaretleme ve telif hakkı doğrulaması | ✓ | ✓ | ✓ | ✗ | ✓ | ✓ | ✓ | ✓ |
| 5 | Li ve ark.7 | Merkeziyetsiz müzik telif hakkı işlem yönetim sistemi | ✓ | ✓ | ✗ | ✗ | ✓ | ✓ | ✗ | ✓ |
| 6 | Pandian ve ark.10 | Blokzincir tabanlı video bütünlüğü doğrulaması | ✓ | ✓ | ✗ | ✗ | ✓ | ✗ | ✓ | ✓ |
| 7 | Guo J ve ark.6 | Çevrimiçi eğitimin multimedya kaynakları için dijital hak yönetimi | ✓ | ✗ | ✗ | ✗ | ✓ | ✓ | ✗ | ✓ |
| 8 | Moolikagedara ve ark.14 | Blokzincir tabanlı sahiplik ve izlenebilirlik sistemi | ✓ | ✓ | ✗ | ✗ | ✓ | ✓ | ✗ | ✓ |
| 9 | Madapati vePradhan 5 | Ethereum tabanlı video telif hakkı koruma çerçevesi | ✓ | ✓ | ✗ | ✓ | ✓ | ✓ | ✓ | ✓ |
| 10 | Frattolillo ve ark.8 | Akıllı sözleşme destekli dijital telif hakkı koruması | ✓ | ✓ | ✗ | ✓ | ✓ | ✓ | ✗ | ✓ |
| 11 | Önerilen Çerçeve | Hyperledger Fabric tabanlı video telif hakkı koruması, çoklu algısal hash (aHash, dHash, pHash ve wHash) kullanılarak | ✓ | ✓ | ✓ | ✓ | ✓ | ✓ | ✓ | ✓ |
Tablo 1: Mevcut blokzincir tabanlı telif hakkı koruma sistemlerinin karşılaştırılması. Tablo, mevcut blokzincir tabanlı telif hakkı koruma yöntemlerini, önerilen çerçeveyle blok zinciri kullanımı, akıllı sözleşmeler, algısal hashing, ölçeklenebilirlik, telif hakkı koruması, mülkiyet güvenliği, bütünlük kontrolleri ve merkeziyetsizlik gibi temel faktörler üzerinden karşılaştırıyor.
| Parametre | Yapılandırma |
| Blockchain Platformu | Hyperledger Fabric 2.4.8 |
| Ağ Türü | İzinli Blokzincir |
| Kuruluş Sayısı | 2 |
| Eş Düğüm Sayısı | 2 |
| Orderer Düğüm Sayısı | 2 |
| Sertifika Otoriteleri | 2 |
| İletişim Kanalı | autochannel |
| Akıllı Sözleşme Adı | vitChain |
| Akıllı Sözleşme Dili | Git |
| Eyalet Veritabanı | CouchDB |
| Dağıtım Aracı | Minifab |
| Konteyner Platformu | Docker |
| Uzlaşma Mekanizması | Sal Sipariş Hizmeti |
| Meta Veri Depolama | CouchDB |
| Mülkiyet Deposu | Blockchain Defteri |
Tablo 2: Hyperledger Fabric dağıtım yapılandırma parametreleri. Tablo, Hyperledger Fabric blokzincir ağının dağıtım yapılandırma detaylarını listeler; organizasyon, eşler, sipariş hizmeti, sertifika otoritesi, iletişim kanalı, uzlaşma mekanizması, akıllı sözleşmeler ve deney için kullanılan depolama dahildir.
| S.No | Video Saldırısı | pHash (%) | wHash (%) | dHash (%) | aHash (%) |
| 1 | Çerçeve Yerleştirme Saldırısı | 82.81 | 84.33 | 81.31 | 86.42 |
| 2 | Frame Deletion Attack (boşluk sola) | 82.69 | 81.78 | 80.17 | 81.07 |
| 3 | Frame Deletion Attack (boşluk kaldırıldı) | 75.37 | 78.68 | 76.19 | 79.69 |
| 4 | Çerçeve Değiştirme Saldırısı | 84.86 | 82.6 | 84.19 | 81.07 |
| 5 | Bölge Müdahale Saldırısı | 99.4 | 98.59 | 99.46 | 99.76 |
| 6 | MPEG Sıkıştırma Saldırısı | 99.64 | 99.61 | 99.1 | 99.64 |
| 7 | Gürültü Ekleme Saldırısı (%25) | 99.52 | 99.58 | 98.8 | 99.7 |
| 8 | Gürültü Ekleme Saldırısı (%50) | 99.64 | 99.4 | 98.68 | 99.52 |
| 9 | Gürültü Ekleme Saldırısı (%75) | 99.52 | 99.31 | 98.14 | 99.22 |
| 10 | Kırpma Saldırısı | 69.71 | 54.81 | 69.11 | 57.27 |
| 11 | Dönme Saldırısı (30°) | 54.21 | 60.61 | 57.09 | 65.56 |
| 12 | Dönme Saldırısı (60°) | 48.56 | 53.97 | 51.38 | 57.57 |
| 13 | Ölçeklenme Saldırısı | 98.56 | 99.28 | 96.81 | 97.48 |
| 14 | Çeviri + Çevirme (Sol–Sağ) | 52.88 | 63.46 | 51.2 | 68.63 |
| 15 | Çeviri + Çevirme (Yukarı-Aşağı) | 50 | 45.34 | 60.7 | 42.73 |
| 16 | Medyan Filtreleme (25) | 98.92 | 99.1 | 98.02 | 99.7 |
| 17 | Medyan Filtreleme (50) | 98.08 | 98.17 | 97.3 | 99.28 |
| 18 | Alçak Geçişli Filtreleme | 97.84 | 99.13 | 96.03 | 96.63 |
| 19 | Gauss bulanıklığı (σ = 5) | 99.76 | 98.68 | 98.68 | 99.76 |
| 20 | Gauss bulanıklığı (σ = 10) | 99.76 | 97.6 | 97.78 | 99.4 |
| 21 | Yeniden Kayıt (Camcorder) Saldırısı | 98.68 | 98.83 | 91.95 | 93.51 |
| 22 | Format Dönüşümü (MPEG-4 Kodlayıcı) | 99.16 | 99.19 | 98.14 | 99.4 |
| 23 | Format Dönüşümü (H.264 QSV Kodlayıcı) | 99.76 | 99.79 | 99.1 | 99.82 |
| 24 | Format Dönüşümü (Libvpx-VP9 Encoder) | 99.76 | 99.7 | 99.04 | 99.76 |
| 25 | Zaman Saldırısı (15 fps) | 97.48 | 98.26 | 98.02 | 99.4 |
| 26 | Zaman Saldırısı (24 fps) | 99.16 | 99.16 | 98.38 | 99.82 |
| 27 | İş Birliği Saldırısı | 99.76 | 99.28 | 98.74 | 99.58 |
| 28 | Transkodlama Saldırısı | 99.76 | 99.7 | 99.04 | 99.76 |
| 29 | Bit Hızı Değişim Saldırısı | 99.52 | 99.7 | 99.4 | 99.76 |
Tablo 3: Farklı saldırılar altında orijinal ve değiştirilmiş videolar arasındaki benzerlik analizi. Tablo, çeşitli video manipülasyonları altında kare ekleme, silme, değiştirme, döndürme, sıkıştırma, ölçeklendirme, gürültü ekleme, metin ekleme ve video birleştirme gibi çeşitli algısal hashing teknikleriyle oluşturulan benzerlik puanlarını göstermektedir.
Tartışma
Önerilen çerçevenin gösterdiği gibi, blockchain algısal hashing ile entegre edilmesi, videoları telif hakkı ihlalinden merkeziyetsiz bir şekilde etkili bir şekilde koruyabilir. Birincisi, değişmez mülkiyet kaydı ile algısal hashing'i birleştirerek, telif hakkı yönetim sistemlerinin temel şartlarını da sağlar: güvenli mülkiyet kaydı ve telif hakkı korumalı materyallerin tanımlanması. İkinci olarak, Hyperledger Fabric kullanımı erişim kontrolü, şeffaf işlem yönetimi ve müdahale etmeye karşı kayıt yönetimi sağlar.
Çeşitli algısal hash fonksiyonları, tek bir algısal hash fonksiyonuyla mümkün olmayan tespit türlerini mümkün kılarak ek avantajlar sunar. AHash, küresel yoğunluk özelliklerini tespit eder ve dHash'e göre hesaplama açısından daha az yoğundur; dHash ise yerel gradyan değişiklikleri ve yapısal varyasyonlara daha fazla odaklanır. Öte yandan, pHash frekans alanı bilgisini kullanır ve sıkıştırma ile filtreleme işlemlerine karşı daha dayanıklıdır; wHash ise metin veya çıkartma ekleme gibi yerel değişiklikleri tespit etmekte iyidir. Bu nedenle, tüm bu hash fonksiyonlarının birleşimi, her hash fonksiyonunun ayrı ayrı sınırlamaları nedeniyle tespit edilme olasılığını çok düşük hale getirir. Deneysel sonuçlar, farklı modifikasyon türlerine duyarlılığın algoritmalar arasında değiştiğini göstermekte; bu da çoklu hash kavramının video manipülasyon algılamasında uygulanmasının faydasını göstermektedir.
Hyperledger Fabric ve CouchDB kullanımı, blokzincirde depolanan veri miktarını azaltarak meta veri yönetimini çok daha verimli hale getirir. Testler çerçevenin pratikte iyi çalıştığını gösteriyor, ancak hibrit ve tamamen zincir üzerinde depolama kurulumları arasında sağlam bir nicel karşılaştırma yapmamız gerekiyor. Bu durum gelecekteki çalışmalarda araştırılmalıdır.
Diğer blokzincir telif hakkı çözümlerinin çoğu yalnızca telif hakkı sahipliği kaydına odaklanırken, getirilen yaklaşım hem sahiplik hem de içerik düzeyinde doğrulamayı içerir. Bu tür yetenekler, telif hakkı sorunları için pratikte çok faydalı olabilir, çünkü sadece sahiplik kayıtları, düzenlenen veya yeniden dağıtılan bir videonun telif hakkı korumalı materyalle ilişkili olup olmadığını belirlemek için yeterli değildir.
Yine de, bazı sınırlamalar var. Test, belirli özelliklere sahip videolar üzerinde ve belirli koşullar altında gerçekleştirildi. Ayrıca, dönme gibi geometrik manipülasyonlar, algısal hashing kullanarak medyayı doğrulamak için sorunlu olmaya devam etmektedir. Gelecekte, sistemi ek multimedya veri setlerinde test etmesi ve parmak izlerinin dönüşüm invariantı yapma olasılığını incelemesi ve telif hakı ihlallerini otomatik olarak tespit etmek için yapay zeka algoritmalarının kullanılmasını incelemesi bekleniyor.
Denetim kaydı ve telif hakkı izleme, önerilen çerçevenin mimari bileşenleri olarak dahil edilmiştir. Ancak, bu çalışmada etkinlikleri bağımsız olarak değerlendirilmemiştir. Gelecek araştırmalar, büyük ölçekli multimedya ortamlarında uyuşmazlık çözümü, anomli tespiti ve otomatik telif hakkı izlemedeki rollerini inceleyecektir.
Bu çalışma, Hyperledger Fabric blok zinciri teknolojisini çoklu algısal hashing teknikleriyle entegre eden ve güvenli sahiplik kaydı ve içerik tabanlı telif hakkı doğrulamasını destekleyen, video telif hakkı koruması için merkezi olmayan bir çerçeve sundu. Önerilen çerçeve, aHash, dHash, pHash ve wHash algoritmalarını akıllı sözleşme tabanlı blokzincir hizmetleriyle birleştirerek şeffaf, müdahaleye dayanıklı ve doğrulanabilir bir telif hakkı yönetim sistemi oluşturuyor.
Deneysel değerlendirme, çerçevenin zamanlı, mekânsal ve sıkıştırma tabanlı video modifikasyonlarının geniş bir yelpazesinde telif hakkı doğrulamasını etkili bir şekilde desteklediğini göstermiştir. Çoklu algısal hashing tekniklerinin kullanımı, yaygın multimedya işlem işlemlerine karşı dayanıklılığı artırırken, yetkisiz içerik değişikliklerini tespit etme yeteneğini korudu. Ayrıca, Hyperledger Fabric ve CouchDB'nin entegrasyonu, veri bütünlüğünü ve izlenebilirliğini koruyan hibrit bir depolama mimarisi sağladı; aynı zamanda verimli meta veri yönetimini mümkün kıldı.
Bu bulgulardan, önerilen sistemin merkeziyetsiz yönetim ve içerik düzeyinde kimlik doğrulama ilkelerini etkili bir şekilde birleştirdiği ve böylece klasik merkezi telif hakkı koruma sistemlerinin bazı eksikliklerini aştığı ortaya çıkmaktadır. Ayrıca, sunulan sistem şeffaf denetlenebilirlik, değişmez sahiplik ve içerik benzerliğine dayalı doğrulama süreçleri sunar.
Sonuç olarak, araştırma blok zinciri ve algısal hashing'in entegrasyonunun yeni nesil video telif hakkı koruması için çözümler sunabileceğini gösteriyor. Gelecekteki araştırmalar, önerilen çerçevenin daha büyük ve çeşitli video veritabanlarındaki performansının daha kapsamlı bir şekilde değerlendirilmesini ve gelişmiş parmak izi mekanizmalarının geliştirilmesini içerecektir.
Açıklamalar
Yazarların beyan edecek çıkar çatışmaları yoktur.
Teşekkürler
Yazarlar, bu çalışmayı yürütmek için gerekli hesaplama olanakları ve araştırma desteği sağlayan VIT-AP Üniversitesi, Amaravati, Hindistan'a teşekkür etmek ister. Yazarlar ayrıca, önerilen çerçevenin geliştirilmesi ve değerlendirilmesi sırasında Bilgisayar Bilimleri ve Mühendisliği Bölümü'nden aldıkları desteği de takdir etmektedir.
Malzemeler
| Ad | Şirket | Katalog numarası | Yorumlar |
|---|---|---|---|
| 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. |
Kaynaklar
- 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.
Yeniden basım ve izinler
Bu JoVE makalesinin metnini veya şekillerini yeniden kullanmak için izin iste
İzin iste