Разработка и исследование алгоритмов и методик идентификации цифровых устройств записи по создаваемым ими цифровым образам

Особенность проблемы защиты информации состоит в ее многогранности. Распространение цифрового представления медиа-контента и устройств для его воспроизведения привели к практически полному вытеснению аналоговой техники записи.

Однако вместе с тем стало ясно, что в связи с простотой копирования информации в цифровом представлении и отсутствием деградации качества при её копировании, а также возможностью копирования медиа-информации из аналогового представления (analog-hole), неустранимой принципиально, актуальной является задача разработки новых методов как защиты медийных данных от несанкционированного копирования, так и средств встроенной защиты звукозаписывающей аппаратуры от использования в целях производства контрафактной продукции.

Другой не менее актуальной задачей стала задача установления происхождения цифровых образов, в частности, возникли большие сложности с установлением авторства и подлинности цифровых фотографий. В «доцифровую» эпоху фотография часто принималась априори как доказательство существования события, доказательством чего являлся негатив. В сегодняшнем цифровом мире создание и манипуляция цифровыми образами аналоговых сигналов, в частности фотографическими изображениями, аудиои видеозаписями при помощи широко доступного специализированного программного обеспечения достаточно просты, а существование «цифрового негатива», т. е. первоначального образа, хранящегося на устройстве записи, либо невозможно принципиально (немедленная передача отснятого материала без сохранения в устройстве), либо кратковременно ввиду перезаписи новым материалом. Следствием. явилась утрата априорного доверия к цифровым фотографическим изображениям и аудиозаписям как достоверным отображениям событий прошлого, что особенно важно при необходимости использования цифровых записей в качестве юридически значимого доказательства.

Анализ практики работы правоохранительного блока по уголовным делам показывает, что при проведении оперативно-розыскных действий изымается большое количество фото, аудиои видео техники, а так же файлов (цифровых образов), созданных преступниками с использованием указанных устройств для фиксации различных событий.

В связи с этим в работе сотрудников спецслужб станы очень остро встали вопросы возможности проведения мероприятий, по сопоставлению на предмет принадлежности имеющихся в распоряжении файлов (цифровых образов) к изъятым соответствующим устройствам цифровой фото-, видео, аудиозаписи. Аналогией в данном случае является идентификация пишущей машинки по странице, отпечатанной на ней на основе имеющегося слепка шрифта, отражающего уникальные особенности литер.

Острую необходимость возможности идентификации цифровых устройств фото-, аудио-, видеозаписи по создаваемым ими цифровым образам можно продемонстрировать на примере резонансных в последние годы уголовных дел, предусмотренных следующими главами Уголовного Кодекса России:

I. Глава 24. Преступление против общественной безопасности статья 205. Террористический актстатья 208. Организация незаконного вооруженного формирования или участие в немстатья 222. Незаконные приобретение, передача, сбыт, хранение, перевозка или ношение оружия, его основных частей, боеприпасов, взрывчатых веществ и взрывных устройств.

В ходе работы по данному виду преступлений проверяется большое количество граждан на возможную причастность их к боевикам, либо к их пособнической базе. При этом изымается огромное количество носителей с файлами аудио-, видео, фото записей, в том числе и устройства, с помощью которых они могли быть произведены. В случае подтверждения того, что все цифровые образы, либо их часть были сделаны посредством изъятых у подозреваемого лица соответствующих устройств, можно рассматривать как подтверждения фактов присутствия данного гражданина в качестве участника при событиях, запечатленных в указанных файлах.

Не секрет, что во многих регионах Северо-Кавказского федерального округа в целях запугивания населения членами незаконных вооруженных формирований распространяются листовки с угрозами, призывами к вооруженной борьбе и т. д. Анализ их изготовления показывает, что большинство из них сделано путем сканирования рукописного текста с оригинала и дальнейшего распространения полученных копий в печатном виде в населенных пунктах, а в электронном виде в интернете. Проведение мероприятий в рамках оперативно-розыскной работы по идентификации файла с текстом листовки, полученного из интернета, со сканерами подозреваемых лиц, также может оказать неоценимую помощь в выявлении конкретного лица, причастного к данному виду преступления:

II. Глава 25. Преступления против здоровья населения и общественной нравственности Статья 242. Незаконное распространение порнографических материалов или предметов. Создание таких материалов как правило бывает тесно связано с преступными деяниями, предусмотренными статьями УК РФ 134: «Половое сношение и иные действия сексуального характера с лицом, не достигшим шестнадцатилетнего возраста», Статья 135: Развратные действия.

Технология позволяющая отыскать цифровую фотокамеру, с помощью которой был сделан снимок, по информации, содержащейся в самой фотографии, оказала бы неоценимую помощь правоохранительным органам, в розыске и поимке фотографов-педофилов.

В судебных разбирательствах по делам таких людей, защита чаще всего апеллирует к невозможности установить, с помощью какой конкретной камеры были сделаны снимки.

Это значит, что если в. руках экспертов окажется фотоаппарат подозреваемого и снимки, предположительно им сделанные, то, при помощи нового алгоритма им не составит труда выяснить, так ли это.

С учетом изложенного, при отсутствии соответствующие технологии необходимо разработать методики, которые могут помочь в установлении подлинности цифровых фотографий и файлов с графической информацией, полученной при помощи сканеров. Ввиду того, что аналогичные проблемы возникают и при анализе других цифровых мультимедийных данных, в частности, аудиофайлов, необходимы методики идентификации цифровых данных по особенностям, возникающим при их создании.

Можно выделить следующие основные проблемы, которые встают при установлении подлинности цифровых изображений: действительно ли образ — оригинальный, либо он подвергался монтажубыл ли получен анализируемый образ при помощи устройства записи, предъявленного на экспертизумодифицировались ли данные на носителе либо область данных файла образа после его создания.

Это только несколько примеров проблем, с которыми сталкиваются обычно при исследовании цифровых фотографий. Аналогичные проблемы возникают при исследовании аудиозаписей, в том числе цифровых.

Следовательно, необходимо разработать методики, которые могут помочь в установлении подлинности цифровых фотографий и сканеров. Ввиду того, что аналогичные проблемы возникают и при анализе других цифровых мультимедийных данных, в частности, аудио файлов, необходимы методики идентификации цифровых данных по особенностям, возникающим при их создании.

Целью работы Целью диссертационной работы является разработка и исследование алгоритмов и методик идентификации цифровых мультимедийных данных, полученных с цифровых устройств записи, для установления происхождения, цифровых данных и исследования их аутентичности.

Исходя из поставленной цели, определяется перечень задач исследования: выработка требования к системе аутентификации, эффективно решающей задачу распознавания предъявленных цифровых мультимедийных данных с целью установления их авторства и происхожденияразработка алгоритмов и методик выделения признаков, обусловленных программно-аппаратными решениями устройств, в частности: типами используемых сенсоров, модификациями алгоритмов постобработки данных при их преобразованиях в форматы представленияразработка алгоритмов и методик идентификации цифровых систем записипроведение экспериментальных исследований оценки точности идентификации устройств записи адио и визуальных данных.

Объектом исследования диссертации являются средства цифровой обработки сигналов, их анализа, заключающийся в усовершенствовании методик идентификации устройств цифровой записи в интересах обеспечения информационной безопасности объектов, в части систем установления происхождения цифровых мультимедийных данных.

Методы исследования В работе использованы основные положения теории цифровой обработки сигналов, спектрального анализа, теории цифровой фильтрации, а также методы распознавания образов, с использованием аппарата искусственных нейронных сетей.

Научная новизна. Разработаны алгоритмы и методики автоматизированной идентификации цифровой визуальной и аудио записи по создаваемым устройствами цифровым образам с учетом возможных искажений изображений и нестабильности частоты дискретизации аудиосигнала.

Практическая ценность работы. Разработанные алгоритмы и методики идентификации могут быть использованы при создании автоматизированных систем классификации цифровых изображений и звуковых данных по устройствам-источникам. На основе разработанных алгоритмов возможна идентификация устройств фото и аудиозаписи, а также отслеживаний попыток нарушения авторских прав на медиа-произведения.

Достоверность.

Достоверность полученных результатов подтверждается полнотой и корректностью теоретических обоснований и результатами проведённых экспериментов действующих моделей.

Основные научные результаты, выносимые на защиту.

1. Алгоритм и методики идентификации аппаратуры визуальной записи, позволяющей учитывать углы поворота изображения.

2. Алгоритм и методики идентификации цифровой аппаратуры, позволяющей учитывать нестабильность частоты дискретизации аудиосигнала.

3. Экспериментальные оценки основных характеристик разработанных и реализованных средств идентификации цифровых устройств записи.

Использование результатов.

Результаты, полученные в ходе работы над диссертацией, были использованы:

— при проведении исследований по гранту РФФИ 08−07−253-а «Разработка методов идентификации цифровых аудиои визуальных устройств записи по цифровому образу данных» ;

— На предмет оценки эффективности предложенного подхода и возможности его использования подразделениях: подразделениями Министерства внутренних дел по Республике Дагестанподразделениями Управления ФСБ России по Республике Дагестанвойсковой частью 43 573-Р (г.Москва).

Апробация. Полученные при работе над темой диссертации результаты были представлены на:

1. Девятой международной научно-практической конференции «ИНФОРМАЦИОННАЯ БЕЗОПАСНОСТЬ — 2007», г. Таганрог.

2. Десятой международной научно-практической конференции «ИНФОРМАЦИОННАЯ БЕЗОПАСНОСТЬ — 2008», г. Таганрог.

3. Третьей Международной научно-технической конференции «Инфокоммуникационные технологии в науке, производстве и образовании» с целью выработки научно-практических рекомендаций по проблеме «Математическое моделирование в управлении, науке и технике» г. Ставрополь.

4. Всероссийской конференции (с международным участием) «Проблемы информатизации общества», г. Нальчик.

Публикации.

По теме диссертации опубликовано 10 статей и тезисов докладов, из них 1 статья опубликована в журнале «Известия Таганрогского государственного радиотехнического университета (ТРТУ)» из перечня, рекомендованного ВАК РФ для публикации результатов диссертационных работ.

Объём и структура диссертации.

Диссертация состоит из введения, 4-х глав, заключения и списка литературы. Основной текст диссертации состоит из 150 страниц и включает 51 рисунок и 9 таблиц.

4.6. Выводы по четвертой главе.

В главе была проведена разработка подсистемы идентификации звуковых карт по создаваемым ими цифровым данным. С этой целью были проведены экспериментальные исследования параметров данных моделей систем идентификации на основе гауссовской смешанной модели и нейросетевых методов для эффективного решения задачи их распознавания.

Для построения систем распознавания гауссовские смеси хорошо себя зарекомендовали в качестве стохастической модели. Во-первых, модели очень удобны для моделирования не только статистических характеристик голоса диктора, но и окружающей среды, канала звукозаписи. Во-вторых, смеси гауссовых моделей представляют собой удобный способ представления и интерпретации акустических событий речевого сигнала.

Альтернативной моделью является использование нейронных сетей. Преимуществом данного метода распознавания является их гибкость в настройке для данного типа звуковой платы, при этом позволяют в автоматическом режиме формировать разделяющие гиперплоскостиблагодаря/ использованию нелинейных активационных функций и при наличии достаточного количества скрытых слоевони позволяют формировать области решений более' сложной формы, чем при использовании методов гауссовских смешанных моделей.

Кроме того, ответы системы построенные на основе гауссовских смешанных моделей дают менее достоверные результаты при тестировании и требуют большего числа контрпримеров чем нейронные сети, что важно при небольшом количестве экспериментальных данных. Так, для методики идентификации, основанной на гауссовских смешанных моделях, средняя ошибка первого рода составляет 0,14, а второго рода — 0,18, для методики идентификации, основанной на нейронных сетях, 0,0543 и 0,085, соответственно. Таким образом, выбор" был сделан в пользу нейронных сетей, хотяв некоторых случаях возможно использование гауссовских смешанных моделей.

При анализе результатов можно сделать следующие выводы.

1. Как показали результаты тестирования длина анализируемых участков аудиоданных, используемых для вычисления векторов признаков слабо влияет на точность идентификации звуковых плат. Заметное снижение точности результатов наблюдается при длине анализируемого участка равном -25 мсек.

2. Длительность собственно звучания аудиоданных не должна быть меньше 7,5 сек.

Таким образом, на основе полученных экспериментальных данных можно сделать заключение, что наилучшая идентификация звуковых плат может быть достигнута при величине анализируемого участка равном 50−100 мсек и длительности звучания аудиосигнала не менее 10 сек. При этом средняя величина ошибки первого рода составила -5,4%, а второго рода.

— 8,5%. Следует отметить полное отсутствие в открытой печати данных по идентификации звуковых плат.

Предлагаемый способ определения угла поворота изображения на основе преобразования Радона позволяет установить неизвестный угол поворота в общем случае с точностью до 90°, таким образом, для идентификации устройства по изображению с неизвестным углом поворота необходимо проведение идентификации по 4 вариантам изображения.

Проведено экспериментальное исследование системы распознавания цифровых фотографических камер и сканеров на основе коррелированности пиксельных неоднородностей матрицы, одинаковых для всех считанных с неё кадров. Исследование показало, что можно по произвольным цифровым фотографическим изображениям и файлам с графической информацией проводить идентификацию камер и сканеров.

ЗАКЛЮЧЕНИЕ

.

В соответствии'- с поставленными целями и задачами, в результате проведенных исследованийи разработок были получены следующие результаты.

1. Проведен обзор" методов, защиты, авторских прав на основе цифровых водяных знаков. Применение ЦВЗ подразумевает использование" вычислительных устройств и специального-программного обеспечения* для-встраивания и анализа. Во многих случаях, при создании цифровых мультимедийных данных встраивание ЦВЗ средствами устройства, реализовать невозможно, примерами таких устройств являются цифровые фотоаппараты и цифровые диктофоны. Метод водяных знаков также не позволяет идентифицировать устройство, на котором были созданы мультимедийные данные. Альтернативным методом является установление авторства путем анализа* статистических закономерностей в цифровых данных, полученных с данного устройства.

2. Проанализирован подход к установлению авторства цифровых фотографий на основе статистических методов, проведен анализ получения^ цифровых образов аналоговых изображений при помощи цифровых фотокамер и сканеров. Показана необходимость модификации ¦ методик идентификации изображений для возможности идентификации сканеров.

Для идентификации цифровых фотокамер была выбрана методика, опирающаяся на статистический метод, основанный на выделении ВЧ-структуры постоянных шумов матрицыпри помощи фильтра Винера' и усреднения множества изображений, заведомо полученных с идентифицируемой матрицы.

Для идентификации цифровых сканеров предложенный статистический метод был модифицирован с учетом специфики процесса формирования изображений в сканерах.

Обеспечение стойкости к атакам, заключающихся в повороте исходного изображения на малый угол достигается предложенным методом обнаружения угла поворота на основе преобразования Радона по максимумам проекций.

3. Разработаны методики идентификации цифровых устройств-записи аудиоинформации, а именно, цифровых микрофонов и звуковых плат персональных ЭВМ1. Были' проведены экспериментальные исследования параметров данных моделей для эффективного решения задачи их распознавания.

Для устранения изменения частоты дискретизации проводилось выравнивание по общим максимумам частотных элементов профилей микрофона и профиля, восстановленного, из анализируемой записи, выравнивание производилось при помощи сдвига на величину смещения пика корреляционной функции профилей.

Проведен статистический анализ полученных данных и рассмотрены модели систем идентификации звуковых устройств записи.

Для создания методик идентификации звуковых карт были рассмотрены гауссовские смешанные модели, нейронные сети и стационарные спектральные составляющие. Для построения систем распознавания модели гауссовых смесей хорошо себя зарекомендовали в качестве стохастической модели. Во-первых, модели очень удобны для моделирования не только статистических характеристик голоса диктора, но и окружающей среды, канала звукозаписи. Во-вторых, смеси гауссовых моделей представляют собой удобный способ представления и интерпретации акустических событий речевого сигнала.

Альтернативной методикой является использование нейронных сетей. Преимуществом данной методики распознавания является гибкость в настройке для данного типа звуковой платы, при этом нейронные сети позволяют в автоматическом режиме формировать разделяющие гиперплоскости благодаря использованию нелинейных активационных функций и при наличии достаточного количества скрытых слоев формировать области решений более сложной формы, чем при использовании методов гауссовских смешанных моделей.

Кроме того, ответы системы построенной на основе гауссовских смешанных моделей дают менее достоверные результаты при тестировании и требуют большего числа контрпримеров, чем нейронные сети, что важно при небольшом количестве экспериментальных данных. Достоинством данной методики является возможность обучить систему для идентификации новых звуковых устройств, используя существующую базу контрпримеров. Таким образом, выбор был сделан в пользу нейронных сетей.

Спектральные составляющие также позволяют идентифицировать источники цифрового аудиоконтента. В качестве идентифицирующих признаков в данной методике используются относительные уровни медиан амплитудных и фазовых составляющих спектрограмм сигналов. При идентификации целесообразно применение в качестве идентифицирующих вначале амплитудных признаков (медианных значений спектрограмм), а при их отсутствии — производных фазовых спектрограмм (первой и второй производных).

Проведены экспериментальные оценки основных характеристик разработанных и реализованных средств идентификации цифровых устройств записи, определены ошибки идентификации по записанным цифровым образам. Для звуковых аудиоустройств средняя ошибка первого рода (ошибочный пропуск платы) составила 0,0543, средняя ошибка второго рода (ошибочная идентификация платы) составила 0,085. Средний коэффициент корреляции, полученный при тестировании цифровых изображений с камер составил 0,261 при совпадении со своей камерой и менее 0,005 при несовпадении.