ДОКАЗООРІЄНТОВАНИЙ ЗАХИСТ ПРАВ ІНТЕЛЕКТУАЛЬНОЇ ВЛАСНОСТІ НА МУЛЬТИМЕДІЙНІ ДАНІ В ЕПОХУ КОНТЕНТУ, ЗГЕНЕРОВАНОГО ШІ

Анотація

Стрімке поширення генеративного штучного інтелекту та безшовне розповсюдження контенту в соціальних мережах перетворили повторне використання мультимедіа на високошвидкісний, кросплатформний процес, у якому захищений твір може бути скопійований, відредагований, перекодований і повторно опублікований за лічені хвилини. За таких умов однофакторний захист (наприклад, лише водяні знаки або лише хешування) часто є недостатнім, оскільки зловмисники можуть скористатися відомими слабкими місцями будь-якого окремого сигналу. У статті запропоновано доказоорієнтований підхід до захисту прав інтелектуальної власності на мультимедійні дані, який трактує підтвердження авторства як об’єднання різнорідних доказів: робастних водяних знаків, контентних відбитків/перцептивних хешів, криміналістичних слідів та незаперечного часового «якоря» в незмінному журналі (append-only) або блокчейні. Підхід узгоджується з програмами цифрової трансформації, де організаціям потрібні аудитовані, масштабовані й автоматизовані процеси, інтегровані в інформаційні системи, а не набір ізольованих алгоритмів. Формалізовано практичну модель загроз, релевантну платформним пайплайнам (стиснення, зміна розміру, кадрування, повторне кодування, накладання графіки та ШІ‑редагування), і запропоновано конвеєр, що формує доказовий звіт із детекторами, метаданими походження та відтворюваними артефактами перевірки. Дві структуровані таблиці узагальнюють (I) механізми доказування та типові режими відмови, а також (II) поширені атаки й рекомендовані контрзаходи. Основний внесок полягає в системному дизайні, який можна реалізувати легкими компонентами та який підтримує як технічну оцінку, так і юридичне обґрунтування завдяки прозорим, повторюваним і простежуваним крокам верифікації. Запропонована модель може слугувати еталонною архітектурою для університетських і промислових впроваджень сервісів захисту мультимедійних прав та основою для міждисциплінарних досліджень у сфері ШІ, кібербезпеки й інформаційних систем.

References

1.    Cox, I. J., Kilian, J., Leighton, F. T., & Shamoon, T. (1997). Secure spread spectrum watermarking for multimedia. IEEE Transactions on Image Processing, 6(12), 1673-1687. https://doi.org/10.1109/83.650120

2.    Zhang, T. (2022). Deepfake generation and detection, a survey. Multimedia Tools and Applications, 81(5), 6259-6276. https://doi.org/10.1007/s11042-021-11733-y

3.    Hartung, F., & Kutter, M. (1999). Multimedia watermarking techniques. Proceedings of the IEEE, 87(7), 1079-1107. https://doi.org/10.1109/5.771066

4.    Anderson, R. J., & Petitcolas, F. A. P. (1998). On the limits of steganography. IEEE Journal on Selected Areas in Communications, 16(4), 474-481. https://doi.org/10.1109/49.668971

5.    Kim, C. (2003). Content-based image copy detection. Signal Processing: Image Communication, 18(3), 169-184. https://doi.org/10.1016/S0923-5965(02)00130-3

6.    Cozzolino, D., & Verdoliva, L. (2020). Noiseprint: A CNN-Based Camera Model Fingerprint. IEEE Transactions on Information Forensics and Security, 15, 144-159. https://doi.org/10.1109/TIFS.2019.2916364

7.    Hosny, K. M., Magdi, A., ElKomy, O., & Hamza, H. M. (2024). Digital image watermarking using deep learning: A survey. Computer Science Review, 53, 100662. https://doi.org/10.1016/j.cosrev.2024.100662

8.    Guo, J., Li, C., Zhang, G., Sun, Y., & Bie, R. (2020). Blockchain-enabled digital rights management for multimedia resources of online education. Multimedia Tools and Applications, 79, 9735-9755. https://doi.org/10.1007/s11042-019-08059-1

9.    Amerini, I., Anagnostopoulos, A., Maiano, L., & Ricciardi Celsi, L. (2021). Deep Learning for Multimedia Forensics. Foundations and Trends in Computer Graphics and Vision, 12(4), 309-457. https://doi.org/10.1561/0600000096

10.Petitcolas, F. A. P., Anderson, R. J., & Kuhn, M. G. (1999). Information hiding - a survey. Proceedings of the IEEE, 87(7), 1062-1078. https://doi.org/10.1109/5.771065

11.Shih, F. Y., & Zhong, X. (2016). High-capacity multiple regions of interest watermarking for medical images. Information Sciences, 367-368, 648-659. https://doi.org/10.1016/j.ins.2016.07.015

12.Yu, P., Xia, Z., Fei, J., & Lu, Y. (2021). A survey on deepfake video detection. IET Biometrics, 10(6), 607-624. https://doi.org/10.1049/bme2.12031

13.Zhang, J., Gu, Z., Jang, J., Wu, H., Stoecklin, M. P., Huang, H., & Molloy, I. (2018). Protecting Intellectual Property of Deep Neural Networks with Watermarking. Proceedings of the 2018 on Asia Conference on Computer and Communications Security (ASIA CCS '18). https://doi.org/10.1145/3196494.3196550

14.Li, Y., Wang, H., & Barni, M. (2021). A survey of Deep Neural Network watermarking techniques. Neurocomputing, 461, 171-193. https://doi.org/10.1016/j.neucom.2021.07.051

15.Xiao, X., He, X., Zhang, Y., Dong, X., Yang, L.-X., & Xiang, Y. (2023). Blockchain-based reliable image copyright protection. IET Blockchain, 3(4), 222-237. https://doi.org/10.1049/blc2.12027

16.Darwish, S. M., Abu-Deif, M. M., & Elkaffas, S. M. (2024). Blockchain for video watermarking: An enhanced copyright protection approach for video forensics based on perceptual hash function. PLOS ONE, 19(10), e0308451. https://doi.org/10.1371/journal.pone.0308451

17.Swanson, M. D., Kobayashi, M., & Tewfik, A. H. (1998). Multimedia data-embedding and watermarking technologies. Proceedings of the IEEE, 86(6), 1064-1087. https://doi.org/10.1109/5.687830

18.Ding, W., Abdel-Basset, M., Ali, A. M., & Moustafa, N. (2024). A survey of intelligent multimedia forensics for internet of things communications: Approaches, strategies, perspectives, and challenges for a sustainable future. Engineering Applications of Artificial Intelligence, 138, 109451. https://doi.org/10.1016/j.engappai.2024.109451

19.Ciriello, R. F., Torbensen, A. C. G., Hansen, M. R. P., & Muller-Bloch, C. (2023). Blockchain-based digital rights management systems: Design principles for the music industry. Electronic Markets, 33, Article 5. https://doi.org/10.1007/s12525-023-00628-5

20.Ntivuguruzwa, J. D. L. C., Ahmad, T., & Han, F. (2024). Comprehensive survey on image steganalysis using deep learning. Array, 22, 100353. https://doi.org/10.1016/j.array.2024.100353

21.Wang, L., Song, Y., & Xia, D. (2023). Deep neural network watermarking based on a reversible image hiding network. Pattern Analysis and Applications, 26(3), 861-874. https://doi.org/10.1007/s10044-023-01140-4

22.Singh, H. K., & Singh, A. K. (2023). Comprehensive review of watermarking techniques in deep-learning environments. Journal of Electronic Imaging, 32(3), 031804. https://doi.org/10.1117/1.JEI.32.3.031804