面向社交網絡的去同步內容分發

葉從歡， 熊曾剛

(湖北工程學院 計算機與信息科學學院，湖北 孝感 432000)

面向社交網絡的去同步內容分發

葉從歡， 熊曾剛

(湖北工程學院 計算機與信息科學學院，湖北 孝感 432000)

數字指紋是一種比較完善的防止數字媒體未經授權再次分發的方法。然而，當對手收集到足夠多的拷貝后，就能減弱甚至消除指紋，導致跟蹤器可能無法再檢測到任何實際參與合謀的人。在面向社交網絡的多媒體內容分發系統中，能容納的用戶多達上千萬甚至上億，同一社區中的大量用戶可聚集更多的指紋拷貝來進行共謀攻擊。參與共謀的人數越多，共謀拷貝中殘留的單個用戶的指紋信息越少。如果不解決社交網絡環境下大規模用戶的共謀行為，必將造成內容所有者的隱私泄露，整個多媒體行業也會因此遭受重大損失。為了減少大多數用戶參與共謀攻擊后所造成的損失，提出面向社交網絡的去同步指紋技術，通過在指紋媒體拷貝之間引入去同步差異性，來威懾共謀攻擊行為。實驗結果表明，本文提出的去同步指紋技術具有有效性。

社交網絡；數字指紋；多媒體內容；共謀攻擊；去同步

最近十年，多媒體、網絡通信和社交網絡技術飛速發展，面向社交網絡的多媒體數據的分發變得越來越高效。盡管如此，但也出現了對多媒體數據的濫用、非法復制、盜版、剽竊和挪用等一系列問題。在這種情況下，有效解決社交網絡環境下的多媒體內容的安全性問題顯得非常重要。針對多媒體數據隱私問題，數字版權管理系統已成為社交網絡環境下多媒體內容的重要保護手段，其中數字指紋是一種比較完善的、能防止再次分發的重要方法之一，它通過在內容中嵌入一段獨一無二的序列號達到保護版權的目的，這種數字指紋可以看作是水印的一種擴展，是在多媒體數據被傳播之前進行指紋信息的嵌入。與水印不同的是，不同的用戶嵌入的數字指紋并不相同。一個指紋，代表一個用戶的身份標識，因此可以用來鑒定那個泄露內容拷貝的人。這兩種技術的基本區別在于嵌入的數字水印編碼對所有用戶來說都是相同的，而每個用戶的數字指紋并不相同。

在面向社交網絡的多媒體內容分發系統中，容納的用戶數目多達上千萬甚至上億，同一社區中大量用戶可聚集更多的指紋拷貝來進行共謀攻擊。參與共謀的人數越多，共謀拷貝中殘留的單個用戶的指紋信息越少[1]。如果不解決社交網絡環境下大規模用戶的共謀行為，勢必導致內容所有者的隱私泄露，整個多媒體行業也會因此而遭受嚴重損失。為了減少不必要的損失，面向社交網絡的內容安全分享技術變得越來越重要。通常，參與同一次共謀的用戶會相互信賴，不會擔心被自己的同伙出賣。因而，在社交網絡中這些叛逆者極有可能來自同一個社區，才能組成一個從事共謀攻擊的團伙。本文利用面向社交網絡的去同步指紋技術來威懾共謀攻擊行為。所謂去同步指紋技術，就是采用隨機幾何變換技術，使得分配給用戶的拷貝彼此之間像素錯位[2-3]。這樣用彼此之間不同步的拷貝進行共謀攻擊，即使共謀攻擊的能力得以保持，但共謀拷貝的視覺質量也會變得模糊，低質量的共謀拷貝降低了其使用價值[4]。本文首先介紹了社交網絡的基本概念；然后根據共謀攻擊的目的提出了一種面向社交網絡的去同步指紋技術。

1 社交網絡

社交網絡[5]主要指具有某種社會關系或某種交互模式的人的集合，多媒體社交網絡中用戶之間的關系主要是指用戶之間的進行內容交換與分享的關系。準確理解多媒體社交網絡結構，有助于分析成員之間的協作模式，深入了解用戶之間的共謀攻擊行為。本文主要是利用多媒體社交網絡結構，輔助設計安全的、可跟蹤的多媒體內容分發系統，主要利用社交網絡分析提高去同步指紋技術的抗均值共謀攻擊的能力。

本文使用圖模型模擬社交網絡。給定一個圖G=(V,E)，其中V表示所有節點的集合，E表示所有邊的集合。 在本文中，有時用索引i來表示節點。兩個成員之間有社會關系當且僅當他們對應的節點直接相連。 如果有多種不同的社會關系，則兩個節點之間可以用多重邊鏈接。 只要兩個節點之間有邊鏈接，那么這兩個節點之間就有直接的社交關系。簡單起見，通常用簡單圖來表示社交關系。如果只側重于節點彼此之間的社交關系網絡， 可以用一個無權的圖來表示社交關系網絡；如果側重于節點之間的親密度，可以用有權圖來表示社交關系網絡。

在一個無向圖中，每條邊表示為序偶(i,j)，對有向圖而言，序偶中節點的次序是很重要的，如lij表示一條從 到 的邊，并且lij≠lji。圖G=(V,E)的子圖G′=(V′,E′)也是一個圖，但(V′?V)，(E′?E)。圖G=(V,E)也可以鏈接矩陣A表示，A為一個N×N方陣，當且僅當邊lij存在時，對應元素aij(i,j=1,2,…,N)的值為1 ，否則為0。由于同一社區中用戶共謀的概率高于社區之間用戶參與同一次共謀的概率。

2 面向社交網絡的內容分發

借助混沌去同步技術來分發多媒體，使得社交網絡中的用戶彼此之間得到的內容不同步。如圖1所示，本文所推薦的去同步內容分發方案由五部分組成。首先，為每個用戶生成一個特定分辨率的圖像，并經過扭曲和剪裁等預處理，預處理的主要目的就是全局去同步化；其次，經過預處理后的圖像通過混沌映射被分成各個小區域；再次，每個小區域通過局部混沌扭曲進行隨機扭曲；然后，這些不同步的圖像通過混沌映射加密，加密之前嵌入與用戶相關的指紋；最后將嵌入指紋的圖像分發給用戶。

圖1 基于混沌的去同步內容分發

2.1混沌映射

混沌映射能夠用如下公式來表示：

(1)

其中xn∈(0,1)，控制變量q∈(0,1)。

2.2圖像預處理

假設有一幅大小為M×N的原始圖像Goriginal，每個像素值是一個0 到K-1的整數，它表示對應像素點的亮度值，原始圖像根據用戶i的要求處理成大小為M′ ×N′的圖像，圖2顯示了該過程的流程圖。

首先原始圖像通過一系列的扭曲函數來進行全局扭曲，扭曲函數能夠讓圖像產生細微的視覺扭曲，但與原始圖像在視覺上沒有大的差異性。假設Fw表示扭曲函數的集合，|Fw|表示扭曲函數的個數，則會產生|Fw|個類似的圖像，這些扭曲后的圖像將作為基準圖像。在保持圖像可用的基礎上對扭曲圖像進行相應地剪裁。

圖2 全局去同步的操作流程

2.3基于混沌映射的隨機圖像網格

整個圖像區域被劃分成若干大小不同的非覆蓋四邊形區域，區域的大小從最小值16像素到最大值64像素，網格和扭曲函數均是通過混沌映射隨機產生的。

2.4局部區域的混沌去同步化

圖3顯示了圖像網格中局部矩形區域的隨機扭曲情形。扭曲函數應用于一個四邊形區域的所有像素，變量和函數由混沌映決定。通過位移矢量(x′,y′)=(x+?x(x),y+?y(y))對像素進行變換，其中?x(x)和?y(y)是在區間[-△max,△max]分配獨立同分布的隨機數。

?x(x)=f(Θ,M)(a1xn+a2xn-1+…+an-1x+an)

(2)

其中?x(x)是變換函數，Θ和M是最大變換振幅和原始像素x軸的最大坐標值。

圖3 隨機網格模板

2.5指紋嵌入與檢測

經過去同步化處理后，對圖像實施離散小波變換。假設Nu是用戶的數量，生成同樣數量的彼此之間兩兩正交的向量集合，這些向量被當作指紋碼，服從高斯分布。選取|Nu|個最大的系數組成一個向量Xu=(x1,x2, … ,x|Nu|)，用來嵌入指紋。如果要檢測被嵌入的指紋，對嵌入指紋的圖像進行離散小波變換，得到含有指紋信息的小波系數，組成一個長為|Nu|的向量，通過計算與用戶k相關的最小值 決定誰是叛逆者，即：

Tk=‖z-yk‖2,k=1, … , |Nu|

(4)

3 安全分析

所推薦的去同步化指紋技術主要在三個方面引入去同步的差異性：(1) 全局范圍的隨機扭曲；(2) 基于混沌映射隨機產生圖像網格；(3) 基于圖像網格的局部區域的去同步化處理。用戶不同，圖像網格也不相同，圖像網格的改變是隨機混亂的,為不同的局部區域進行扭曲的函數也是隨機產生的，也就是說，當原始圖像的一個像素值映射到扭曲后的圖像后，這種變換是隨機的。

4 實驗結果

為驗證本文提出的去同步技術應用在數字圖像上的有效性，利用該去同步指紋技術進行抗平均攻擊實驗。扭曲后拷貝的視覺質量如圖4(a)和圖5(a)所示。圖4中(a)和(b)分別是嵌入指紋后的去同步圖像和2幅去同步圖像的平均共謀圖像。與原始圖像相比，經過預處理和指紋嵌入后的圖像在人眼視覺上感知不出明顯的扭曲效果。由于考慮了最大變換振幅，盡管去同步拷貝經過了扭曲，但其視覺質量并沒有明顯退化。圖5是利用去同步圖像進行共謀攻擊后的結果，從左至右分別是經過了2幅、3幅和4幅圖像進行平均攻擊后的結果。圖5中的經過平均共謀攻擊后的圖像帶有明顯的模糊效果，視覺質量相當差。從圖5可知，隨著參與共謀的圖像的數量越多，平均共謀攻擊生成的圖像視覺質量就越低。

圖4 共謀圖像與去同步圖像

圖5共謀圖像視覺質量對比：(a),(b),(c) 2幅去同步圖像的共謀圖像，(d),(e),(f) 3幅去同步圖像的共謀圖像，(g),(h),(i) 4幅去同步圖像的共謀圖像

5 結論

利用人類視覺系統對圖像微小幾何變換不敏感的特性，提出了面向社交網絡的去同步指紋技術。該方法利用社交網絡分析來分配不同的去同步拷貝給同一社區中的用戶。實驗結果表明，本文提出的去同步指紋技術能有效地抵制同一社區中大多數用戶的平均共謀攻擊。

[1] Kiyavash N, Moulin P.A Framework for Optimizing Nonlinear Collusion Attacks On Fingerprinting Systems[C]//Proceedings of 40th Annual Conference on Information Sciences and Systems,2006:1170-1175.

[2] Celik M,Sharma G,Tekalp A. Collusion-Resilient Fingerprinting by Random Prewarping[J].IEEE Signal Processing Letters,2004,11(10):831-835.

[3] Luh W,Kundur D.New Paradigms for Effective Multicasting and Fingerprinting of Entertainment Media[J].IEEE Communications Magazine,2005,43(6):77-84.

[4] Liu Z,Lian S,Dong Y. Desynchronized Image Fingerprint for Large Scale Distribution[C]//Proceedings of IEEE International Conference on Image Processing,2008:409-412.

[5] Freeman L.The Development of Social Network Analysis[M].Empirical Press Vancouver,2004:51-56.

(責任編輯：張凱兵)

DesynchronizatedContentDistributionforSocialNetwork

Ye Conghuan, Xiong Zenggang

(SchoolofComputerandInformationScience,HubeiEngineeringUniversity,Xiaogan,Hubei432000,China)

Given a large number of users in social network, the existing fingerprinting schemes decrease the efficiency of the traitor tracing and content distribution. In this paper, a new desynchronization fingerprinting for social network is proposed. The new fingerprinting technique deals with random distortions due to local geometric transformations of random grid template of image based on chaos. The experimental results showed that collusion even with only two copies resulted in disturbing distortions although colluders might try to use image registration to undo the desynchronization with expensive computational cost.

social network; digital fingerprinting; multimedia content; collusion attack；desynchronization

TP37

A

2095-4824(2013)06-0039-04

2013-09-22

湖北省教育廳科學技術研究項目(Q20122705)；國家自然科學基金項目(61370092)

葉從歡(1980- )，男，湖北孝感人，湖北工程學院計算機與信息科學學院講師，博士。

熊曾剛(1974- )，男，湖北孝感人，湖北工程學院計算機與信息科學學院教授，博士。