面向社交网络的去同步内容分发

叶从欢， 熊曾刚

(湖北工程学院 计算机与信息科学学院，湖北 孝感 432000)

面向社交网络的去同步内容分发

叶从欢， 熊曾刚

(湖北工程学院 计算机与信息科学学院，湖北 孝感 432000)

数字指纹是一种比较完善的防止数字媒体未经授权再次分发的方法。然而，当对手收集到足够多的拷贝后，就能减弱甚至消除指纹，导致跟踪器可能无法再检测到任何实际参与合谋的人。在面向社交网络的多媒体内容分发系统中，能容纳的用户多达上千万甚至上亿，同一社区中的大量用户可聚集更多的指纹拷贝来进行共谋攻击。参与共谋的人数越多，共谋拷贝中残留的单个用户的指纹信息越少。如果不解决社交网络环境下大规模用户的共谋行为，必将造成内容所有者的隐私泄露，整个多媒体行业也会因此遭受重大损失。为了减少大多数用户参与共谋攻击后所造成的损失，提出面向社交网络的去同步指纹技术，通过在指纹媒体拷贝之间引入去同步差异性，来威慑共谋攻击行为。实验结果表明，本文提出的去同步指纹技术具有有效性。

社交网络；数字指纹；多媒体内容；共谋攻击；去同步

最近十年，多媒体、网络通信和社交网络技术飞速发展，面向社交网络的多媒体数据的分发变得越来越高效。尽管如此，但也出现了对多媒体数据的滥用、非法复制、盗版、剽窃和挪用等一系列问题。在这种情况下，有效解决社交网络环境下的多媒体内容的安全性问题显得非常重要。针对多媒体数据隐私问题，数字版权管理系统已成为社交网络环境下多媒体内容的重要保护手段，其中数字指纹是一种比较完善的、能防止再次分发的重要方法之一，它通过在内容中嵌入一段独一无二的序列号达到保护版权的目的，这种数字指纹可以看作是水印的一种扩展，是在多媒体数据被传播之前进行指纹信息的嵌入。与水印不同的是，不同的用户嵌入的数字指纹并不相同。一个指纹，代表一个用户的身份标识，因此可以用来鉴定那个泄露内容拷贝的人。这两种技术的基本区别在于嵌入的数字水印编码对所有用户来说都是相同的，而每个用户的数字指纹并不相同。

在面向社交网络的多媒体内容分发系统中，容纳的用户数目多达上千万甚至上亿，同一社区中大量用户可聚集更多的指纹拷贝来进行共谋攻击。参与共谋的人数越多，共谋拷贝中残留的单个用户的指纹信息越少[1]。如果不解决社交网络环境下大规模用户的共谋行为，势必导致内容所有者的隐私泄露，整个多媒体行业也会因此而遭受严重损失。为了减少不必要的损失，面向社交网络的内容安全分享技术变得越来越重要。通常，参与同一次共谋的用户会相互信赖，不会担心被自己的同伙出卖。因而，在社交网络中这些叛逆者极有可能来自同一个社区，才能组成一个从事共谋攻击的团伙。本文利用面向社交网络的去同步指纹技术来威慑共谋攻击行为。所谓去同步指纹技术，就是采用随机几何变换技术，使得分配给用户的拷贝彼此之间像素错位[2-3]。这样用彼此之间不同步的拷贝进行共谋攻击，即使共谋攻击的能力得以保持，但共谋拷贝的视觉质量也会变得模糊，低质量的共谋拷贝降低了其使用价值[4]。本文首先介绍了社交网络的基本概念；然后根据共谋攻击的目的提出了一种面向社交网络的去同步指纹技术。

1 社交网络

社交网络[5]主要指具有某种社会关系或某种交互模式的人的集合，多媒体社交网络中用户之间的关系主要是指用户之间的进行内容交换与分享的关系。准确理解多媒体社交网络结构，有助于分析成员之间的协作模式，深入了解用户之间的共谋攻击行为。本文主要是利用多媒体社交网络结构，辅助设计安全的、可跟踪的多媒体内容分发系统，主要利用社交网络分析提高去同步指纹技术的抗均值共谋攻击的能力。

本文使用图模型模拟社交网络。给定一个图G=(V,E)，其中V表示所有节点的集合，E表示所有边的集合。 在本文中，有时用索引i来表示节点。两个成员之间有社会关系当且仅当他们对应的节点直接相连。 如果有多种不同的社会关系，则两个节点之间可以用多重边链接。 只要两个节点之间有边链接，那么这两个节点之间就有直接的社交关系。简单起见，通常用简单图来表示社交关系。如果只侧重于节点彼此之间的社交关系网络， 可以用一个无权的图来表示社交关系网络；如果侧重于节点之间的亲密度，可以用有权图来表示社交关系网络。

在一个无向图中，每条边表示为序偶(i,j)，对有向图而言，序偶中节点的次序是很重要的，如lij表示一条从 到 的边，并且lij≠lji。图G=(V,E)的子图G′=(V′,E′)也是一个图，但(V′⊆V)，(E′⊆E)。图G=(V,E)也可以链接矩阵A表示，A为一个N×N方阵，当且仅当边lij存在时，对应元素aij(i,j=1,2,…,N)的值为1 ，否则为0。由于同一社区中用户共谋的概率高于社区之间用户参与同一次共谋的概率。

2 面向社交网络的内容分发

借助混沌去同步技术来分发多媒体，使得社交网络中的用户彼此之间得到的内容不同步。如图1所示，本文所推荐的去同步内容分发方案由五部分组成。首先，为每个用户生成一个特定分辨率的图像，并经过扭曲和剪裁等预处理，预处理的主要目的就是全局去同步化；其次，经过预处理后的图像通过混沌映射被分成各个小区域；再次，每个小区域通过局部混沌扭曲进行随机扭曲；然后，这些不同步的图像通过混沌映射加密，加密之前嵌入与用户相关的指纹；最后将嵌入指纹的图像分发给用户。

图1 基于混沌的去同步内容分发

2.1混沌映射

混沌映射能够用如下公式来表示：

(1)

其中xn∈(0,1)，控制变量q∈(0,1)。

2.2图像预处理

假设有一幅大小为M×N的原始图像Goriginal，每个像素值是一个0 到K-1的整数，它表示对应像素点的亮度值，原始图像根据用户i的要求处理成大小为M′ ×N′的图像，图2显示了该过程的流程图。

首先原始图像通过一系列的扭曲函数来进行全局扭曲，扭曲函数能够让图像产生细微的视觉扭曲，但与原始图像在视觉上没有大的差异性。假设Fw表示扭曲函数的集合，|Fw|表示扭曲函数的个数，则会产生|Fw|个类似的图像，这些扭曲后的图像将作为基准图像。在保持图像可用的基础上对扭曲图像进行相应地剪裁。

图2 全局去同步的操作流程

2.3基于混沌映射的随机图像网格

整个图像区域被划分成若干大小不同的非覆盖四边形区域，区域的大小从最小值16像素到最大值64像素，网格和扭曲函数均是通过混沌映射随机产生的。

2.4局部区域的混沌去同步化

图3显示了图像网格中局部矩形区域的随机扭曲情形。扭曲函数应用于一个四边形区域的所有像素，变量和函数由混沌映决定。通过位移矢量(x′,y′)=(x+∂x(x),y+∂y(y))对像素进行变换，其中∂x(x)和∂y(y)是在区间[-△max,△max]分配独立同分布的随机数。

∂x(x)=f(Θ,M)(a1xn+a2xn-1+…+an-1x+an)

(2)

其中∂x(x)是变换函数，Θ和M是最大变换振幅和原始像素x轴的最大坐标值。

图3 随机网格模板

2.5指纹嵌入与检测

经过去同步化处理后，对图像实施离散小波变换。假设Nu是用户的数量，生成同样数量的彼此之间两两正交的向量集合，这些向量被当作指纹码，服从高斯分布。选取|Nu|个最大的系数组成一个向量Xu=(x1,x2, … ,x|Nu|)，用来嵌入指纹。如果要检测被嵌入的指纹，对嵌入指纹的图像进行离散小波变换，得到含有指纹信息的小波系数，组成一个长为|Nu|的向量，通过计算与用户k相关的最小值 决定谁是叛逆者，即：

Tk=‖z-yk‖2,k=1, … , |Nu|

(4)

3 安全分析

所推荐的去同步化指纹技术主要在三个方面引入去同步的差异性：(1) 全局范围的随机扭曲；(2) 基于混沌映射随机产生图像网格；(3) 基于图像网格的局部区域的去同步化处理。用户不同，图像网格也不相同，图像网格的改变是随机混乱的,为不同的局部区域进行扭曲的函数也是随机产生的，也就是说，当原始图像的一个像素值映射到扭曲后的图像后，这种变换是随机的。

4 实验结果

为验证本文提出的去同步技术应用在数字图像上的有效性，利用该去同步指纹技术进行抗平均攻击实验。扭曲后拷贝的视觉质量如图4(a)和图5(a)所示。图4中(a)和(b)分别是嵌入指纹后的去同步图像和2幅去同步图像的平均共谋图像。与原始图像相比，经过预处理和指纹嵌入后的图像在人眼视觉上感知不出明显的扭曲效果。由于考虑了最大变换振幅，尽管去同步拷贝经过了扭曲，但其视觉质量并没有明显退化。图5是利用去同步图像进行共谋攻击后的结果，从左至右分别是经过了2幅、3幅和4幅图像进行平均攻击后的结果。图5中的经过平均共谋攻击后的图像带有明显的模糊效果，视觉质量相当差。从图5可知，随着参与共谋的图像的数量越多，平均共谋攻击生成的图像视觉质量就越低。

图4 共谋图像与去同步图像

图5共谋图像视觉质量对比：(a),(b),(c) 2幅去同步图像的共谋图像，(d),(e),(f) 3幅去同步图像的共谋图像，(g),(h),(i) 4幅去同步图像的共谋图像

5 结论

利用人类视觉系统对图像微小几何变换不敏感的特性，提出了面向社交网络的去同步指纹技术。该方法利用社交网络分析来分配不同的去同步拷贝给同一社区中的用户。实验结果表明，本文提出的去同步指纹技术能有效地抵制同一社区中大多数用户的平均共谋攻击。

[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.

(责任编辑：张凯兵)

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

湖北省教育厅科学技术研究项目(Q20122705)；国家自然科学基金项目(61370092)

叶从欢(1980- )，男，湖北孝感人，湖北工程学院计算机与信息科学学院讲师，博士。

熊曾刚(1974- )，男，湖北孝感人，湖北工程学院计算机与信息科学学院教授，博士。