BENFORD’ S LAW APPLIED TO DIGITAL FORENSIC ANALYSIS

• Autor(a) principal: Fernandes, Pedro Alexandre Clemente
• Data de Publicação: 2022
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
• Texto Completo: http://hdl.handle.net/10400.8/7907
• topic: Lei de Benford; Imagem digital forense; Manipulação; Correlação; Domínio/Área Científica::Engenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e Informática

A deteção automática de imagens e vídeos digitais manipulados tem desafiado a investigação criminal. Existe uma vasta gama de técnicas e ferramentas de deteção de manipulações em imagens digitais, apoiadas maioritariamente por um conjunto de métodos de aprendizagem computacional, dos quais o deep learning tem obtido os resultados mais promissores. Estas técnicas utilizam algoritmos de análise complexos, requerem enormes recursos computacionais e tornam dispendiosos os processos de análise digital forense. Estes desafios têm proporcionado o aparecimento de investigação inovadora em certos campos e com resultados promissores, nomeadamente no domínio da estatística aplicada, tornando a deteção de imagens e vídeos manipulados mais simples, rápida e barata. Esta dissertação visa descrever os resultados obtidos com a aplicação de uma abordagem não usual, assente em métodos estatísticos, nomeadamente a Lei de Benford e a sua aplicação na deteção de imagens manipuladas, no contexto da análise digital forense. Estudos realizados sobre a aplicação da Lei de Benford noutras áreas destacam a simplicidade, fiabilidade e aplicabilidade do algoritmo, com resultados promissores em vários domínios, tais como a deteção de fraudes nos domínios financeiro e económico. A Lei de Benford é suportada pelo cálculo da probabilidade dos primeiros dígitos, neste caso concreto extraídos das características dos ficheiros multimédia em classificação. O método proposto nesta dissertação para aplicação da lei de Benford recorre a técnicas estatísticas. Em termos gerais, a metodologia para aplicação da lei de Benford é baseada na extração inicial das características das imagens pelo método da Transformada Rápida de Fourier (Fast Fourier Transform), onde se inicia a extração do primeiro dígito das características extraídas das imagens. Após este processo, são calculadas as frequências com que os dígitos aparecem em todas as imagens, efetuando a correlação entre estas frequências e a frequência proposta pela Lei de Benford. Os testes foram realizados num conjunto de 560 imagens classificadas, sendo 280 autênticas e as restantes manipuladas. A aplicação da lei foi comparada com três modelos de correlação distintos, designadamente Pearson, Spearman e Cramér–Von Mises (CVM). Os resultados globais obtidos, aplicando o método proposto nesta dissertação, são promissores, tendo-se obtido um valor de F1 de . %, com um recall de , % usando o o teste de ajustamento CVM. O coeficiente da correlação de Pearson foi o que mostrou maior homogeneidade em relação aos coeficientes da correlação de Spearman e de Cramer-Von Mises (CVM) na deteção de imagens manipuladas, , e autênticas, . Transversal a todos os coeficientes de correlação, é a existência de muitos falsos positivos, com um máximo de no coeficiente da correlação de Cramer-Von Mises (CVM). A utilização do método proposto carece de maior investigação na minimização do número de falsos positivos, de modo a obter maior destaque ao nível da eficácia, comparativamente com os métodos tradicionais baseados na aprendizagem computacional. Evidencia-se o facto de evitar a utilização de uma fase de treino do modelo, para a posterior classificação das imagens. O método baseado na lei de Benford, pode futuramente ser aplicado em conjunto com métodos de machine learning, como forma de melhorar a deteção de imagens digitais manipuladas.