إطار كشف التزييف العميق المقاوم للحوسبة الكمومية باستخدام ResNeXt معزز ودفاع التشفير ما بعد الكم

لماذا تهم الصور المزيفة الجميع

الصور ومقاطع الفيديو التي تبدو حقيقية لكنها مُصنّعة سرًا — والتي يُشار إليها غالبًا بالتزييف العميق — لم تعد مجرد فضول إنترنتي. يمكن أن تؤثر على الرأي العام، وتلحق الضرر بسمعة الأشخاص، وتربك المحاكم، وتجعل من الصعب الوثوق بأي شيء نراه على الإنترنت. تعرض هذه الورقة DeepQShield، نظامًا جديدًا صُمم ليس فقط لاكتشاف مثل هذه الصور المزيفة بدقة عالية جدًا، بل أيضًا لحماية نتائجه من أجهزة الحوسبة المستقبلية القوية التي قد تحاول العبث بها أو خداعها.

تمييز الوجوه الحقيقية عن المزيفة

في جوهر DeepQShield شبكة حديثة للتعرف على الصور تم تكييفها لمهمة التمييز بين الوجوه الحقيقية والمصطنعة. تم تدريبها على 140,000 صورة من تحدي كشف التزييف العميق، مقسمة بالتساوي بين حقيقية ومزيفة، لتتعلم التقاط دلائل بصرية دقيقة غالبًا ما يفوتها العين البشرية. قد تنشأ هذه الدلائل من تناقضات طفيفة في الإضاءة أو نسيج الجلد أو تطابق أجزاء الوجه. من خلال إعداد البيانات بعناية — تغيير الحجم، تطبيع الألوان، والتأكد من سلامة الملفات — واستخدام هيكل فعّال يُدعى ResNeXt، يبني النظام حسًا قويًا لما «ينبغي» أن تبدو عليه الوجوه الأصلية في ظروف متعددة.

تدريب النظام لتحمّل الخداع

تعتمد العديد من كاشفات التزييف العميق الحالية أداءً جيدًا حتى يقوم مهاجم بتعديل الصور بشكل متعمد لإرباكها. يعالج DeepQShield هذا من خلال تدريبه على كل من الصور العادية ونسخ معدلة خصيصًا تحاكي مثل هذه الهجمات. هذه التعديلات ليست عشوائية؛ بل يسترشد بها إطار رياضي يُعرف بـ «التعلم مع الأخطاء»، المأخوذ من مجال تشفير ما بعد الكم. عمليًا، يعني ذلك تعريض النظام مرارًا لصور تحمل ضوضاء مُهيكلة بعناية، مما يجبره على الاعتماد على دلائل وجه أعمق وأكثر استقرارًا بدلًا من الأنماط الهشة التي يسهل التلاعب بها. والنتيجة أن الأمر يصبح أصعب بكثير على المهاجم — حتى لو كان يمتلك معرفة مفصلة بالنموذج — أن يزحزح صورة قليلًا لتتجاوز الكاشف دون أن تُلاحظ.

تأمين النتائج بحماية مقاومة للمستقبل

اكتشاف التزييف هو جزء فقط من القصة، خاصة في قاعات المحاكم، غرف الأخبار، وأنظمة مراقبة المحتوى حيث يجب أن تكون النتيجة نفسها موثوقة. يغلف DeepQShield كل نتيجة كشف بتشفير قوي مقاوم للحوسبة الكمومية. يُستخدم خوارزميان رائدان، Kyber وDilithium، لتبادل مفاتيح التشفير وتوقيع كل توقع بطريقة تظل آمنة حتى أمام حواسيب كمية مستقبلية. يمكن للنظام أيضًا دمج هذه التقنيات مع أساليب كلاسيكية مثل RSA والمفاتيح المنحنيات الإهليلجية، مكوّنًا درعًا هجينًا حول المخرجات. إلى جانب بيانات وصفية أمنية غنية وسلسلة واضحة للامتلاك، يسمح ذلك للمحققين والأطراف الثالثة بالتحقق من أن قرار "حقيقي" أو "مزيف" صادر بالفعل عن النموذج الأصلي ولم يتم تغييره أثناء النقل.

مدى صمود هذا الدرع

عند اختباره على صور معيارية من تحدي كشف التزييف العميق، حقق DeepQShield دقة بلغت 99.28 بالمائة ونقطة مساحة تحت المنحنى تقريبًا مثالية بمقدار 0.9997، متفوقًا على بدائل معروفة مثل EfficientNet، ومحولات الرؤية، وعدة نماذج قائمة على التجميع والانتباه. كما عمم الأداء جيدًا على مجموعات تزييف عميق أخرى، بما في ذلك FaceForensics++ وCeleb-DF، حيث تم التقاط البيانات في ظروف تصوير وأساليب تلاعب مختلفة. أظهرت اختبارات التحمل باستخدام طرق الهجوم "العدائية" القياسية أنه حتى عند تعديل الصور عمدًا لإرباكه، احتفظ النظام بمستوى أداء ذي مغزى، ويمكنه استخدام درجات ثقة مُعايرة لوضع حالات مشبوهة بدلًا من تقديم إجابات واثقة جدًا لكنها خاطئة.

ما الذي يعنيه هذا بالنسبة للثقة في الوسائط الرقمية

يُظهر DeepQShield أنه من الممكن الجمع بين كشف الصور المزيفة المتقدم وتدابير أمنية مصممة لعالم تصبح فيه الحواسيب الكمومية عملية. بالنسبة لغير المتخصصين، الرسالة الأساسية بسيطة: يمكننا بناء أدوات لا تكتفي بالتعرف على الوجوه المزيفة بموثوقية عالية، بل وتُثبِت بطريقة قابلة للتحقق ومقاومة للعبث أن تلك الأحكام أصلية. إذا تم اعتمادها في منصات التواصل الاجتماعي، والهيئات الأخبارية، والطب الشرعي القانوني، يمكن لأنظمة مثل DeepQShield أن تساعد في استعادة جزء من الثقة التي يقوضها التزييف العميق بشكل متزايد.

الاستشهاد: Shreeya, K.N., Subburaj, B., Saketh, K.S.G. et al. A quantum resilient deepfake detection framework using enhanced resnext and post quantum cryptography defence. Sci Rep 16, 10046 (2026). https://doi.org/10.1038/s41598-026-38924-7

الكلمات المفتاحية: كشف التزييف العميق, طب الشرعي للصور, هجمات عدائية, أمن ما بعد الكم, التشفير