Clear Sky Science
הסברים מבוססי ראיות, עם מעט ז'רגון

Clear Sky Science · he

מסגרת גילוי דיפייק חסינת-קוואנטום באמצעות ResNeXt משופר והגנה בקריפטוגרפיה פוסט-קוואנטית

· חזרה לאינדקס

מדוע תמונות מזויפות חשובות לכולם

תמונות וסרטונים שנראים אמיתיים אך נוצקו בסתר — הנקראים לעתים קרובות דיפייקים — כבר אינם סתם סקרנות אינטרנטית. הם יכולים להשפיע על דעת הקהל, לה污ף מוניטין, לבלבל בתי משפט ולהקשות על האמון בכל דבר שאנו רואים ברשת. מאמר זה מציג את DeepQShield, מערכת חדשה שנועדה לא רק לזהות תמונות מזוייפות ברזולוציה גבוהה, אלא גם להגן על תוצאותיה מפני מחשבים עתידיים חזקים שעשויים לנסות לתקן או להטעות אותה.

לראות את ההבדל בין פנים אמיתיות ומזויפות

במרכז DeepQShield עומדת רשת זיהוי תמונות מודרנית שהותאמה למשימת ההבחנה בין פניהם של אנשים אמיתיים לאלה הסינתטיים. לאורכו של תהליך אימון על 140,000 תמונות מאתגר Deepfake Detection Challenge — מחולקות באופן שווה בין אמיתיות ומזויפות — הלמידה שואפת לזהות רמזים ויזואליים זעירים שעין האדם לעתים קרובות מפספסת. רמזים אלה יכולים לנבוע מאי-התאמות עדינות בתאורה, מרקם העור או מהתאמה בין חלקי הפנים. באמצעות הכנה קפדנית של הנתונים — שינוי גודל, נרמול צבעים, בדיקת תקינות קבצים — ושימוש בעמוד שדרה יעיל בשם ResNeXt, המערכת בונה תחושה עמידה של איך פנים אותנטיות "צריכות" להיראות בתנאים שונים.

Figure 1
Figure 1.

לאמן את המערכת לעמוד בפני תכסיסים

רבים מכלי גילוי הדיפייק הקיימים עובדים היטב עד שתוקף משנה בכוונה תמונות בדרכים שנועדו לבלבל אותם. DeepQShield מטפל בכך על ידי אימון הן על תמונות רגילות והן על גרסאות מוערות במיוחד המדמות מתקפות כאלה. ההפרעות הללו אינן אקראיות; הן מונחות על ידי מסגרת מתמטית הידועה כ"למידה עם שגיאות" (learning with errors), שמקורה בתחום הקריפטוגרפיה הפוסט-קוואנטית. במעשה, זה אומר שהמערכת נחשפת שוב ושוב לתמונות עם רעש מובנה בקפידה, מה שמאלץ אותה להסתמך על רמזי פנים עמוקים ויציבים יותר במקום על דפוסים שבירים שניתן למניפולציה בקלות. כתוצאה מכך, קשה בהרבה לתוקף — אפילו כזה שידע פרטים על המודל — לטלטל תמונה די כדי לעבור את הגלאי ללא זיהוי.

להצמיד את התוצאות עם אבטחה עמידה לעתיד

זיהוי זיוף הוא רק חלק מהסיפור, במיוחד באולמות בתי משפט, חדרי חדשות ומערכות ממונה תוכן שבהן יש לסמוך על הפסיקה עצמה. DeepQShield עוטף כל תוצאת גילוי בקריפטוגרפיה חזקה העמידה בפני קוואנטים. שני אלגוריתמים מובילים, Kyber ו-Dilithium, משמשים להחלפת מפתחות הצפנה ולחתימת כל תחזית באופן שיישאר בטוח גם בפני מחשבי קוואנטום עתידיים. המערכת יכולה גם לשלב אותם עם שיטות קלאסיות כמו RSA ומפתחות עקום אליפטי, וכך ליצור מגן היברידי סביב הפלט. יחד עם מטא-נתוני אבטחה עשירים ושרשרת אחזקה ברורה, זה מאפשר לחוקרים ולגופים חיצוניים לאמת שההחלטה על "אמיתי" או "מזויף" אכן הגיעה מהמודל המקורי ולא נעשתה בה שינויים בדרך.

Figure 2
Figure 2.

כמה חזק המגן שורד

במבחנים על תמונות הבנצ'מרק של Deepfake Detection Challenge, DeepQShield הגיע לדיוק של 99.28 אחוז וניקוד שטח-מתחת-העקומה כמעט מושלם של 0.9997, והיה טוב יותר מאופציות מוכרות כגון EfficientNet, טרנספורמרים חזותיים ומספר מודלים מבוססי אסמברלה ותשומת-לב. הוא גם הכליל היטב לאוספי דיפייק שונים, כולל FaceForensics++ ו-Celeb-DF, שבהם הנתונים צולמו בתנאי צילום וסגנונות מניפולציה אחרים. מבחני עומס עם שיטות מתקפה "עוינות" סטנדרטיות הראו שגם כאשר תמונות כוונו על-מנת לבלבל אותו, המערכת שמרה על רמת ביצועים משמעותית ויכלה להשתמש בציוני ביטחון ממונחים כדי לסמן מקרים חשודים במקום להציע תשובות בטוחות מדי אך שגויות.

מה משמעות הדבר עבור האמון בתקשורת הדיגיטלית

DeepQShield מדגים שניתן לשלב גילוי תמונות מזויפות מהחוד החנית עם אמצעי אבטחה המתוכננים לעולם שבו מחשבי קוואנטום הם מעשיים. עבור לא-מומחים, המסר המרכזי פשוט: ניתן לבנות כלים שמזהים פנים מזויפות באמינות גבוהה וגם מראים, באופן שניתן לאמתו ועמיד במניפולציה, שהשיפוטים הללו הם אותנטיים. אם יאומצו בפלטפורמות מדיה חברתית, ארגוני חדשות ובפורנזיקה משפטית, מערכות כמו DeepQShield יכולות לעזור לשקם חלק מהאמון שדיפייקים מדלדלים בהדרגה.

ציטוט: 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

מילות מפתח: גילוי דיפייק, פורנזיקה של תמונות, מתקפות עוינות, ביטחון פוסט-קוואנטי, קריפטוגרפיה