توسعه بک اند مانیتورینگ و Watermarking ویدیو با Python با استفاده از استریم های تولید شده توسط FFmpeg

گسترش روزافزون سیستم های نظارت تصویری در شبکه های اینترنت اشیا چالش های بنیادینی نظیر تاخیر بالای شبکه های ابری و آسیب پذیری در برابر حملات لایه بصری مانند جعل عمیق را به همراه داشته است. روش های سنتی رمزنگاری شبکه تنها از بستر انتقال محافظت کرده و اصالت محتوای پیکسلی را پس از رمزگشایی تضمین نمی کنند. در این پژوهش یک معماری نوین مبتنی بر پردازش لبه برای احراز اصالت بلادرنگ جریان های ویدیویی دوربین های تحت شبکه پیشنهاد شده است. این سیستم با انتقال بار پردازشی به مجاورت منابع تولید داده از ابزار مدیریت چندرسانه ای FFmpeg برای استخراج بهینه جریان های ویدیویی و از کتابخانه OpenCV در محیط پایتون برای اعمال الگوریتم های واتر مارکینگ در دامنه مکانی بهره می برد. نتایج ارزیابی های آزمایشگاهی نشان می دهد که معماری پیشنهادی قادر است نشانه های امنیتی را با تاخیر پردازشی بسیار ناچیز حدود ۲ میلی ثانیه برای وضوح (۷۲۰p) و حفظ کامل نرخ فریم پایه ۳۰ فریم بر ثانیه بر روی جریان های ویدیویی تزریق کند، همچنین میزان اشغال پردازنده برای ویدیوهای با کیفیت بالا همواره کنترل شده و پایین ارزیابی شد که اثبات کننده کارایی این رویکرد سبک وزن برای استقرار در دروازه های محلی است. این راهکار، عملیاتی ضمن رفع گلوگاه های ارتباطی سیستم های متمرکز، امنیت یکپارچگی و تغییرناپذیری شواهد ویدیویی را پیش از خروج داده ها از محیط محلی تضمین می نماید.

کلیدواژه ها:

سیستم های نظارت تصویری ، رایانش لبه ، احراز اصالت ، بلادرنگ واتر مارکینگ ، دیجیتال ، پردازش لایه بصری ، اینترنت اشیاء