Project

Back to overview

Robust Digital Signing with Deep Neural Networks

English title Robust Digital Signing with Deep Neural Networks
Applicant Melchior Martin
Number 190708
Funding scheme Spark
Research institution Fachhochschule Nordwestschweiz Hochschule für Technik
Institution of higher education University of Applied Sciences and Arts Northwestern Switzerland (without UTE) - FHNW
Main discipline Information Technology
Start/End 01.01.2020 - 31.12.2020
Approved amount 100'000.00
Show all

All Disciplines (2)

Discipline
Information Technology
Other disciplines of Engineering Sciences

Keywords (6)

image processing; deep learning; data authenticity; machine learning; crypthography; deep fakes

Lay Summary (German)

Lead
Die Verbreitung digitaler Medien hat neben positiven Aspekten auch die Möglichkeit digitaler Manipulation hervorgebracht. Mit der heutigen Technologie ist es relativ einfach, digitale Inhalte, wie z.B. Bilder, so zu verfälschen, dass dies von Auge kaum erkennbar ist («Deep Fakes»). Diese Entwicklung birgt substanzielles Missbrauchspotenzial, wie z.B. die Beeinflussung der Meinungsbildung in demokratischen Gesellschaften.
Lay summary
Inhalt und Ziel des Forschungsprojekts

Das Ziel dieses Projekts ist es, eine Technologie zu entwickeln mit derer Hilfe digitale Inhalte (am Beispiel von Bildern) bei derer Erzeugung kryptographisch signiert werden können. Eine solche Signatur soll im Bild versteckt werden und robust sein gegenüber üblichen, harmlosen Bearbeitungen, wie z.B. Bildkompression. Sollte ein Bild mit Signatur jedoch unerlaubt bearbeitet werden, soll die (versteckte) Signatur dabei zerstört werden und damit die Integrität des Bildes verloren gehen. Mit der angestrebten kryptographischen Signierung soll sowohl die Echtheit eines Bildes wie auch die Autorenschaft verifiziert werden können. Das Projekt wird Methoden aus dem Bereich «Deep Learning» anwenden, um einen Algorithmus zu erzeugen der in der Lage ist robuste digitale Signaturen zu generieren, diese im Bild zu verstecken und schliesslich wieder auszulesen.

Gesellschaftlicher Kontext

Dieses Projekt wird Methoden und Ansätze hervorbringen, welche das Vertrauen in digitale Inhalte stärken und somit die Verbreitung von «Fake News» und den Missbrauch digitaler Technologien erheblich erschweren. Die Entwicklung der angedachten Methodologie wird es ermöglichen, dass Medienerzeuger ihre Inhalte digital signieren können und sich somit Authentizität und Urheberschaft digitaler Inhalte eindeutig klären lässt.
Direct link to Lay Summary Last update: 16.01.2020

Responsible applicant and co-applicants

Employees

Associated projects

Number Title Start Funding scheme
198674 Euclid: high-precision cosmology in the dark sector 01.09.2021 Sinergia

Abstract

We propose to develop novel technology that allows to cryptographically sign media content in a robust manner. The problem we address with this comes with the incredibly enhanced capabilities to easily fabricate credible high quality media content and the potential impact this can have on society. We believe it is of great importance to counterbalance these developments with tools that allow to verify integrity and authenticity of media content. Traditional approaches to digitally signing documents seem limited: They are based on simple hashes generated from the content which are sensitive to the tiniest modifications in the data. This, however, is in conflict with standard procedures used to disseminate media content through news portals or social media platforms where content is often compressed for more efficient transmission.We here propose to build a system that is robust against such modifications in the data but still is sensitive to unwanted manipulations of the content. The system will be composed of various deep neural network models. One model is trained to provide more robust hashes (‘content encoding’) which then can be cryptographically signed. Another component is trained to hide the resulting signatures in the image, not perceivable to the human eye but such that it can be revealed for verification purposes. For content encoding and message hiding we intend to adopt recent developments in deep learning. Our proposal is to combine them with cryptographic digital signing into one single tool chain. To this end we will build an integrated system that will be sensitive to forbidden transformations, ie. content modifications, but insensitive to admissible transformations, e.g. compression.For the proposed work, we will restrict to image data. But the developed technology will lay the foundation for future extensions that will cope with video and audio data.The proposal is original and unconventional since it combines multiple more or less established technologies from deep learning and cryptography into a system that addresses severe problems that affect society as a whole, specifically in the Western democracies.
-