Page 475 - 《软件学报》2025年第7期

3396 软件学报 2025 年第 36 卷第 7 期

这 6 类, 时长为 30–1 800 s 不等. 从 40 万条视频明文指纹中获取了超过 3 000 万个视频片段, 这些片段长度的概率
密度函数 (probability density function, PDF) 如图 15 所示.

10 -6
1.75
1.50
1.25
PDF 1.00
0.75
0.50
0.25
0
1 2 3 4 5
Length 10 6
图 15 Facebook 和 Instagram 的视频明文片段长度的概率密度函数

从图 15 中可以获知, 任意两个视频明文片段长度发生冲突的概率最高不超过 1.5×10 . 假设分段长度发生冲
−6
1.5×10 , 那么对于一个时长为 2 min, 拥有 60 个视频片段的视频而言, 其指纹发生冲突的概率为
−6
突的概率为
−6 60
(1.5×10 ) ≈ 3.7×10 −350 . 由此可见, 对于一个时长只有 2 min 的短视频, 其视频明文指纹发生冲突的概率就已经
非常低了, 如果视频时长更长, 包含更多视频片段, 则视频明文指纹发生冲突的概率会更小. 由此可见, 以视频明文
片段长度序列作为视频明文指纹具有很好的唯一性, 从而证明了以视频明文片段长度序列作为视频明文指纹在大
型或超大型指纹库中识别视频身份的可行性.
(2) 视频识别方法准确性验证
由于指纹库的规模对视频识别准确率有着较大影响, 为了验证本文视频识别方法的可行性, 本文利用采集的
真实加密视频传输数据分别在不同规模指纹库场景进行了准确性测试. 此外, 现有的研究都只验证了在固定分辨
率场景下的识别准确性, 但实际播放时, 视频分辨率会随着网络环境的变化发生自适应切换, 这也给识别带来了挑
战, 为了验证本方法对真实播放环境的适用性, 本文对固定分辨率和动态分辨率场景都进行了验证. 表 4 为固定分
辨率场景下的不同规模指纹库场景中加密视频识别准确性结果, 表 5 为动态分辨率场景下的不同规模指纹库场景
中加密视频识别准确性结果.
视频分辨率切换的触发原因包括由网络波动引起的被动分辨率自适应切换和用户手动进行的主动分辨率切
换, 本文对 Facebook 和 Instagram 平台分别模拟两种不同情景下的分辨率切换. 为了创建网络状况波动引起的被
动分辨率切换场景, 本文在实验采集的局域网环境中使用了软路由设备, 通过该设备利用网络仿真工具 NetEm 和
tc 来控制网络参数. 在 Linux 系统中, 利用仿真工具编写了脚本, 从而可以设置丢包限制网速, 触发被动式分辨率
切换.

表 4 固定分辨率场景下的加密视频识别结果

播放视频 指纹库数量 准确率 精确率 召回率 F1得分
平台
数量 级 (万) (Accuracy) (%) (Precision) (%) (Recall) (%) (F1_Score) (%)
40 98.57 99.67 98.57 99.01
Facebook 3 150
0.5 99.37 99.57 99.37 99.41
40 98.23 100.00 98.23 99.06
Instagram 2 940
0.5 99.18 100.00 99.18 99.56
40 98.41 99.83 98.41 99.03
Facebook & Instagram 6 090
0.5 99.28 99.78 99.28 99.48