Hashing perceptivo

El hash perceptual es el uso de un algoritmo de huella digital que produce un fragmento, hash o huella digital de varias formas de multimedia . ^{[ 1 ] [ 2 ]} Un hash perceptual es un tipo de hash sensible a la localidad , que es análogo si las características de la multimedia son similares. Esto contrasta con el hash criptográfico , que se basa en el efecto de avalancha de un pequeño cambio en el valor de entrada que crea un cambio drástico en el valor de salida. Las funciones hash perceptuales se utilizan ampliamente para encontrar casos de infracción de derechos de autor en línea , así como en la informática forense debido a la capacidad de tener una correlación entre hashes para que se puedan encontrar datos similares (por ejemplo, con una marca de agua diferente ).

El trabajo de Marr y Hildreth de 1980 es un artículo fundamental en este campo. ^{[ 3 ]}

En 2009, Microsoft Corporation desarrolló PhotoDNA en colaboración con Hany Farid , profesor del Dartmouth College . PhotoDNA es una capacidad de hash perceptivo desarrollada para combatir la distribución en línea de material de abuso sexual infantil (CSAM). Proporcionado gratuitamente por Microsoft, PhotoDNA sigue siendo una herramienta fundamental utilizada por importantes empresas de software, ONG y organismos encargados de hacer cumplir la ley en todo el mundo. ^{[ 4 ]}

En junio de 2016, Azadeh Amir Asgari publicó un trabajo sobre la suplantación robusta de hashes de imágenes. Asgari señala que la función hash perceptual, como cualquier otro algoritmo, es propensa a errores. ^{[ 5 ]}

En diciembre de 2017, los investigadores señalaron que la búsqueda de imágenes de Google se basa en un hash perceptual. ^{[ 6 ]}

En una investigación publicada en noviembre de 2021, los investigadores se centraron en una imagen manipulada de Stacey Abrams que se publicó en internet antes de su derrota en las elecciones a gobernadora de Georgia de 2018. Descubrieron que el algoritmo pHash era vulnerable a actores malintencionados. ^{[ 7 ]}

En agosto de 2021, Apple anunció un escáner CSAM integrado en el dispositivo llamado NeuralHash, pero tras una fuerte reacción negativa por motivos de privacidad, detuvo su lanzamiento en septiembre y lo canceló formalmente en diciembre de 2022. ^{[ 8 ]}

Los investigadores de seguridad pronto demostraron que NeuralHash y hashes perceptivos profundos similares pueden ser forzados a colisiones o evasión con cambios de imagen imperceptibles. ^{[ 9 ]}

En octubre de 2023, Meta presentó Stable Signature, una marca de agua invisible basada en generadores de difusión latente, lo que señala un cambio hacia esquemas de procedencia híbridos que combinan marcas de agua con funciones hash perceptuales. ^{[ 10 ]}

El estado del arte de código abierto en 2025 fue establecido por DINOHash, que ajusta de forma adversaria las características auto-supervisadas de DINOv2 y reporta una mayor precisión de bits bajo recortes intensos, compresión y ataques adversarios basados ​​en gradientes que NeuralHash o los esquemas clásicos DCT-DWT. ^{[ 11 ]}

Una investigación publicada en enero de 2019 en la Universidad de Northumbria demostró que, en el caso del vídeo, puede utilizarse para identificar simultáneamente contenidos similares para la detección de copias y detectar manipulaciones maliciosas para la autenticación de vídeo. El sistema propuesto ofrece un mejor rendimiento que las técnicas de hash de vídeo actuales tanto en identificación como en autenticación. ^{[ 12 ]}

Una investigación publicada en mayo de 2020 por la Universidad de Houston sobre el hashing perceptivo basado en aprendizaje profundo para audio ha demostrado un mejor rendimiento que los métodos tradicionales de huella digital de audio para la detección de audio similar/copiado sujeto a transformaciones. ^{[ 13 ]}

Además de sus usos en informática forense, el hash perceptual puede aplicarse a una amplia variedad de situaciones. De forma similar a la comparación de imágenes para detectar infracciones de derechos de autor, un grupo de investigadores descubrió que podía utilizarse para comparar y cotejar imágenes en una base de datos. Demostraron que su algoritmo es más eficiente que los métodos estándar de búsqueda de imágenes en bases de datos. ^{[ 14 ]}

Un equipo chino informó en julio de 2019 que había descubierto un hash perceptivo para el cifrado de voz que demostró ser eficaz. Lograron crear un sistema en el que el cifrado era más preciso y más compacto. ^{[ 15 ]}

En agosto de 2021, Apple Inc. describió un sistema de detección de CSAM llamado NeuralHash . Un documento de resumen técnico explicaba que el sistema no escaneaba imágenes en los servidores de iCloud , sino que realizaba una comparación en el dispositivo utilizando una base de datos de hashes de imágenes CSAM proporcionada por el Centro Nacional para Niños Desaparecidos y Explotados (NCMEC) y otras organizaciones. ^{[ 16 ]}

En un ensayo titulado "El problema de los hashes perceptuales", Oliver Kuederle demostró cómo un retrato fotográfico de una mujer real se reduce, mediante un algoritmo de hash perceptual, a un hash similar al de la fotografía de una mariposa pintada en acuarela. Ambas imágenes de muestra se encuentran en bases de datos comerciales. A Kuederle le preocupan este tipo de colisiones. "Estos casos se revisarán manualmente. Es decir, según Apple, un empleado de Apple examinará sus imágenes (marcadas)... Los hashes perceptuales son problemáticos. Cuando se utilizan algoritmos de este tipo para detectar actividades delictivas, especialmente a la escala de Apple, muchas personas inocentes pueden enfrentarse a graves problemas... Huelga decir que esto me preocupa bastante". ^{[ 17 ]}

Investigadores han publicado un análisis exhaustivo titulado "Aprendiendo a romper el hash perceptual profundo: El caso de uso NeuralHash", en el que investigan la vulnerabilidad de NeuralHash, como representante de los algoritmos de hash perceptual profundo, ante diversos ataques. Sus resultados muestran que se pueden lograr colisiones de hash entre diferentes imágenes con cambios mínimos aplicados a las imágenes. Según los autores, estos resultados demuestran la probabilidad real de tales ataques y permiten la identificación y posible enjuiciamiento de usuarios inocentes. También afirman que la detección de material ilegal puede eludirse fácilmente y que el sistema puede ser burlado mediante transformaciones de imagen simples, como las que ofrecen los editores de imágenes gratuitos. Los autores suponen que sus resultados también se aplican a otros algoritmos de hash perceptual profundo, cuestionando su eficacia y funcionalidad generales en aplicaciones como el escaneo del lado del cliente y los controles de chat. ^{[ 18 ]}

• Hash geométrico
• Búsqueda inversa de imágenes
• Huella digital de vídeo
• Huella de audio

• pHash: una biblioteca de hash perceptual de código abierto
• Blockhash.io: un estándar abierto para funciones hash perceptuales.
• Insight: un tutorial sobre hash perceptivo