Social Media पर फेक वीडियो को ‘Metadata’ और ‘Forensics’ से डिकोड करने का डिजिटल विज्ञान

by

How to Verify Video Metadata to Spot Deepfakes in Social Media.

डिजिटल इंफॉर्मेशन वॉरफेयर (Digital Information Warfare) के इस युग में, “जो दिखता है, वही सच है” का सिद्धांत पूरी तरह से ध्वस्त हो चुका है। जब से Generative AI, GANs (Generative Adversarial Networks) और Diffusion Models ने इंटरनेट पर कब्ज़ा किया है, तब से असली और नकली वीडियो के बीच का फर्क इंसानी आँखों के लिए लगभग अदृश्य हो गया है। आज के समय में किसी ग्लोबल लीडर का युद्ध की घोषणा करते हुए या किसी इलेक्शन में धांधली का वीडियो बनाना महज़ कुछ सेकंड्स और एक अच्छे ‘Prompt’ का खेल है। लेकिन चाहे AI कितना भी एडवांस क्यों न हो जाए, वह वीडियो की बुनियादी डिजिटल संरचना (Digital Structure) में कुछ ऐसे अदृश्य फिंगरप्रिंट्स छोड़ देता है, जिन्हें ‘Metadata’ और ‘Digital Forensics’ के ज़रिए पकड़ा जा सकता है। सोशल मीडिया प्लेटफॉर्म्स पर फैलने वाले इन डीपफेक वीडियोज़ को डिकोड करने के लिए इंटेलिजेंस एनालिस्ट्स और साइबर सुरक्षा विशेषज्ञ जिस तकनीकी और गणितीय डेटा का इस्तेमाल करते हैं, आइए उसका एक डीप-डाइव हार्ड-डेटा एनालिसिस करते हैं।

डिजिटल फॉरेंसिक्स का इतिहास, Metadata का क्रमिक विकास और Deepfake की उत्पत्ति (Origin)

किसी भी डिजिटल फाइल (चाहे वह फोटो हो या वीडियो) के साथ कुछ अदृश्य जानकारी जुड़ी होती है, जिसे ‘Metadata’ (डेटा के बारे में डेटा) कहा जाता है। इस सिस्टम की उत्पत्ति 1995 में हुई थी, जब जापान इलेक्ट्रॉनिक इंडस्ट्री डेवलपमेंट एसोसिएशन (JEIDA) ने ‘EXIF’ (Exchangeable Image File Format) स्टैंडर्ड तैयार किया था। शुरुआत में इसका मकसद केवल डिजिटल कैमरों द्वारा ली गई तस्वीरों में कैमरा मॉडल, एक्सपोज़र टाइम (Shutter Speed), अपर्चर और तारीख जैसी तकनीकी जानकारी को सेव करना था। 2000 के दशक की शुरुआत में जब स्मार्टफोन और GPS का चलन बढ़ा, तो इस EXIF डेटा में ‘Geotagging’ (Latitude और Longitude के सटीक निर्देशांक) भी जुड़ गए। इसके बाद Adobe ने ‘XMP’ (Extensible Metadata Platform) विकसित किया, जिसने वीडियो और ऑडियो फाइल्स के लिए मेटाडेटा को एक यूनिवर्सल XML फॉर्मेट में मानकीकृत (Standardize) कर दिया।

लेकिन 2017 में डिजिटल मीडिया के इतिहास में एक डार्क चैप्टर (Dark Chapter) की शुरुआत हुई। Reddit पर ‘Deepfakes’ नाम के एक यूज़र ने ओपन-सोर्स मशीन लर्निंग अल्गोरिदम का इस्तेमाल करके हॉलीवुड हस्तियों के चेहरों को एडल्ट वीडियोज़ पर स्वैप (Swap) करना शुरू किया। यह कोई साधारण ‘Photoshop’ नहीं था; यह AI द्वारा वीडियो के हर एक फ्रेम को पिक्सेल-दर-पिक्सेल जनरेट करने की एक ऑटोमेटेड प्रक्रिया थी। 2020 आते-आते यह तकनीक इतनी एडवांस हो गई कि ‘Face2Face’ और ‘DeepVideo Portraits’ जैसे मॉडल्स रियल-टाइम में किसी इंसान के चेहरे के भाव (Facial expressions) और होंठों की गति (Lip-syncing) को बदल सकते थे।

2026 के ग्लोबल परिदृश्य में, डीपफेक जनरेशन केवल हैकर्स का शौक नहीं, बल्कि स्टेट-स्पॉन्सर्ड साइबर आर्मीज़ (State-sponsored Cyber Armies) का एक प्रमुख ‘Information Weapon’ बन चुका है। समस्या यह है कि जब कोई डीपफेक वीडियो X, Facebook, या WhatsApp जैसे सोशल मीडिया प्लेटफॉर्म पर अपलोड किया जाता है, तो ये प्लेटफॉर्म्स प्राइवेसी और सर्वर स्पेस बचाने के लिए वीडियो के मूल EXIF मेटाडेटा को पूरी तरह से ‘Strip’ (हटा) देते हैं। इसलिए, आधुनिक डिजिटल फॉरेंसिक्स केवल ‘Date Created’ या ‘GPS Location’ देखने तक सीमित नहीं है। आज के इंटेलिजेंस एनालिस्ट्स को वीडियो के ‘Hexadecimal Code’, ‘Codec Compression Anomalies’, ‘PRNU Sensor Noise’, और ‘Frequency Domain’ का विश्लेषण करना पड़ता है ताकि वे यह साबित कर सकें कि वीडियो किसी असली कैमरा सेंसर (CMOS) से रिकॉर्ड हुआ है, या किसी कंप्यूटर के ग्राफ़िक्स कार्ड (GPU) द्वारा ‘Render’ किया गया है।

The Anatomy of an MP4 File: ‘moov’ और ‘mdat’ Atoms का हेक्साडेसिमल विश्लेषण

जब हम किसी वीडियो को वेरीफाई करते हैं, तो सबसे पहला कदम वीडियो प्लेयर को बंद करके उस फाइल को ‘Hex Editor’ (हेक्स एडिटर) में खोलना होता है। एक स्टैण्डर्ड MP4 या MOV वीडियो फाइल की संरचना ‘Atoms’ (या Boxes) से बनी होती है।

इसमें दो सबसे महत्वपूर्ण Atoms होते हैं:

  1. mdat (Media Data Box): यहाँ वीडियो के वास्तविक ऑडियो और विज़ुअल पिक्सल्स का बाइनरी डेटा सेव होता है।

  2. moov (Movie Box): यह वीडियो का ‘दिमाग’ है। इसमें वीडियो की लंबाई, रेज़ोल्यूशन, फ्रेम रेट, और सबसे महत्वपूर्ण—सॉफ्टवेयर का नाम दर्ज होता है।

फॉरेंसिक डेटा (Forensic Data): जब कोई वीडियो किसी असली स्मार्टफोन (जैसे iPhone 15 या Samsung Galaxy S24) से रिकॉर्ड किया जाता है, तो उसके moov atom में उस विशिष्ट डिवाइस के हार्डवेयर एनकोडर (Hardware Encoder) के सिग्नेचर मौजूद होते हैं। लेकिन जब कोई वीडियो AI मॉडल (जैसे Sora, Midjourney, या Wav2Lip) द्वारा जनरेट किया जाता है और फिर ‘FFmpeg’ जैसे सॉफ्टवेयर से एक्सपोर्ट किया जाता है, तो हेक्स एडिटर में Lavf (Libavformat) या Isom जैसे कमर्शियल एनकोडिंग सिग्नेचर दिखाई देते हैं। अगर सोशल मीडिया पर कोई वीडियो दावा करता है कि वह किसी ग्राउंड रिपोर्टर के फोन से डायरेक्ट अपलोड हुआ है, लेकिन उसके हेक्स डेटा में पाइथन (Python) लाइब्रेरीज़ या थर्ड-पार्टी रेंडरिंग इंजनों के ट्रेसेस (Traces) मिलते हैं, तो यह पहला ‘Red Flag’ (चेतावनी) होता है कि वीडियो के साथ छेड़छाड़ की गई है।

Video Codec Compression और Frame-by-Frame ‘GOP’ Anomalies

सोशल मीडिया प्लेटफॉर्म्स पर मेटाडेटा डिलीट हो जाने के बाद, सबसे बड़ा सुराग ‘Compression Artifacts’ (कम्प्रेशन की कमियां) होते हैं। कोई भी वीडियो अनकम्प्रेस्ड (Uncompressed) नहीं होता। इंटरनेट पर वीडियोज़ को H.264 (AVC) या H.265 (HEVC) कोडेक्स के ज़रिए कम्प्रेस किया जाता है।

यह कम्प्रेशन GOP (Group of Pictures) के सिद्धांत पर काम करता है, जिसमें तीन प्रकार के फ्रेम्स होते हैं:

  • I-frames (Intra-coded): ये पूरी और स्पष्ट तस्वीरें होती हैं। (उदा. हर 10 फ्रेम में 1 I-frame)।

  • P-frames (Predictive): ये केवल उन पिक्सल्स को सेव करते हैं जो पिछले I-frame की तुलना में बदल गए हैं।

  • B-frames (Bi-predictive): ये पिछले और अगले दोनों फ्रेम्स के बीच के बदलावों की गणना करते हैं।

डीपफेक का गणितीय प्रभाव (Mathematical Impact of Deepfakes): AI जनरेटेड फेस-स्वैप (Face-swap) या लिप-सिंक वीडियोज़ अक्सर ‘Frame-by-Frame’ (एक-एक फ्रेम करके) बनाए जाते हैं। AI मॉडल यह नहीं समझता कि H.264 का P-frame और B-frame कैसे काम करता है। जब एक एनालिस्ट ‘FFprobe’ जैसे टूल्स का उपयोग करके वीडियो के बिटरेट (Bitrate) और फ्रेम टाइप का विश्लेषण करता है, तो डीपफेक वीडियोज़ में I-frames और P-frames के बीच ‘Temporal Inconsistency’ (अस्थायी असंगतता) दिखाई देती है। असली वीडियो में किसी व्यक्ति के चेहरे पर पड़ने वाली रौशनी और पिक्सल्स का मोशन (Motion Vectors) एक स्मूथ गणितीय वक्र (Smooth mathematical curve) का पालन करता है। लेकिन डीपफेक में, चेहरे के बॉक्स (Bounding Box) के अंदर के पिक्सल्स और बैकग्राउंड के पिक्सल्स के ‘Compression Blocks’ आपस में मेल नहीं खाते। इसे ‘Macroblocking Errors’ कहा जाता है, जो एक अकाट्य प्रमाण है कि दो अलग-अलग वीडियो सोर्स (असली बैकग्राउंड और नकली चेहरा) को एक साथ चिपकाया गया है।

PRNU (Photo Response Non-Uniformity): कैमरा सेंसर का ‘Digital DNA’

डीपफेक को पकड़ने का सबसे अचूक और हार्ड-साइंस तरीका PRNU (Photo Response Non-Uniformity) का विश्लेषण है। जब भी दुनिया की कोई कंपनी (चाहे वह Sony, Canon या Apple हो) कोई CMOS इमेज सेंसर (Image Sensor) बनाती है, तो सिलिकॉन वेफर (Silicon wafer) की मैन्युफैक्चरिंग प्रक्रिया के दौरान उसमें कुछ माइक्रोस्कोपिक (Microscopic) खामियां रह जाती हैं।

इन खामियों के कारण सेंसर के कुछ पिक्सल्स रौशनी (Photons) के प्रति थोड़े ज्यादा संवेदनशील (Sensitive) होते हैं, और कुछ थोड़े कम। यह पिक्सल्स के बीच का अंतर हर एक कैमरे के लिए पूरी दुनिया में 100% यूनीक (Unique) होता है, बिल्कुल इंसानी फिंगरप्रिंट या DNA की तरह। जब कोई असली कैमरा कोई वीडियो रिकॉर्ड करता है, तो यह ‘Fixed-pattern noise’ (स्थिर शोर) वीडियो के हर एक फ्रेम में एक इनविजिबल वॉटरमार्क (Invisible Watermark) की तरह छप जाता है।

Forensic Application: जब कोई डिजिटल फॉरेंसिक इन्वेस्टिगेटर किसी संदेहास्पद वीडियो की जांच करता है, तो वह ‘Wavelet Transforms’ और ‘Denoising Filters’ का उपयोग करके वीडियो से उस ‘Noise Floor’ (सेंसर के शोर) को अलग कर लेता है।

अगर वीडियो असली है, तो पूरे वीडियो के सभी फ्रेम्स में वह PRNU फिंगरप्रिंट एक समान (Consistent) मिलेगा। लेकिन अगर वीडियो ‘AI-Generated’ है (यानी उसे किसी भौतिक कैमरे से नहीं, बल्कि कंप्यूटर के न्यूरल नेटवर्क द्वारा जनरेट किया गया है), तो उसमें PRNU सिग्नेचर या तो पूरी तरह से गायब होगा, या फिर वह रैंडम (Random) और स्क्रेम्बल्ड (Scrambled) होगा। और अगर वह एक ‘Face-swap’ वीडियो है, तो बैकग्राउंड में असली कैमरे का PRNU फिंगरप्रिंट मिलेगा, लेकिन चेहरे वाले हिस्से (Facial region) पर वह फिंगरप्रिंट अचानक टूट जाएगा (Break in the noise pattern)। यह भौतिकी (Physics) और फोटोनिक्स (Photonics) का वह स्तर है जिसे आज का कोई भी AI मॉडल ‘Fake’ नहीं कर सकता।

Cryptographic Provenance: C2PA, Content Credentials और SHA-256 Hashing

चूंकि केवल मेटाडेटा को पढ़ना अब सुरक्षित नहीं रहा (क्योंकि उसे हैक या डिलीट किया जा सकता है), 2026 में ग्लोबल टेक इंडस्ट्री ने C2PA (Coalition for Content Provenance and Authenticity) स्टैण्डर्ड को पूरी तरह से लागू कर दिया है। यह वीडियो वेरिफिकेशन का नया ‘क्रिप्टोग्राफिक’ (Cryptographic) हथियार है।

जब कोई वीडियो किसी C2PA-समर्थित कैमरे (जैसे Sony या Leica के नए मॉडल्स) से रिकॉर्ड होता है, या किसी प्रमाणित सॉफ्टवेयर (जैसे Adobe Premiere) से एडिट होता है, तो वह वीडियो की फाइल में एक ‘Content Credential’ जोड़ देता है। यह कोई साधारण टेक्स्ट मेटाडेटा नहीं है; यह एक ‘Digital Signature’ है जिसे पब्लिक-की क्रिप्टोग्राफी (Public-Key Cryptography) के ज़रिए एन्क्रिप्ट (Encrypt) किया जाता है।

इसके साथ ही, डिजिटल फॉरेंसिक्स में ‘Hashing’ (हैशिंग) का उपयोग किया जाता है। जब किसी वीडियो फाइल को SHA-256 (Secure Hash Algorithm 256-bit) से गुज़ारा जाता है, तो वह फाइल एक 64-कैरेक्टर के अल्फ़ान्यूमेरिक स्ट्रिंग (जैसे 8d969eef6ecad3c29a3a629280e686cf0c3f5d5a86aff3ca12020c923adc6c92) में बदल जाती है।

अगर दुनिया का कोई भी हैकर या AI सॉफ्टवेयर उस 2-घंटे के वीडियो के किसी एक फ्रेम में एक सिंगल पिक्सेल (Pixel) का भी रंग बदल देता है, तो उस वीडियो का नया SHA-256 हैश (Hash) 100% बदल जाएगा। खुफिया एजेंसियां और फैक्ट-चेकर्स ओरिजिनल फाइल्स के हैश को सुरक्षित डेटाबेस (जैसे Blockchain) पर स्टोर करते हैं। सोशल मीडिया पर फैल रहे वीडियो का हैश अगर ओरिजिनल हैश से मैच नहीं करता, तो यह तकनीकी रूप से प्रमाणित हो जाता है कि वीडियो ‘Altered’ (छेड़छाड़ किया हुआ) है। इसके अलावा, Google का SynthID डिजिटल वॉटरमार्क सीधे पिक्सल्स के अरेंजमेंट में ही एक ऐसा अदृश्य पैटर्न डाल देता है जो कम्प्रेशन या फाइल फॉर्मेट बदलने के बाद भी बना रहता है, जिससे AI-जनरेटेड कंटेंट की पहचान तुरंत हो जाती है।

Frequency Domain Analysis: Discrete Cosine Transform (DCT) और AI के अदृश्य धब्बे

डीपफेक डिटेक्शन का सबसे अंतिम और सबसे जटिल गणितीय (Mathematical) स्तर वीडियो को ‘Spatial Domain’ (जहाँ हम पिक्सल्स देखते हैं) से हटाकर ‘Frequency Domain’ (आवृत्ति डोमेन) में जाँचना है।

Generative AI मॉडल्स (जैसे GANs या Diffusion Models) की एक बहुत बड़ी तकनीकी कमजोरी होती है। जब वे पिक्सल्स जनरेट करते हैं या कम रेज़ोल्यूशन के वीडियो को हाई रेज़ोल्यूशन में अपस्केल (Upscale) करते हैं, तो वे पिक्सल्स के बीच कुछ ऐसे स्पेक्ट्रल आर्टिफैक्ट्स (Spectral Artifacts) छोड़ देते हैं जो इंसानी आँख को बिल्कुल दिखाई नहीं देते, लेकिन फ्रीक्वेंसी स्पेक्ट्रम में वे बहुत स्पष्ट रूप से चमकते हैं।

इन आर्टिफैक्ट्स को पकड़ने के लिए फॉरेंसिक वैज्ञानिक Discrete Cosine Transform (DCT) का उपयोग करते हैं। DCT का काम एक इमेज (या वीडियो फ्रेम) को अलग-अलग आवृत्तियों (Frequencies) के योग (Sum) में तोड़ना है। 2D-DCT का गणितीय समीकरण इस प्रकार है:

$$F(u,v) = \frac{1}{4} C(u) C(v) \sum_{x=0}^{7} \sum_{y=0}^{7} f(x,y) \cos\left[\frac{(2x+1)u\pi}{16}\right] \cos\left[\frac{(2y+1)v\pi}{16}\right]$$

जब एक असली कैमरे से खींची गई तस्वीर को DCT के ज़रिए प्रोसेस किया जाता है, तो हाई-फ्रीक्वेंसी (High-frequency) और लो-फ्रीक्वेंसी (Low-frequency) डेटा का वितरण एकदम प्राकृतिक (Natural) होता है। लेकिन जब एक AI द्वारा बनाए गए डीपफेक चेहरे (Face) का DCT एनालिसिस किया जाता है, तो हाई-फ्रीक्वेंसी डोमेन में असामान्य स्पाइक्स (Abnormal Spikes) और ग्रिड-लाइक (Grid-like) पैटर्न दिखाई देते हैं।

इसके साथ ही Error Level Analysis (ELA) का उपयोग किया जाता है। ELA यह मापता है कि जब वीडियो के एक फ्रेम को एक विशेष क्वालिटी (जैसे 95% JPEG कम्प्रेशन) पर दोबारा सेव किया जाता है, तो पिक्सल्स के कम्प्रेशन रेट में कितना ‘Error’ आता है। एक असली तस्वीर में सभी हिस्सों का ELA लगभग एक समान होता है। लेकिन अगर वीडियो में केवल चेहरे को AI से बदला गया है, तो ELA टेस्ट में असली बैकग्राउंड डार्क (Dark) दिखाई देगा, जबकि AI द्वारा जनरेट किया गया चेहरा (Face) अलग कम्प्रेशन रेट के कारण स्क्रीन पर बिल्कुल चमकदार (Bright White) दिखाई देगा। फ्रीक्वेंसी और एरर लेवल की यह गणितीय विसंगति (Anomaly) यह सुनिश्चित करती है कि कोई भी डीपफेक, चाहे वह देखने में कितना भी ‘Perfect’ क्यों न लगे, गणित और डिजिटल फॉरेंसिक्स की नज़रों से कभी नहीं बच सकता।

Leave a Comment