Content-Fingerprinting
Verfahren zur eindeutigen Identifikation digitaler Inhalte über mathematische Repräsentationen — selbst wenn Dateien verändert, komprimiert oder neu enkodiert wurden.
Content-Fingerprinting erstellt eine mathematische Repräsentation (z.B. Perceptual Hash, Audio-Fingerprint, Face-Embedding) eines digitalen Inhalts. Diese Repräsentation bleibt auch dann erkennbar, wenn der Inhalt zugeschnitten, komprimiert, gefiltert oder umkodiert wird. Grundlage moderner Anti-Piracy-Systeme.
Wie funktioniert es?
Anders als ein kryptografischer Hash (SHA-256), der bei jedem Pixel-Bit-Unterschied einen komplett anderen Wert liefert, erzeugt ein Perceptual Hash oder Embedding eine Repräsentation, die sich nur langsam mit Änderungen am Inhalt verändert. Zwei ähnlich aussehende Bilder haben ähnliche Fingerprints, auch wenn sie technisch komplett unterschiedliche Dateien sind.
Anwendung bei leak.red
leak.red erstellt mehrere Fingerprint-Typen pro Referenz-Inhalt:
- Perceptual Image Hash (pHash, dHash): für Bild-Vergleich
- Face Embedding (ArcFace, FaceNet): für KI-Gesichtserkennung — auch bei Deepfakes erkennbar
- Video-Fingerprint: Sequenz-basierte Hashes für Video-Erkennung
- Audio-Fingerprint: Chromaprint-ähnlich für Audio-Inhalte
Robustheit gegen Verfälschungen
Ein guter Fingerprint überlebt:
- Zuschneiden, Spiegeln, Drehen
- JPEG/MP4-Kompression mit Qualitätsverlust
- Wasserzeichen oder Filter
- Auflösungs-Änderungen
- Re-Recording vom Bildschirm (eingeschränkt)
Nicht überlebt: vollständige inhaltliche Neumodellierung (z.B. das gleiche Motiv mit anderem Gesicht).
Privatsphäre
Fingerprints sind nicht reversibel — aus einem Perceptual Hash lässt sich das Originalbild nicht rekonstruieren. leak.red speichert ausschließlich Fingerprints, nie die Original-Inhalte selbst.