Abstract

Deepfakes are AI-generated synthetic media that use AI algorithms to mimic human faces, voices, and actions with high levels of realism. They utilize advanced machine learning and deep learning techniques to generate realistic synthetic media, making the distinction between real and fake content increasingly difficult. Deepfakes were initially developed for entertainment and creative applications. However, they are currently being misused in various domains, posing significant security and ethical challenges. These risks necessitate effective deepfake detection systems to mitigate potential harm and preserve the integrity of digital communication. Nonetheless, the existing detection methods are inadequate and lack a holistic detection mechanism, making it challenging to curb the rapid proliferation and misuse of deepfakes. Consequently, this study proposes solutions to develop improved deepfake detection systems by combining accuracy, interpretability, and forensic insights. Aiming to develop an integrated solution based on the above proposal, this study follows an empirical approach to develop an analytical framework across the following three phases: investigation framework development, detection implementation, and testing and evaluation. This study combines machine learning techniques—including CNNs, GAN-based detection, and metadata analysis—with forensic analysis frameworks to identify and categorize deepfake content across various media types. It then evaluates the effectiveness of the proposed system using key metrics such as accuracy, precision, recall, F1-score, and execution time, ensuring robustness and adaptability to emerging deepfake technologies. This analysis revealed that the proposed system demonstrates high efficacy in detecting and classifying unseen manipulated media, achieving precision and recall scores exceeding 90%, indicating a low rate of false positives and negatives. This result validates the system’s potential as a powerful tool for combating deepfakes. This work advances the field of deepfake detection by combining interpretability, scalability, and forensic insights into a single framework. The system provides a reliable solution for mitigating deepfake threats in digital media. By enhancing usability and adapting existing detection methods, this research contributes to developing robust solutions for addressing the evolving challenges of deepfake technology.

Bashaer Mohamed Alsalami, Zayed University

Name of Guide/supervisor

Richard Ikuesan

Year of awarding

2024

Keywords

Deepfake detection, machine learning, forensic analysis, synthetic media, cybersecurity, generative adversarial networks (GANs), convolutional neural networks (CNNs), Deepfake, manipulation, security, AI, algorithms.

Arabic Abstract

التزييف العميق هو وسائط اصطناعية يتم إنشاؤها باستخدام الذكاء االصطناعي لتقليد وجوه وأصوات وأفعال البشر بمستويات عالية من الواقعية. يعتمد على تقنيات التعلم اآللي العميق والمتقدم إلنشاء وسائط اصطناعية لمحتوى الحقيقي والمزيف. تم تطوير تقنية التزييف العميق في البداية واقعية، مما يجعل من الصعب التمييز بين ا ألغراض الترفيه واإلبداع، ولكنها تُستغل حاليًا بشكل سيء في العديد من المجاالت، مما يشكل تحديات كبيرة للتخفيف من تتعلق باألمن واألخالقيات. وتستلزم هذه المخاطر تطوير أنظمة فعّالة الكتشاف التزييف العميق األضرار المحتملة والحفاظ على نزاهة االتصال الرقمي .مع ذلك، فإن الطرق الحالية للكشف عن التزييف العميق ً حد من االنتشار السريع وسوء استخدام هذه التقنية. بناء غير كافية وتفتقر إلى آلية شاملة، مما يجعل من الصعب ال ّ طوير أنظمة محسنة للكشف عن التزييف العميق من ً خالل الجمع بين الدقة، على ذلك، تقترح هذه الدراسة حلوال لت القابلية للتفسير، والرؤى الجنائية. تهدف الدراسة إلى تطوير حل متكامل يعتمد على االقتراح السابق، حيث تتبع ً تقنيات الكشف، ثم منهجا تجريبيًا لتطوير إطار عمل تحليلي عبر ثالث مراحل: تطوير إطار عمل التحقيق، تنفيذ االختبار والتقييم .تجمع الدراسة بين تقنيات التعلم اآللي، بما في ذلك الشبكات العصبية االلتفافية(CNNs (، وتقنيات الكشف القائمة على الشبكات التوليدية التنافسية(GANs (، وتحليل البيانات الوصفية، باإلضافة إلى أطر يتم تقييم فعالية النظام المقترح التحليل الجنائي لتحديد وتصنيف المحتوى المزيّف عبر أنواع مختلفة من الوسائط. باستخدام مقاييس رئيسية مثل الدقة، اإلحكام، االسترجاع، قيمة1F ، وزمن التنفيذ، لضمان الكفاءة والقدرة على التكيف مع تقنيات التزييف العميق الجديدة . تع بفعالية عالية في الكشف أظهرت التحليالت أن النظام المقترح يتم ّ عن الوسائط المزورة غير المرئية وتصنيفها، محققً ،%90 مما يدل على انخفاض ا نسب إحكام واسترجاع تتجاوز معدل اإليجابيات والسلبيات الكاذبة. وتؤكد هذه النتائج قدرة النظام على أن يكون أداة فعالة في مكافحة التزييف العميق . في تقدم مجال الكشف عن التزييف العميق من خالل الجمع بين القابلية للتفسير، القابلية تُسهم هذه الدراسة للتوسع، والرؤى الجنائية في إطار عمل واحد. يوفر النظام حال موثوقًا للتخفيف من تهديدات التزييف العميق في راسة في تطوير الوسائط الرقمية. ومن خلال تحسين قابلية االستخدام وتطوير الطرق الحالية للكشف، تُسهم هذه الد حلول قوية للتعامل مع التحديات المتزايدة لتقنيات التزييف العميق

Download

Share

COinS