Identificazione della fotocamera sorgente da contenuti multimediali applicabile all'analisi forense

Nel corso degli ultimi anni, soprattutto grazie alla digitalizzazione che il Covid19 ha portato nelle case di tutti, siamo stati protagonisti di un forte sviluppo dei cosiddetti contenuti digitali: foto e video che possono essere pubblicati in internet da chiunque lo voglia. Parallelamente, però, siamo anche stati vittime di un considerevole aumento dei crimini informatici. La polizia postale riporta che nel 2021 c'è stato un aumento di oltre il 436% nelle truffe online e addirittura 5316 casi di cyberbullismo. Dato questo angosciante aumento dei cybercrimini, illustro in questo elaborato un modo all'avanguardia per contrastarne la crescita. Infatti, sfrutto una caratteristica presente in tutte le fotocamere: il PRNU, definito da molti l'impronta digitale delle camere digitali. Quest'ultimo è una componente del rumore dell'immagine che, per fattori derivanti dalle proprietà dei componenti elettronici interni del dispositivo, è presente in ogni foto o frame di video. Il PRNU ci permette, tramite l'impiego del Deep Learning, di analizzare le immagini condivise nel web e identificare con certezza qual'è stato l'esatto dispositivo che ha scattato una determinata foto. L'obiettivo sarà quello di analizzare un lavoro prodotto da altri ricercatori correlato a quest'ambito e, successivamente, proporre un metodo alternativo per la classificazione del rumore. Nel dettaglio propongo una metodologia più consistente per la selezione delle aree dell'immagine che si presume contengano del rumore, in questo modo è possibile ridurre il quantitativo di parti analizzate di ciascun frame e, di conseguenza, è possibile impiegare più foto e più video per l'addestramento della rete neurale convoluzionale. I risultati ottenuti utilizzando come set di video il Dresden Image Database sono molto promettenti: un'accuratezza di oltre il 99% riducendo notevolmente i tempi computazionali e di spazio.