Detecção de Deepfakes Baseada em Metadados Forenses Utilizando Perceptron de Múltiplas Camadas

Resumen

As tecnologias de síntese de mídias falsas, denominadas deepfakes, constituem um dos principais desafios contemporâneos à segurança digital. Com o avanço das ferramentas de manipulação de vídeo e áudio, a distinção entre conteúdo autêntico e sintetizado artificialmente tornou-se progressivamente complexa. Este trabalho propõe uma abordagem baseada em metadados forenses: em vez de realizar análise em nível de pixel, o método proposto opera sobre características numéricas abstratas da mídia, tais como inconsistências na sincronização audiovisual e anomalias de compressão. Utilizou-se um dataset científico contendo essas métricas forenses, sobre o qual foi desenvolvida uma Rede Neural Artificial do tipo Multilayer Perceptron (MLP). O modelo proposto demonstrou capacidade de classificação binária entre mídias autênticas e deepfakes. Os resultados confirmam que as assinaturas forenses estruturais presentes em deepfakes constituem características discriminativas suficientes para sistemas de detecção computacionalmente eficientes, demandando recursos substancialmente inferiores quando comparados a abordagens baseadas puramente em visão computacional profunda. O modelo alcançou acurácia de 100% no conjunto de teste, com ausência total de falsos positivos e falsos negativos.