DeepFake 取证分析系统

一款功能全面的多媒体取证工具,用于检测和分析 Deepfake、数字篡改及 AI 生成的合成媒体内容。

本系统基于混合架构设计,整合深度学习模型、传统取证算法与现代化 Web 技术栈,为取证分析人员提供自动化、高准确度的多媒体真伪鉴定能力。支持图像与视频的多维度分析,涵盖元数据检验、噪声模式识别、光流异常检测、频域分析等多种技术手段。

• AI 驱动的深度伪造检测：基于 CNN 模型的图像与视频篡改识别
• 传统取证算法集成：ELA 误差分析、噪声模式分析、复制-移动检测、时序不一致性检测
• 元数据���度分析：EXIF 信息提取、文件头部校验、哈希完整性验证
• 分布式异步任务处理：基于 Kafka 的高性能分析任务调度
• 大文件分块上传：支持断点续传与实时进度追踪
• 项目化管理：多项目隔离、文件归档与批量分析

本项目采用前后端分离的微服务架构,通过 Docker 统一管理基础设施,各服务模块松耦合设计。

graph TD
    %% 样式配置
    classDef actor fill:#e3f2fd,stroke:#1565c0,stroke-width:2px,color:#000
    classDef frontend fill:#e8f5e9,stroke:#2e7d32,stroke-width:2px,color:#000
    classDef backend fill:#fff3e0,stroke:#ef6c00,stroke-width:2px,color:#000
    classDef ai fill:#f3e5f5,stroke:#7b1fa2,stroke-width:2px,color:#000
    classDef data fill:#fffde7,stroke:#fbc02d,stroke-width:2px,color:#000
    classDef subcomponent fill:#ffffff,stroke:#666,stroke-dasharray: 5 5,color:#333

    User((用户/浏览器)):::actor

    subgraph Frontend_Layer [前端层]
        ReactApp[React + Vite SPA]:::frontend
    end

    subgraph Backend_Layer [后端层]
        SpringBoot[Spring Boot Core]:::backend
        
        subgraph Core_Modules [通用业务模块]
            direction TB
            M_Auth[用户认证/JWT]:::subcomponent
            M_Proj[多项目隔离管理]:::subcomponent
            M_File[文件上传/分块]:::subcomponent
        end

        subgraph Java_Analysis [Java 图像分析组件]
            direction TB
            J_Meta[元数据/文件头]:::subcomponent
            J_ELA[ELA/哈希校验]:::subcomponent
        end
    end

    subgraph Data_Layer [数据与消息中间件]
        direction LR
        MinIO[(MinIO)]:::data
        Redis[(Redis)]:::data
        Kafka{Kafka MQ}:::data
        MySQL[(MySQL)]:::data
    end

    subgraph AI_Layer [AI 分析层]
        PyWorker[Python Worker]:::ai
        PyAPI[Flask API]:::ai
        
        subgraph Models [分析引擎]
            direction TB
            AI_DL[深度学习模型<br/>Tiny/Nano CNN]:::subcomponent
            AI_Trad[传统视频算法<br/>噪声/光流/频域/时序]:::subcomponent
        end
    end

    %% 布局辅助 (强制顺序: 左->右)
    MinIO ~~~ Redis ~~~ Kafka ~~~ MySQL
    SpringBoot ~~~ Core_Modules
    
    %% 垂直对齐辅助
    PyWorker ~~~ MinIO
    Core_Modules ~~~ Java_Analysis
    Java_Analysis ~~~ MySQL

    %% 交互流
    User ==> ReactApp
    ReactApp ==>|REST| SpringBoot
    
    %% Spring Boot -> Data Layer
    SpringBoot -->|文件存储| MinIO
    SpringBoot -->|缓存/进度| Redis
    SpringBoot ==>|生产分析任务| Kafka
    SpringBoot -->|元数据/结果持久化| MySQL
    
    %% Java Analysis (右侧流)
    Kafka ==>|消费任务| Java_Analysis
    Java_Analysis -->|分析结果直接入库| MySQL
    
    %% Python Worker (左侧流)
    Kafka ==>|消费任务| PyWorker
    PyWorker -->|下载文件| MinIO
    PyWorker -->|更新进度| Redis
    PyWorker -->|分析结果回传| Kafka
    PyWorker --> Models
    
    %% 结果回收
    Kafka -.->|消费 Python 结果| SpringBoot
    
    %% 辅助连接
    PyAPI -.-> SpringBoot

• MySQL 8：持久化存储用户、项目、文件元数据及分析结果（端口 3306）
• Redis 7：缓存热数据与实时任务进度（端口 6379）
• Kafka 3.9：异步任务队列,解耦后端与 AI 分析服务（端口 9092）
• MinIO：对象存储服务,存储上传的图像/视频文件（端口 9000,管理界面 9001）

基于 Spring Boot 构建的 RESTful API 服务,核心模块包括：

• 上传模块（upload）：分块上传、断点续传、MD5 校验、文件类型验证
• 元数据分析模块（metadata）：EXIF 解析、文件头分析、哈希计算
• 传统分析模块（traditional）：触发与管理传统取证算法任务
• AI 分析模块（analysis）：触发与管理深度学习模型推理任务
• 项目管理模块（project）：多项目隔离、文件归档、批量分析
• 认证模块（auth）：用户注册/登录、JWT 令牌、邮箱验证

React + TypeScript 单页应用,主要页面：

• 项目列表页：创建/管理多个取证项目
• 文件上传页：拖拽上传、批量上传、进度监控
• 文件列表页：文件预览、过滤搜索、批量操作
• 分析结果页：可视化展示分析结果、风险评分、详情查看
• 用户中心：账户管理、邮箱验证、密码重置

Python 驱动的分析引擎,双模式运行：

• Flask API 模式：提供同步 HTTP 接口,快速响应简单查询
• Kafka Worker 模式：消费异步任务,执行耗时的模型推理与算法分析

支持的分析算法：

• 图像 AI 分析：基于 CNN 的 Deepfake 检测
• 视频噪声模式分析：检测压缩/合成引入的噪声异常
• 光流分析：识别运动矢量的不自然断裂
• 频域分析：检测频谱能量分布异常
• 时序不一致性检测：识别帧间闪烁、表情跳变
• 复制-移动检测：识别视频中的重复区域

Windows（PowerShell）：

# 正常启动
.\start-docker.ps1

# 清理后重新启动
.\start-docker.ps1 -Clean

# 检查服务状态
.\status-docker.ps1

Linux/macOS：

chmod +x start-docker.sh
./start-docker.sh

# 检查服务状态
docker-compose ps

等待所有服务健康检查通过（约 1-2 分钟）。

cd backend

# 编译项目
mvn clean compile

# 设置数据库密码（需与 Docker 中配置一致）
# Windows PowerShell
$env:MYSQL_ROOT_PASSWORD="changeme"
# Linux/macOS
export MYSQL_ROOT_PASSWORD="changeme"

# 启动 Spring Boot
mvn spring-boot:run

后端服务启动于：http://localhost:8082

初次启动说明：

• JPA 自动建表（spring.jpa.hibernate.ddl-auto=update）
• 可通过 Postman/curl 访问 /api/upload/supported-types 验证服务

cd frontend

# 安装依赖（首次运行）
npm install

# 启动开发服务器
npm run dev

前端应用启动于：http://localhost:3000

如需使用 AI 模型与传统算法分析功能,需启动 Python 服务。

首次运行需安装依赖：

cd py

# 创建虚拟环境
python -m venv venv

# 激活虚拟环境
# Windows
.\venv\Scripts\Activate.ps1
# Linux/macOS
source venv/bin/activate

# 安装依赖
pip install -r server/requirements.txt

# 如有 NVIDIA GPU,安装 CUDA 版 PyTorch（可选）
pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118

启动服务（需开启两个终端）：

终端 1 - Flask API：

cd py
.\run-app.ps1

终端 2 - Kafka Worker：

cd py
.\run-worker.ps1

Python 服务启动于：http://localhost:7000

验证服务：访问 http://localhost:7000/ping 应返回 {"status": "ok"}

DeepFake_Forensic/
├── backend/                    # Spring Boot 后端
│   ├── src/main/java/com/itproject/
│   │   ├── upload/            # 文件上传模块
│   │   ├── metadata/          # 元数据分析模块
│   │   ├── analysis/          # AI 分析模块
│   │   ├── traditional/       # 传统分析模块
│   │   ├── project/           # 项目管理模块
│   │   ├── auth/              # 认证授权模块
│   │   ├── common/            # 通用组件（Result 封装等）
│   │   └── config/            # 配置类（Redis、Kafka、MinIO 等）
│   ├── src/main/resources/
│   │   ├── application.properties  # 主配置文件
│   │   └── db/migration/           # 数据库迁移脚本
│   └── pom.xml                # Maven 依赖配置
│
├── frontend/                  # React 前端
│   ├── src/
│   │   ├── components/       # 可复用组件
│   │   ├── pages/            # 页面组件
│   │   ├── services/         # API 调用封装
│   │   ├── hooks/            # 自定义 Hooks
│   │   ├── types/            # TypeScript 类型定义
│   │   ├── utils/            # 工具函数
│   │   └── constants/        # 常量配置
│   └── package.json          # npm 依赖配置
│
├── py/                        # Python 分析服务
│   ├── 2dCNN/                # CNN 模型训练与推理
│   │   ├── main.py           # 模型训练脚本
│   │   ├── api.py            # 推理 API
│   │   └── *.pth             # 预训练模型权重
│   ├── VidTraditional/       # 传统视频取证算法
│   │   ├── video_noise_pattern.py       # 噪声分析
│   │   ├── optical_flow_analysis.py     # 光流分析
│   │   ├── video_frequency_analysis.py  # 频域分析
│   │   ├── temporal_inconsistency.py    # 时序检测
│   │   └── video_copy_move.py           # 复制检测
│   └── server/               # Flask API 与 Kafka Worker
│       ├── app.py            # Flask 主应用
│       ├── kafka_worker.py   # 异步任务消费者
│       └── requirements.txt  # Python 依赖
│
├── docker/                    # Docker 配置
│   └── mysql/
│       ├── conf/my.cnf       # MySQL 配置
│       └── init/             # 初始化 SQL 脚本
│
├── docker-compose.yml         # Docker Compose 编排文件
├── start-docker.ps1          # Windows 启动脚本
├── start-docker.sh           # Linux 启动脚本
├── CodingStandard.md         # 代码规范文档
└── README.md                 # 本文件

技术亮点：

• 分块上传：大文件（最大 500MB）自动切分为多个 Chunk，并行上传
• 断点续传：基于 MD5 的文件唯一标识，中断后可继续上传
• 秒传机制：服务端检测文件 Hash，已存在文件直接关联无需重复上传
• 实时进度：前端通过轮询 Redis 获取上传进度（WebSocket 可选升级）
• 类型校验：文件头魔数验证，防止扩展名伪装

API 示例：

POST /api/upload/chunk         # 上传分块
GET  /api/upload/check/{md5}   # 检查文件是否已存在
GET  /api/upload/progress/{md5} # 查询上传进度
GET  /api/upload/files         # 分页查询文件列表

分析维度：

1. EXIF 数据：相机型号、GPS 位置、拍摄时间、镜头参数
2. 文件头分析：魔数校验、文件结构完整性
3. 哈希计算：MD5、SHA-256 指纹生成
4. 异常检测：时间戳矛盾、GPS 位置异常、软件篡改痕迹

风险评分机制：

• 低风险（0-30）：元数据一致，无明显异常
• 中风险（31-70）：存在 1-2 项可疑指标
• 高风险（71-100）：多项指标异常，疑似篡改

模型架构：

• Tiny CNN：轻量级模型，适合快速初筛
• Nano CNN：精简版 ResNet，平衡速度与精度
• EfficientNet（规划中）：高精度检测模型

推理流程：

1. 后端发布 Kafka 任务（image-ai-analysis-tasks Topic）
2. Python Worker 消费任务，从 MinIO 下载文件
3. 图像预处理（Resize、归一化、Tensor 转换）
4. 模型推理得到置信度分数
5. 结果发布至 Kafka（analysis-results Topic）
6. 后端消费结果并持久化至 MySQL

• 原理：分析帧间噪声分布的统计特性，检测合成/重新压缩引入的异常
• 指标：噪声方差、偏度、峰度、频域能量分布
• 应用场景：检测视频拼接、背景替换

• 原理：计算相邻帧像素运动矢量，识别不自然的运动断裂
• 算法：Farneback 稠密光流
• 应用场景：面部替换、运动伪造

• 原理：通过 DCT/FFT 变换分析频谱特征，检测压缩伪影
• 应用场景：多次压缩、篡改区域定位

• 原理：检测人脸关键点（眨眼频率、表情变化）的时序异常
• 应用场景：Deepfake 视频的闪烁伪影

• 原理：基于特征匹配识别视频中的重复区域
• 应用场景：视频内容复制粘贴伪造

• 多项目隔离：不同案件的文件与分析结果独立存储
• 批量分析：一键对项目内所有文件执行分析
• 权限控制：基于 JWT 的用户身份验证，项目级访问控制
• 分析历史：完整记录分析时间、算法类型、结果快照

测试框架：JUnit 5 + Mockito + JaCoCo（代码覆盖率）

运行测试：

cd backend

# 运行所有测试
mvn test

# 生成覆盖率报告
mvn clean test jacoco:report

# 查看报告
# 浏览器打开 backend/target/site/jacoco/index.html

已测试模块：

• FileTypeValidationService：文件类型校验逻辑
• JwtTokenUtil：令牌生成与验证
• NotificationUtil：邮件通知工具

覆盖率配置：

• 排除实体类（@Entity）、DTO、配置类
• 重点测试业务逻辑层（Service）

测试框架：Vitest + Testing Library + jsdom

运行测试：

cd frontend

# 运行测试
npm test

# 生成覆盖率报告
npm run test:coverage

# 启动测试 UI
npm run test:ui

# 查看报告
# 浏览器打开 frontend/coverage/index.html

测试示例：

• 工具函数测试：utils.test.ts
• 类型定义测试：types.test.ts
• 组件测试：components.test.tsx

本项目遵循严格的代码规范与 Git 工作流，详见 CodingStandard.md。

1. 分支管理：

   • feat/<feature-name>：新功能分支
   • fix/<issue-name>：Bug 修复分支
   • 禁止直接推送至 main 分支，所有变更需经 PR 审核

2. 提交规范：遵循 Conventional Commits

   • feat: 实现分块上传功能
   • fix: 修复 Kafka 消费者死锁问题
   • test: 添加 JWT 验证单元测试

3. 代码风格：

   • 后端：遵循 Google Java Style Guide，强制 2 空格缩进
   • 前端：ESLint + Prettier，强制分号、单引号
   • Python：PEP 8 规范，使用 Black 格式化

4. 注释规范：

   • 使用英文注释
   • 函数级 Javadoc/JSDoc，说明参数、返回值、异常
   • 复杂业务逻辑需添加内联注释

• 所有 PR 需至少一名成员批准
• 必须通过所有 CI 检查（编译、测试、格式检查）
• 代码变更需包含对应的测试用例

关键配置项：

# 服务端口
server.port=8082

# MySQL 连接
spring.datasource.url=jdbc:mysql://localhost:3306/forensic_db
spring.datasource.username=root
spring.datasource.password=${MYSQL_ROOT_PASSWORD:changeme}

# Redis 连接
spring.data.redis.host=localhost
spring.data.redis.port=6379

# Kafka 连接
spring.kafka.bootstrap-servers=localhost:9092

# MinIO 配置
minio.endpoint=http://localhost:9000
minio.access-key=minioadmin
minio.secret-key=minioadmin
minio.bucket-name=forensic-media

# 文件上传限制
spring.servlet.multipart.max-file-size=500MB
spring.servlet.multipart.max-request-size=500MB

# JWT 密钥（生产环境需修改）
jwt.secret=your-secret-key-change-in-production
jwt.expiration=86400000

环境变量注入：

# 数据库密码
export MYSQL_ROOT_PASSWORD=your_password

# JWT 密钥
export JWT_SECRET=your_jwt_secret

# API 基础地址
VITE_API_BASE_URL=http://localhost:8082

# Python 分析服务地址
VITE_PYTHON_API_URL=http://localhost:7000

# Kafka 配置
KAFKA_BOOTSTRAP=localhost:9092
KAFKA_GROUP_ID=py-analyzer-group

# Redis 配置
REDIS_HOST=localhost
REDIS_PORT=6379

# MinIO 配置
MINIO_ENDPOINT=http://localhost:9000
MINIO_ACCESS_KEY=minioadmin
MINIO_SECRET_KEY=minioadmin
MINIO_BUCKET=forensic-media

问题：docker-compose up 报错或服务一直 restarting

排查步骤：

# 检查 Docker Desktop 是否运行
docker version

# 查看服务日志
docker-compose logs mysql
docker-compose logs kafka

# 清理并重启
docker-compose down -v
.\start-docker.ps1 -Clean

常见原因：

• 端口被占用（3306、6379、9092、9000）
• Docker Desktop 内存分配不足（建议至少 4GB）
• 防火墙拦截端口

问题：Communications link failure 或 Access denied

解决方案：

# 确认 MySQL 容器运行中
docker ps | grep mysql

# 确认密码环境变量
echo $MYSQL_ROOT_PASSWORD

# 测试连接
docker exec -it forensic_mysql mysql -uroot -p

问题：浏览器控制台报 CORS 错误

解决方案：后端已配置 CORS，检查 WebConfig.java：

@Override
public void addCorsMappings(CorsRegistry registry) {
    registry.addMapping("/**")
        .allowedOrigins("http://localhost:3000")
        .allowedMethods("*");
}

问题：上传文件后分析一直 pending

排查步骤：

# 检查 Kafka 容器
docker logs forensic_kafka

# 检查 Topic 是否存在
docker exec -it forensic_kafka kafka-topics.sh \
  --bootstrap-server localhost:9092 --list

# 检查 Python Worker 是否运行
ps aux | grep kafka_worker.py

# 查看 Worker 日志
cd py
python server/kafka_worker.py

优化建议：

• 使用 NVIDIA GPU（需安装 CUDA + cuDNN）
• ��小输入图像尺寸（修改 api.py 中 transforms.Resize）
• 使用 Tiny CNN 模型替代 Nano CNN
• 启用批量推理（修改 batch_size）

常见原因：

• 文件过大（超过 500MB）
• MinIO 存储空间不足
• 网络不稳定导致 Chunk 丢失

解决方案：

# 检查 MinIO 存储
docker exec -it forensic_minio df -h

# 检查 Bucket 是否存在
# 访问 http://localhost:9001 登录 MinIO 控制台
# 账密：minioadmin/minioadmin

# 手动创建 Bucket
docker exec -it forensic_minio mc mb /data/forensic-media

• 修改默认密码：MySQL、MinIO、Redis 需设置强密码
• JWT 密钥：生成长随机字符串（至少 256 位）
• HTTPS：使用 Nginx 反向代理，配置 SSL 证书
• 防火墙：仅开放 80/443 端口，内部服务禁止外网访问

• 数据库索引：对高频查询字段（file_md5、project_id）添加索引
• Redis 持久化：启用 AOF 或 RDB，防止缓存丢失
• Kafka 分区：根据并发量调整 Topic 分区数
• MinIO 集群：使用分布式部署提升吞吐量
• CDN 加速：静态资源托管至 CDN

• 应用监控：集成 Spring Boot Actuator + Prometheus + Grafana
• 日志聚合：使用 ELK Stack（Elasticsearch + Logstash + Kibana）
• 告警：配置服务宕机、磁盘不足、队列积压告警

单机部署（适合小规模）：

# 生产环境配置
cp .env.example .env
vim .env  # 修改密码与密钥

# 后台启动
docker-compose up -d

# 构建后端镜像
cd backend
docker build -t forensic-backend:latest .

# 构建前端镜像
cd frontend
docker build -t forensic-frontend:latest .

Kubernetes 部署（适合大规模）：

• 将各服务改造为独立 Deployment
• 使用 StatefulSet 部署 MySQL、Kafka
• 配置 HPA（水平自动扩缩容）
• 使用 Ingress 统一入口

采用 Kafka 作为消息中间件，实现前后端解耦与任务异步处理。优势：

• 高吞吐：支持海量文件并发分析
• 容错性：任务失败自动重试，保证最终一致性
• 可扩展：Worker 横向扩展，无需修改后端代码
• 实时性：Redis 缓存任务进度，前端秒级感知

后端按功能划分独立模块，避免总分 POM 的复杂度：

com.itproject/
├── upload/       # 上传模块（Controller + Service + Mapper）
├── metadata/     # 元数据分析
├── analysis/     # AI 分析
├── traditional/  # 传统分析
├── project/      # 项目管理
├── auth/         # 认证授权
└── common/       # 通用组件（Result、异常���理等）

所有 API 返回 Result<T> 格式，前端统一处理：

@Data
public class Result<T> {
    private Integer code;      // 状态码（200 成功，400 客户端错误，500 服务端错误）
    private String message;    // 提示信息
    private T data;            // 业务数据
    private Long timestamp;    // 时间戳
}

请求与响应统一使用 DTO（Data Transfer Object），避免实体类直接暴露：

• 请求 DTO：UploadChunkRequest、AnalysisRequest
• 响应 DTO：FileInfoDTO、AnalysisResultDTO
• 优势：解耦数据库结构，防止过度传输，便于版本演进

Python 服务自动检测 GPU 环境：

if torch.cuda.is_available():
    device = torch.device("cuda")
elif torch.backends.mps.is_available():  # Apple Silicon
    device = torch.device("mps")
else:
    device = torch.device("cpu")

本项目作为学术课程项目开发，知识产权受大学及合作企业协议约束。

使用限制：

• 仅限学术与教育用途
• 未经授权禁止商业使用或再分发
• 引用本项目需注明来源

感谢所有为本项目贡献代码、提供建议的团队成员。

文档版本：v1.0
最后更新：2025年12月16日
维护团队：DeepFake Forensic Tool Development Team