指标至关重要——大型调查中的源相机取证技术

《Digital Threats: Research and Practice》：Metrics Matter - Source Camera Forensics for Large-Scale Investigations

源相机取证（SCF）技术在大规模筛查中面临传统方法（如SPN）精确度不足的问题。本文提出转向以召回率为核心的评估体系，对比分析经典SPN、CompaRe变体及MSSH三种方法。实验表明MSSH在召回率达1.0时仅保持0.25精确度，但速度提升超500倍，而SPN类方法在召回率>0.7时精确度骤降至0.1以下，更适合证据保存关键场景。

　　

摘要

源相机取证（SCF）技术在数字调查中发挥着关键作用，尤其是在确定犯罪内容的来源方面。虽然传统的SCF方法（如传感器模式噪声（SPN）在验证任务中表现良好，但它们往往无法满足大规模筛查的需求。本文提出了评估重点的转变，从以验证为导向的指标（例如误报率，旨在防止错误定罪）转向以调查为导向的指标（例如召回率，优先考虑最小化证据损失）。为此，我们评估了三种方法：经典的SPN方法；CompaRe，一种高效的基于SPN的改进版本；以及Media Source Similarity Hash（MSSH），一种利用JPEG结构元数据的非SPN方法。在当代数据集上，MSSH实现了完美的召回率（1.0），尽管精确度较低（0.25）。相比之下，经典SPN和CompaRe方法的精确度较高（分别达到0.6和0.7），但当召回率超过0.7时，它们的精确度会降至0.1以下，这使得它们不适合需要保护证据的关键应用场景。此外，与基于SPN的方法相比，MSSH的速度提高了500倍以上，证明了其在大规模调查中的适用性。