U ovoj laboratorijskoj vježbi nastojimo na jednostavan i zanimljiv način upoznati studente s analizom frekvencije električne mreže (engl. Electrical Network Frequency) te kroz zadatke pokazati kako se upravo ta frekvencija može koristiti u otkrivanju informacija kao što su vrijeme ili mjesto na kojem je dana audiosnimka ili videosnimka nastala te je li ta snimka naknadno mijenjana ili ne. Signal električne mreže koji kroz vrijeme varira oko svoje srednje vrijednosti superponira se kao smetnja na digitalnoj snimci te se taj uzorak signala, kada se izvuče iz snimke, može upariti s dijelom signala evidentiranog u nekoj bazi podataka.

Tema vježbe je upoznavanje s analizom frekvencije električne mreže, točnije naučiti kakve su sve primjene ENF-a, kao i karakteristike. Primjene ENF-a koje se razmatraju u ovoj vježbi su mogućnost određivanja kontinenta na kojemu je snimljen zapis te određivanje vremena nastanka zadanog zapisa.

Jedan od zadataka jest otkrivanje kontinenta nastanka audiosnimke korištenjem zapisa frekvencije električne mreže. Postoji iznimno niska vjerojatnost da se oscilacije frekvencije električne mreže ponove i iz tog razloga se one mogu koristiti u utvrđivanju čak točnog mjesta gdje je neka snimka nastala. Na stranici Sredine frekvencija možemo vidjeti kako se srednja vrijednost te frekvencije u europskoj mreži mijenjala kroz posljednjih sat vremena dok na stranici Sustav nadgledanja mreže možemo vidjeti u stvarnom vremenu vrijednosti frekvencije u raznim dijelovima Europe.

Ovakav pristup inače se koristi za određivanje mjesta i vremena nastanka zapisa i upravo je on bio poticaj na stvaranje zadataka za vježbu.

Zadatak 1: Određivanje vremena nastanka videosnimke ili audiosnimke

U prvom zadatku već je dana frekvencija električne mreže koja je prethodno konstruirana iz snimke. Zadatak je pronaći sličan uzorak signala u javno dostupnoj bazi podataka koja sadrži vrijednost frekvencije električne mreže za svaku sekundu u mjesecu (sadržano je u prosjeku preko 2.5 milijuna podataka za svaki mjesec). Informacije o frekvenciji električne mreže dostupne su javno za niz gradova i država na Power Grid Frequency Database. U sklopu zadatka odlučeno je da će se proučavati ENF Velike Britanije u svibnju 2022. godine. CSV datoteka koja sadrži vrijednosti ENF-a nalazi se na NationalGridESO System Frequency Data.

Nažalost, u praksi rekonstrukcija ENF zapisa iz snimke nikada ne dovodi do potpuno točnog signala, već zapis dolazi uvijek s manjim ili većim šumom. Kako bismo oponašali realne uvjete, naš ENF signal također sadrži šum. Iz navedenog razloga odgovarajući uzorak nije moguće pronaći pukim pretraživanjem datoteke, već je potrebno pronaći takav uzorak u bazi podataka koji najmanje odstupa od polaznog ENF signala snimke.

Napisali smo program koji čitatelju može pomoći u pronalasku točnog vremena nastanka ENF zapisa. Program računa najmanje srednje kvadratno odstupanje razlika dobivenog ENF zapisa i svakog uzorka ENF-a jednake veličine u bazi podataka. Program naposljetku odredi početno i završno vrijeme uzorka za koji je navedeno odstupanje bilo najmanje. Kako je ipak na ENF zapis snimke superponiran šum, moguće je da su pronađeni uzorak i njegovo pripadajuće vrijeme netočni za nekoliko vrijednosti, odn. sekundi, ali to nam obično u praksi nije od velike važnosti, već su nam najvažniji dan i eventualno sat nastanka audio ili videosnimke.

U praksi je moguće da se rekonstrukcija ENF signala iz snimke ne može pronaći niti u jednoj dostupnoj bazi podataka, a da je odstupanje dovoljno malene vrijednosti. Više je mogućih razloga takve pojave:

• Rekonstrukcija je loša jer je udaljenost uređaja kojim se snimala snimka od najbližeg izvora električne struje velika pa se ENF signal ne može ni superponirati na snimku.
• Rekonstrukcija je loša jer se uređaj mnogo pomicao i time se utjecalo na superponiranje ENF signala na snimku
• Netko je uređivao snimku pa ne postoji kontinuitet ENF zapisa.
• Snimka nije snimana na mjestu za koje se vodi evidencija frekvencije električne mreže u bazi podataka ili nam baza podataka mjesta na kojem je snimka snimana nije dostupna.

Zadatak 2: Određivanje radi li se o zapisu čistog ENF-a ili ENF-a sa šumom

S Interneta su skinuti audio zapisi noise-free ENF-a (uklonjen je šum tako da je ostao čisti ENF) i noisy ENF-a (ENF sa šumom). Kada se ti audio zapisi otvore pomoću Audacity-a, proučavanjem db/Hz grafa može se vidjeti da se ti grafovi dosta razlikuju pa je lagano odrediti o kojoj se vrsti ENF zapisa radi.

Zadatak 3: Određivanje mjesta nastanka videosnimke ili audiosnimke

S Interneta su skinuti audio zapisi noise-free ENF-a (uklonjen je šum tako da je ostao čisti ENF). Kada se ti audio zapisi otvore pomoću Audacity-a, proučavanjem db/Hz grafa može se vidjeti da je frekvencija najjača na 50 Hz a manjim odstupanjima. Pomoću filter curve alata nekim audio zapisima promijenjene su frekvencije tako da db/Hz graf poprimi novi izgled - oko 60 Hz. Iz danih audio zapisa potrebno je vidjeti db/Hz graf i vidjeti radi li se o 50 Hz ili 60 Hz te sukladno frekvenciji odrediti moguće kontinente nastanka zapisa.

Zadatak 1: Određivanje vremena nastanka videosnimke ili audiosnimke

Napisani su programi koji omogućavaju individualiziranje zadataka. S programom getSample.py omogućavamo da se iz neke CSV datoteke dohvati slučajan uzorak ENF-a veličine od 300 do 450, odn. zabilježenih vrijednosti za svaku sekundu u vremenu od 3 do 5 minuta. Dakle, slučajno se odabere uzorak od 3 do 5 minuta iz datoteke koja sadrži podatke za cijeli mjesec. Nakon toga, pozove se program makeNoisy.py koji na taj uzorak superponira slučajni Gaussov šum kako bi se simulirali realni uvjeti kod rekonstrukcije ENF signala iz neke snimke.

Na kraju tog postupka dobivamo ENF signal sa superponiranim šumom koji je jedinstven upravo zato što je slučajno dohvaćen iz ogromnog skupa podataka i još time što je dodatno superponiran slučajan šum. Virtualno je nemoguće da dva studenta dobiju isti ENF signal sa šumom iz kojeg moraju odrediti vrijeme nastanka snimke bez da uopće spominjemo da je moguće svake godine izabrati različitu CSV datoteku ENF signala za neki mjesec iz koje se mogu izvlačiti uzorci.

Napomena: za generiranje individualiziranih zadataka potreban je numpy iako za samo rješavanje vježbe on nije potreban.

Zadatak 2: Određivanje radi li se o zapisu čistog ENF-a ili ENF-a sa šumom

Za rješavanje zadatka korišten je Audacity https://www.audacityteam.org. Audacity je besplatni digitalni audio uređivač otvorenog koda i aplikacijski softver za snimanje, dostupan za Windows, macOS, Linux i druge operativne sustave slične Unixu. Na Internetu postoji dovoljan broj različitih primjera zapisa frekvencija električne mreže za sve studente.

Zadatak 3: Određivanje mjesta nastanka videosnimke ili audiosnimke

Za stvaranje primjera korišten je Audacity, kao i za rješavanje zadatka. Na neke od postojećih primjera zapisa frekvencije električne mreže potrebno je promijeniti db/Hz graf tako da frekvencija bude 60 Hz (osim ako nema nekih stvarnih primjera snimljnih na 60 Hz). To se postiže tako da se u Audacity-u odabere opcija “Učinak → Filter Curve EQ” i primjeni se filtar prikazan na slici u nastavku. Na ovaj način moguće je generirati dovoljan broj različitih primjera za sve studente.

Zadatak 1: Određivanje vremena nastanka videosnimke ili audiosnimke

Laboratorijska vježba sastoji se od:

• pregledavanja vrijednosti dobivenog ENF zapisa iz snimke,
• proučavanja programa koji služi za pronalazak najsličnijeg uzorka u bazi podataka,
• pokretanja programa kojim se sazna vrijeme u kojem počinje i vrijeme u kojem završava taj najsličniji uzorak iz baze podataka,
• ručne provjere je li ENF snimke dovoljno blizak ENF uzorku iz baze podataka koji počinje u ispisanom trenutku
• i, dodatno, crtanja originalnog ENF zapisa i zapisa dobivenog iz snimke u nekom grafičkom alatu kako bi se primijetilo koliko je zapravo šum izobličio signal.

Zadatak 2: Određivanje radi li se o zapisu čistog ENF-a ili ENF-a sa šumom

Za deset zadanih primjera potrebno je odrediti radi li se o zapisu čistog ENF-a ili ENF-a sa šumom. To je moguće odrediti tako da se analizira db/Hz graf zadanih zapisa koristeći Audacity. Dan je primjer kako izgledaju oba slučaja.

Zadatak 3: Određivanje mjesta nastanka videosnimke ili audiosnimke

Potrebno je analizirati db/Hz graf za pet zadanih primjera te odrediti koji su mogući kontinenti nastanka datoteke. Za rješavanje zadatka je važno znati da Europa, Azija i Australija koriste 50 Hz, dok Sjeverna i Južna Amerika koriste 60 Hz.

Zadatak 1: Određivanje vremena nastanka videosnimke ili audiosnimke

Kako je svaki zadatak individualiziran, rješenje se ispiše pri stvaranju zadatka za studenta pozivom getSample.py.

Rješenje predstavlja vrijeme (datum, sat, minuta, sekunda) nastanka danog ENF zapisa, a time i vrijeme nastanka snimke.

Odgovor na Moodle unosi se upisivanjem točnoga rednog broja dana i točnoga sata u kojem je započeto snimanje snimke. Primjerice: za dobiveni ispis vremena početka 2022-05-08 01:40:20, u Moodle kao odgovor unese se 8 u prostor za dan i 1 u prostor za sat.

Zadatak 2: Određivanje radi li se o zapisu čistog ENF-a ili ENF-a sa šumom

Analizom db/Hz grafa može se doći do sljedećih rješenja:

• 01 - ENF sa šumom
• 02 - čisti ENF
• 03 - čisti ENF
• 04 - čisti ENF
• 05 - ENF sa šumom
• 06 - ENF sa šumom
• 07 - čisti ENF
• 08 - ENF sa šumom
• 09 - čisti ENF
• 010 - ENF sa šumom

Zadatak 3: Određivanje mjesta nastanka videosnimke ili audiosnimke

Analizom db/Hz grafa može se doći do sljedećih rješenja:

• 11 - Europa, Azija, Australija (50 Hz)
• 12 - Sjeverna i Južna Amerika (60 Hz)
• 13 - Sjeverna i Južna Amerika (60 Hz)
• 14 - Europa, Azija, Australija (50 Hz)
• 15 - Europa, Azija, Australija (50 Hz)

Svrha vježbe bila je shvaćanje važnosti i korisnosti primjene analize frekvencije električne mreže. Već se dugi niz godina ta tehnika koristi u forenzičke svrhe za određivanje valjanosti snimaka te drugih važnih podataka kao što su mjesto i vrijeme kada je snimka stvorena. Baze podataka frekvencije električne mreže često su javne, a frekvencija električne mreže neke snimke konstruira se raznim algoritmima.

[1] Youngbae Jeon, Minchul Kim, Hyunsoo Kim, Hyoungshick Kim, Jun Ho Huh, and Ji Won Yoon. 2018. I'm Listening to your Location! Inferring User Location with Acoustic Side Channels. In Proceedings of the 2018 World Wide Web Conference (WWW '18). International World Wide Web Conferences Steering Committee, Republic and Canton of Geneva, CHE, 339–348. https://doi.org/10.1145/3178876.3186100

[2] G. Hua, H. Liao, Q. Wang, H. Zhang and D. Ye, "Detection of Electric Network Frequency in Audio Recordings–From Theory to Practical Detectors," in IEEE Transactions on Information Forensics and Security, vol. 16, pp. 236-248, 2021, doi: 10.1109/TIFS.2020.3009579.

[3] G. Hua and H. Zhang, "ENF Signal Enhancement in Audio Recordings," in IEEE Transactions on Information Forensics and Security, vol. 15, pp. 1868-1878, 2020, doi: 10.1109/TIFS.2019.2952264.

ENF analiza (Electrical network frequency) – laboratorijska vježba