Дипломная работа на тему "ТЮМГУ | Разработка алгоритма детектировния поддельного видео контента с использованием искусственных нейронных сетей"

Диплом (ВКР) на тему «Дипломная работа на тему "ТЮМГУ | Разработка алгоритма детектировния поддельного видео контента с использованием искусственных нейронных сетей"»

Вы пишете ВКР по теме «ТЮМГУ | Разработка алгоритма детектирования поддельного видео контента с использованием ИНС»? В этой статье — разбор структуры, практические примеры реализации, работа с данными, анализ архитектур нейросетей и проверка на уникальность. Приведены реальные источники, требования ГОСТ 34.602-2020 и рекомендации для студентов Синергия по специальности 09.03.02.

Нужен разбор вашей темы Дипломная работа на тему "ТЮМГУ | Разработка алгоритма детектировния поддельного видео контента с использованием искусственных нейронных сетей"? Получите бесплатную консультацию: @Diplomit | +7 (987) 915-99-32 (WhatsApp)

Актуальность темы

Поддельные видео (deepfake) уже используются для фейковых новостей, шантажа и политических манипуляций. В 2025 году число deepfake-атак выросло на 90% по сравнению с 2023 годом (источник: ФСТЭК России). Особенно уязвимы государственные и образовательные учреждения, где требуется подлинность медиаконтента.

В Тюменском государственном медицинском университете (ТЮМГУ) активно развивается цифровая платформа для дистанционного обучения. Там возможна подмена лекционных видео, что ставит под угрозу академическую честность. Автоматизация детекции таких видео — не просто научная задача, а реальная потребность вуза.

На практике студенты часто берут абстрактные темы без привязки к реальной организации. Здесь же — конкретный объект: медицинский вуз, где можно провести анализ потребностей, собрать требования и протестировать модель на реальных сценариях.

Цель и задачи

Цель исследования: разработка и внедрение алгоритма детектирования поддельного видео на основе свёрточных нейронных сетей (CNN) и временных признаков (LSTM) для защиты образовательного контента ТЮМГУ.

Задачи:

1. Проанализировать угрозы поддельного видео в образовательной среде.
2. Изучить существующие методы детекции deepfake (MesoNet, XceptionNet, EfficientNet).
3. Собрать и разметить датасет на основе FF++ и DeepFakeTIMIT.
4. Разработать модель на базе Xception с временной агрегацией признаков.
<5>Оценить точность модели (F1-score, AUC-ROC) и интегрировать её в веб-интерфейс.
5. Рассчитать экономическую эффективность внедрения в ИС ТЮМГУ.

Все задачи соответствуют методичке Синергия: анализ → проектирование → разработка → экономика.

Объект и предмет исследования

• Объект: информационная система дистанционного обучения Тюменского государственного медицинского университета.
• Предмет: процесс автоматической проверки подлинности видеоматериалов с использованием ИНС.

Объект — где внедряется, предмет — что именно разрабатывается. Это не дублирует друг друга, а задаёт чёткую границу исследования.

Ожидаемые результаты и практическая значимость

После реализации:

• Снижение риска подмены лекционного контента на 85%.
• Автоматическая проверка видео за 3–5 сек. на 10-секундный фрагмент (на GPU).
• Интеграция с LMS Moodle через REST API.

Экономический эффект — сокращение трудозатрат сотрудников службы ИБ на 20 часов в месяц.

Рекомендуемая структура дипломной работы

Пример введения для Синергия

В условиях цифровизации образовательной среды Тюменского государственного медицинского университета возникает риск использования поддельных видеоматериалов (deepfake) для дезинформации и нарушения академической честности. Современные генеративные модели позволяют создавать реалистичные фальшивки, неразличимые для человека. Это ставит под угрозу доверие к лекционным материалам и повышает нагрузку на службы информационной безопасности.

Целью работы является разработка алгоритма детектирования поддельного видео на основе искусственных нейронных сетей для интеграции в LMS Moodle ТЮМГУ. Задачи включают анализ угроз, проектирование модели, сбор данных, обучение и оценку эффективности.

Объект исследования — информационная система дистанционного обучения ТЮМГУ. Предмет — процесс автоматической проверки подлинности видео. Методы: анализ, синтез, моделирование, машинное обучение. Информационная база — научные статьи, ГОСТ 34.602-2020, данные FF++.

Как написать заключение по Прикладная информатика

В ходе работы был проанализирован уровень угроз поддельного видео в образовательной среде. Разработана модель на основе XceptionNet с временной агрегацией признаков, достигнуто значение F1-score = 0.93 на тестовом датасете. Модель интегрирована в веб-интерфейс и протестирована на реальных сценариях.

Экономический эффект составил 120 тыс. руб. в год за счёт сокращения ручной проверки. Рекомендуется внедрить систему в пилотном режиме на факультете информатики ТЮМГУ с последующим масштабированием.

Требования к списку литератууры Синергия

Список оформляется по ГОСТ Р 7.0.100-2018. Минимум 20 источников, из них не менее 10% — за 2024–2026 гг. Источники группируются: законодательные акты, научная литература, интернет-ресурсы.

Примеры реальных источников:

• ГОСТ 34.602-2020. Информационная технология. Жизненный цикл программных средств. — https://docs.cntd.ru/document/1200179139
• Rössler, A. et al. (2019). FaceForensics++: Learning to Detect Manipulated Facial Images. — CVPR 2019
• Официальная документация TensorFlow: https://www.tensorflow.org/api_docs

Вопросы, которые часто задают студенты

Можно ли использовать готовые решения в ВКР?

Да, но с переработкой. Например, модель Xception можно взять из TensorFlow Hub, но нужно дообучить на своём датасете, изменить архитектуру и провести собственные тесты. Это соответствует требованиям Синергия и ГОСТ 34.602-2020.

Сколько страниц должна быть практическая часть?

Оптимально — 30–40 страниц. Включите: схему архитектуры, код, результаты обучения, графики метрик, скриншоты интерфейса. Главное — чтобы было понятно, что вы делали.

Можно ли использовать open-source решения?

Не только можно — нужно. TensorFlow, PyTorch, FF++ — всё это легально и поощряется. Главное — указать источники и показать, как вы адаптировали решение под задачу ТЮМГУ.

Проверьте свою тему ВКР

• □ Есть ли реальная организация для анализа? (ТЮМГУ — да)
• □ Есть ли измеримый эффект внедрения? (экономия времени — да)
• □ Можно ли построить диаграммы процессов? (да, IDEF0 для проверки видео)
• □ Есть ли реальные данные для экономических расчетов? (да, ФОТ ИБ-специалистов)