فهرست نشریات علمی دسترسی آزاد ایران

پیشینه و اهداف: یکی از چالش‌های بزرگ در صنعت بیمه، مقابله با تقلب در فرایند اعلام خسارت‌هاست که به‌ویژه در روش‌های دیجیتالی، از جمله ارسال عکس‌های خسارت از طریق اپلیکیشن‌ها، به چشم می‌خورد و به نظر می‌رسد صنعت بیمه بیش از هر زمان دیگری به بررسی روش‌های کشف تقلب نوین و نیز ایمن‌سازی اطلاعات نیاز دارد. همچنین امنیت و اصالت اطلاعات مکانی و زمانی تصاویر ارسالی از طریق اپلیکیشن نقش مهمی در کاهش تقلب دارد. در این پژوهش، روشی نوین ارائه شده است که با استفاده از تکنیک پنهان‌نگاری‌، اطلاعات مکانی و زمانی عکس‌های ارسالی ازسوی بیمه‌گذاران رمزنگاری و مستقیماً در فایل تصویر جاسازی شده، سپس در مقصد رمزگشایی می‌شود. این رویکرد نه‌تنها امکان احراز اصالت اطلاعات ارائه‌شده را افزایش می‌دهد، بلکه امنیت داده‌ها را نیز تضمین می‌کند و خطر تقلب را کاهش می‌دهد. پیاده‌سازی این روش می‌تواند به بهبود اعتماد بین بیمه‌گر و بیمه‌گذار و کاهش هزینه‌های ناشی از تخلفات کمک کند. روش‌شناسی: در این پژوهش، از رویکرد استگانوگرافی مبتنی بر شبکه‌های مولد متخاصم (GAN) برای جاسازی اطلاعات مکانی و زمانی تصاویر خسارت استفاده شده است ابتدا اطلاعات مربوط به زمان و مکان عکس با استفاده از الگوریتم رمزنگاری AES-GCM رمزنگاری شده تا امنیت داده‌های حساس تضمین شود. برای ارزیابی سیستم، داده‌های پنهان‌شده از تصاویر استخراج و با داده‌های اصلی مقایسه شدند. سیستم روی یک مجموعه دادة 100تایی از تصاویر خسارت بیمه‌ای خودرو آزمایش و سه روش مقایسه‌ای بررسی شد. روش پایه (LSB)، استگانوگرافی مبتنی بر شبکه‌های مولد متخاصم، و ترکیب شبکه‌های مولد متخاصم با رمزنگاری AES-GCM. معیارهای ارزیابی شامل کیفیت تصویر (PSNR)، ظرفیت پنهان‌سازی (SSIM)، میانگین خطای بیت تحت حملات استاندارد و نرخ تشخیص دستکاری در فراداده‌ها محاسبه شد. یافته‌ها: در این پژوهش مشخص شد تصاویر حاوی داده‌های پنهان میانگین PSNR برابر با 41 dB داشتند که نشان‌دهندة حفظ کیفیت بصری بالای تصاویر است. روش شبکه‌های مولد متخاصم، میانگین PSNR ≈ 40.6 ± 0.8 dB (در مقابل 36.7 ± 1.1 dB برای روش پایه) و SSIM بالاتری نشان داد؛ میانگین BER در برابر فشرده‌سازی و نویز برای شبکه‌های مولد متخاصم تقریباً نصف روش پایه بود (به‌ترتیب ≈19–12% در برابر ≈34–29%). افزودن AES-GCM تأثیری بر کیفیت تصویری نداشت، اما امنیت انتها– به– انتها را افزایش داد. آزمون t زوجی نشان داد این تفاوت از نظر آماری در سطح اطمینان ۹۵٪ معنادار است (p < 0.001). در آزمون‌های دستکاری ‌فراداده در آزمایش حاضر، در مجموعه دادة آزمایشی 100 تصویری، تمامی موارد دستکاری فراداده (meta data) با موفقیت شناسایی شد. زمان پردازش میانگین پیاده‌سازی موبایلی برای کل زنجیرة رمزنگاری+جاسازی تقریباً 2 ثانیه در هر تصویر بود. نتیجه‌گیری: این پژوهش نشان داد که استفاده از استگانوگرافی مبتنی بر یادگیری عمیق می‌تواند چالش‌های امنیتی در فرایند اعلام خسارت آنلاین را برطرف کند. روش پیشنهادی ضمن تضمین کیفیت و امنیت تصاویر، امکان تأیید صحت اطلاعات مکانی و زمانی را فراهم می‌کند و می‌تواند به کاهش تقلب در بیمه کمک شایان توجهی کند. نتایج نشان می‌دهد که ترکیب استگانوگرافی مبتنی بر روش پیشنهادی با AES-GCM بهترین تعادل بین کیفیت تصویری، پایداری در برابر حملات و قابلیت تشخیص دستکاری ‌فراداده را فراهم می‌آورد.