本文针对实时深度伪造（real-time deepfake）驱动的语音与视频冒充攻击，提出了一套名为 DF-CAPTCHA 的主动防御框架。研究背景是：随着实时换脸与语音克隆模型推理延迟不断降低，攻击者已能在通话过程中实时伪装成他人身份，用于 CEO 诈骗、商务邮件诈骗（BEC）、客服冒充等社会工程场景。传统的被动检测思路是搜寻合成媒体留下的伪影（artifacts）或统计特征，但论文指出这类方法在实时通话中既容易被新的生成模型规避，也超出了普通人的辨别能力——用户研究显示，人在无辅助条件下很难把实时深度伪造与真实音视频区分开。 核心方法上，作者把 CAPTCHA（人机区分验证）的思想迁移到实时通话场景：不再被动找破绽，而是由系统主动向呼叫方下发简单、自然的挑战-应答任务（challenge-response），这类任务对真人来说容易完成，但对当前的实时深度伪造系统来说难以在通话时延约束下生成足够可信的响应。验证环节综合四项准则：真实性（合成痕迹与自然度）、身份一致性（响应是否与声称身份相符）、任务完成度（是否真正按要求完成交互任务）、以及响应时间（时延分布是否符合真人特征）。四项准则的组合用于降低单一信号被绕过或误判的风险。 评估方面，论文在音频与视频两种模态上分别开展用户研究与针对真实实时深度伪造模型的实验。结果显示：人类自身的辨别表现较差；而 DF-CAPTCHA 相比被动检测方法显著提升识别性能，并在两种模态上均达到较高准确率。作者据此认为，基于主动挑战的验证是应对下一代实时深伪社会工程攻击的一条实用且鲁棒的防御路径。本文适合从事身份验证、反欺诈、呼叫中心与视频会议安全、以及深度伪造检测方向的研究者与工程团队阅读。

该论文提出了一种针对大视频文件的同时压缩与加密系统（SDCE），旨在解决传统压缩和加密方法计算开销大、处理时间长、不适合实时应用的问题。核心方法是将基于混沌映射的加密与霍夫曼无损编码压缩整合到一个统一框架中：利用逻辑映射生成伪随机混沌序列用于XOR加密，确保强安全性；同时采用霍夫曼编码进行无损压缩，显著降低计算开销和处理时间。实验结果显示，与现有方法相比，该系统在熵值、雪崩效应、吞吐量、压缩比、峰值信噪比（PSNR）、每速率位数（BPC）以及数据损失百分比等指标上均表现出更优性能，有效增强数据隐私和完整性。该研究适用于需要高安全性和实时性的大视频文件传输场景。