用字节级生成模型预测丢失的图像片段，提升数字取证中的文件恢复能力。
Byte-level generative predictions for forensics multimedia carving
- 采用字节级Transformer模型bGPT进行下一字节预测，实现碎片续写。
- 在部分BMP数据上生成结果，与真实数据的相似度达0.87以上。
- 适合需要恢复无元数据多媒体文件的数字取证人员使用。
数字取证中常面临从无文件系统元数据的碎片中恢复多媒体文件的挑战。传统文件挖掘依赖签名和判别式深度学习模型进行片段分类，但无法重建或预测缺失数据。本文提出一种基于bGPT的生成式多媒体挖掘方法，该模型为字节级Transformer，用于下一字节预测。将部分BMP图像数据输入模型后，可模拟出可能的片段延续。通过余弦相似度、结构相似性指数（SSIM）、卡方距离和Jensen-Shannon散度（JSD）等指标评估预测结果的保真度。实验表明，生成模型能有效预测字节级模式，支持未分配磁盘空间中的片段匹配。
原文摘要 · Abstract (English)
Digital forensic investigations often face significant challenges when recovering fragmented multimedia files that lack file system metadata. While traditional file carving relies on signatures and discriminative deep learning models for fragment classification, these methods cannot reconstruct or predict missing data. We propose a generative approach to multimedia carving using bGPT, a byte-level transformer designed for next-byte prediction. By feeding partial BMP image data into the model, we simulate the generation of likely fragment continuations. We evaluate the fidelity of these predictions using different metrics, namely, cosine similarity, structural similarity index (SSIM), chi-square distance, and Jensen-Shannon divergence (JSD). Our findings demonstrate that generative models can effectively predict byte-level patterns to support fragment matching in unallocated disk space.
Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。