随着大数据时代的到来,人们普遍习惯于将本地数据上传到云服务端以减小存储压力,这就会导致在云服务器的多个节点上可能存在众多重复数据形成大量冗余,尤其是视频文件的存在,严重浪费存储资源和网络带宽,降低用户体验。由于云端的视频去重仍然处于起步阶段,传统的密码学哈希函数对具备感知语义特性的视频文件来说并不适用,利用视频关键帧进行重复性检测的技术只考虑了视频的空间特性而忽略了时间信息,导致去重结果精度较低,且用于证明安全性的所有权证明协议大多基于传统密码学函数和构建哈希树进行,存在安全性不高和空间资源浪费等问题。3D卷积神经网络作为一种端到端的深层识别结构,已经在图像检索等计算机视觉领域取得了很好的效果。为更好地描述视频的时空特征以提高删除效率,并防止用户隐私数据泄露或被篡改等安全问题的出现,本文采用双流的3D卷积神经网络结合三元组度量的方法构建重复视频检测方案及视频所有权证明方案。主要内容及取得的成果如下:1、为解决视频去重中精确度和效率不高等问题,提出一种基于三元组度量学习的3D CNN重复视频删除方案,对训练集中的视频数据以锚点视频、正视频、负视频的三元组形式进行处理。首先对视频序列进行裁剪、时域降采样、高斯平滑等预处理操作;其次利用I3D卷积神经网络提取双流时空特征并对其进行白化和加权处理,基于倒角相似度的思想计算视频与视频的帧间相似矩阵以更好地捕获视频的局部特征;然后将三元组形式表示的原视频放入3D卷积神经网络度量模型中进行训练;最后利用测试集进行验证,与基于I3D网络和EMD距离的重复视频检测模型从误报率、召回率和时间开销方面进行实验对比,分析结论可知,当阈值为3.6时,召回率可达97.1905%,而误报率仅为0.0743%,且具有较好的时间优势,整体优于I3D去重方案。除此之外,利用部分视频文件测试汉明距离、EMD距离和倒角相似距离的去重性能,结果表明倒角相似距离度量算法比其他两种具备更高的召回率和更低的误报率。2、为保证用户隐私及视频数据的安全性,提出一种基于随机块融合的视频所有权证明方案并对该方案进行安全性分析。首先由服务器端对视频进行预处理,并生成随机坐标参数集合来对每个视频帧进行相同尺寸的两次裁剪,将裁剪后的图像块进行混合参数α=0.5的Blend运算,构建图像块集合,提取特征生成验证标签,并将随机参数集合发送至客户端;接着由客户端根据服务器端发来的随机坐标参数集合和需要上传的视频文件进行与服务器端相同的图像混合运算,并利用I3D网络生成视频特征来作为所有权证据发送给服务器端;然后由服务器将验证标签和收到的所有权证据通过计算倒角相似距离进行比对,得到验证结果返回给客户端,验证通过后客户端方可上传数据;最后,通过实验验证该方案的可行性,根据所得结果,测试视频均可通过验证,且具有较小的时间开销和存储开销,表明该方案具备一定可行性,能够抵抗不法分子的欺骗攻击。