БЛОКЧЕЙН-ОРИЕНТИРОВАННАЯ МОДЕЛЬ ЭЛЕКТРОННОГО ГОЛОСОВАНИЯ С БИОМЕТРИЧЕСКОЙ ИДЕНТИФИКАЦИЕЙ ИЗБИРАТЕЛЕЙ И ЗАЩИТОЙ ОТ АТАК С ИСПОЛЬЗОВАНИЕМ ДИПФЕЙКОВ

В статье представлена и экспериментально апробирована модель электронной системы голосования, объединяющая децентрализованное хранение результатов на основе технологии блокчейн, биометрическую идентификацию избирателей и автоматическое обнаружение синтетически сгенерированных (deepfake) изображений лиц. Для проверки личности избирателя используются архитектуры Vision Transformer и ResNet-50, дообученные с применением метода Low-Rank Adaptation (LoRA). Дополнительная устойчивость к атакам с использованием подмены лица и синтетической генерации обеспечивается анализом входного изображения в частотной области с использованием быстрого преобразования Фурье (FFT). Для решения проблемы неизменяемости блокчейна предложен механизм контролируемого переголосования, основанный на самоудаляющихся бюллетенях и защищенных временных метках, при этом сами голоса фиксируются в смарт-контракте Ethereum. Экспериментальные результаты показали, что модель Vision Transformer с адаптацией LoRA достигает точности 97,36% при различении реальных и синтетических изображений лиц, значительно превосходя аналогичную модель ResNet-50. Предлагаемая система рассматривается как компонент цифровой инфраструктуры Smart City и может служить основой для дальнейших исследований в области биометрических протоколов с сохранением конфиденциальности и масштабируемых блокчейнплатформ для проведения выборов.

1. Hayath, T.M., Rajeev, D.V., Nihanth, R., Tharun, U.V., and Achutha, R. Digital Voting System with Face Recognition. International Journal of Scientific Research and Technology, 3 (1) (2026).

2. Dosovitskiy, A., Beyer, L., Kolesnikov, A., et al. An Image Is Worth 16×16 Words: Transformers for Image Recognition at Scale. In: Proceedings of the International Conference on Learning Representations (ICLR) (2021).

3. He, K., Zhang, X., Ren, S., and Sun, J. Deep Residual Learning for Image Recognition. In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp. 770–778 (2016).

4. Alkishri, W., et al. An Improved Dense CNN Architecture for Deepfake Image Detection. IEEE Access, 11, 22081–22095 (2023).

5. Sheikh, M.S., Kirtonia, U., Arthi, N.T., and Al-Imran, M. AI-Powered Deepfake Detection Using CNN and Vision Transformer Architectures. arXiv preprint arXiv:2601.01281 (2026).

6. Wang, Z., Cheng, Z., Xiong, J., Xu, X., Li, T., Veeravalli, B., and Yang, X. A Timely Survey on Vision Transformer for Deepfake Detection. arXiv preprint arXiv:2405.08463 (2024).

7. Frank, J., Eisenhofer, T., Schönherr, L., Fischer, A., Kolossa, D., and Holz, T. Leveraging Frequency Analysis for Deep Fake Image Recognition. In: Proceedings of the International Conference on Machine Learning (ICML), PMLR, pp. 3247–3258 (2020).

8. Tan, C., Zhao, Y., Wei, S., Gu, G., Liu, P., and Wei, Y. Frequency-Aware Deepfake Detection: Improving Generalizability through Frequency Space Domain Learning. In: Proceedings of the AAAI Conference on Artificial Intelligence, 38, 5052–5060 (2024).

9. Nakamoto, S. Bitcoin: A Peer-to-Peer Electronic Cash System (2008). https://bitcoin.org

10. Ohize, H.O., Dogo, E.M., Onumanyi, A.J., Ibrahim, M.M., et al. Blockchain for Securing Electronic Voting Systems: A Survey of Architectures, Trends, Solutions, and Challenges. Cluster Computing, 28, Article No. 132 (2025).

11. Jafar, U., Ab Aziz, M.J., Shukur, Z., and Hussain, H.A. A Systematic Literature Review and MetaAnalysis on Scalable Blockchain-Based Electronic Voting Systems. Sensors, 22 (19), Article No. 7585 (2022).

12. Gandhi, S.S., Kiwelekar, A.W., Netak, L.D., and Wankhede, H.S. Security Requirement Analysis of Blockchain-Based E-Voting Systems. In: Intelligent Communication Technologies and Virtual Mobile Networks, Springer (2023).

13. Sharp, M., Njilla, L., Huang, C.-T., and Geng, T. Blockchain-Based E-Voting Mechanisms: A Survey and a Proposal. Network, 4 (4), 426–442 (2024).

14. El Kafhali, S., et al. Blockchain-Based Electronic Voting System: Significance and Requirements. Mathematical Problems in Engineering, 2024, Article No. 5591147 (2024).

15. Wang, B., Guo, F., Liu, Y., Li, B., and Yuan, Y. An Efficient and Versatile E-Voting Scheme on Blockchain. Cybersecurity, 7, Article No. 62 (2024).

16. Ghosh, V., and Gupta, H. A Blockchain-Based E-Voting System for Secure and Transparent Elections. In: ICT Systems and Sustainability (ICT4SD 2024), Lecture Notes in Networks and Systems, 1163, Springer, pp. 163–173 (2025).

17. Hajian Berenjestanaki, M., Barzegar, H.R., et al. Blockchain-Based E-Voting Systems: A Technology Review. Electronics, 13 (1), Article No. 17 (2024).

18. Paudel, S., Poudel, A., and Paudel, S. Enhancing Electoral Integrity and Accessibility: A Blockchain and Facial Recognition-Based Electronic Voting System. Information Dynamics and Applications, 4 (2), 85– 94 (2025).

19. Aidynov, T., Goranin, N., Satybaldina, D., and Nurusheva, A. A Systematic Literature Review of Current Trends in Electronic Voting System Protection Using Modern Cryptography. Applied Sciences, 14, Article No. 2742 (2024). (Authors’ own prior work; cited here as a self-citation.)

20. Vaswani, A., Shazeer, N., Parmar, N., et al. Attention Is All You Need. In: Advances in Neural Information Processing Systems, 30, 5998–6008 (2017).

21. Hu, E.J., Shen, Y., Wallis, P., et al. LoRA: Low-Rank Adaptation of Large Language Models. arXiv preprint arXiv:2106.09685 (2021).

22. Deng, J., Guo, J., Xue, N., and Zafeiriou, S. ArcFace: Additive Angular Margin Loss for Deep Face Recognition. In: Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), pp. 4690–4699 (2019)