ДИПФЕЙККЕ ҚАРСЫ АУТЕНТИФИКАЦИЯСЫ БАР БИОМЕТРИЯЛЫҚ САЙЛАУШЫНЫ СӘЙКЕСТЕНДІРУГЕ НЕГІЗДЕЛГЕН БЛОКЧЕЙН ЭЛЕКТРОНДЫҚ ДАУЫС БЕРУ МОДЕЛІ

Мақалада блокчейн технологиясына негізделген дауыс беру нәтижелерін орталықтандырылмаған түрде сақтау, сайлаушыларды биометриялық сәйкестендіру және синтетикалық (deepfake) бет кескіндерін автоматты анықтау мүмкіндіктерін біріктіретін электрондық дауыс беру моделі ұсынылып, тәжірибелік тұрғыда расталған. Сайлаушының жеке басын тексеру үшін Low-Rank Adaptation (LoRA) әдісі арқылы бейімделген Vision Transformer және ResNet-50 архитектуралары қолданылады. Сонымен қатар бет ауыстыру (face swap) және синтетикалық генерациялау шабуылдарына төзімділікті арттыру мақсатында кіріс кескініне жылдам Фурье түрлендіруі (FFT) негізіндегі жиіліктік талдау жүргізіледі. Блокчейннің өзгермейтін табиғатына байланысты қайта дауыс беру мәселесін шешу үшін өзін-өзі жоятын бюллетеньдер мен қорғалған уақыт белгілеріне негізделген бақыланатын қайта дауыс беру механизмі ұсынылған. Дауыстар Ethereum смарт-келісімшарты арқылы тіркеледі. Эксперимент нәтижелері бойынша LoRA әдісімен бейімделген Vision Transformer моделі нақты және синтетикалық бет кескіндерін ажыратуда 97,36 % дәлдікке қол жеткізіп, LoRA арқылы бейімделген ResNet-50 моделінен айтарлықтай жоғары нәтиже көрсетті. Ұсынылған жүйе Smart City цифрлық инфрақұрылымының құрамдас бөлігі ретінде қарастырылып, құпиялылықты сақтайтын биометриялық хаттамалар мен сайлау процестеріне арналған ауқымды блокчейн платформаларын дамытуға негіз бола алады.

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)