Come confrontare due file per capire se sono davvero identici

Come confrontare due file per vedere se sono identici è una domanda che nasce in contesti molto diversi tra loro, dal giornalismo investigativo alla gestione quotidiana di progetti, passando per perizie informatiche, tutela del diritto d’autore e semplici dubbi personali. Spesso ci troviamo davanti a due documenti, due foto, due video o due archivi con nomi simili e ci chiediamo se siano la stessa cosa o se uno sia una copia modificata, rinominata o ricreata in modo indipendente. L’occhio umano è insufficiente: due immagini possono apparire identiche ma contenere metadati diversi, due PDF possono mostrare le stesse pagine con una firma digitale aggiunta in un secondo momento, due file audio possono essere stati normalizzati senza che il contenuto percepibile cambi. Per questo serve un metodo oggettivo, ripetibile e documentabile. La verifica tecnica si basa su due pilastri complementari: l’impronta crittografica del contenuto binario e l’analisi dei metadati tecnici che accompagnano il file. Il primo ci dice se i byte sono esattamente gli stessi, il secondo ci dice come, quando e con quali strumenti il file è stato creato o modificato. Solo mettendo insieme queste informazioni si ottiene una risposta solida, soprattutto quando la verifica deve essere spiegata a terzi.

La tentazione di fare un controllo visivo è forte e quasi sempre fuorviante. Aprire due foto affiancate e dire “sono uguali” non basta, perché la differenza può essere invisibile a occhio nudo ma rilevante dal punto di vista forense. Un cambio di un singolo bit, un rientro di riga diverso in un documento di testo, un aggiornamento del software di esportazione che riscrive l’header, sono modifiche che non si notano ma che rendono i file diversi a livello binario. Allo stesso modo, due file generati separatamente a partire dalla stessa sorgente, per esempio due esportazioni dello stesso progetto, possono essere perfettamente identici nella parte visibile e completamente diversi nella struttura interna. Per questo in ambito tecnico e legale si parla di identità binaria, non di somiglianza percettiva. È la differenza tra chiedere “sembrano uguali” e “sono uguali”.

Il modo più affidabile per verificare l’identità binaria è il confronto degli hash crittografici. Un hash è una stringa alfanumerica prodotta da una funzione matematica che prende in input l’intero contenuto del file e restituisce un’impronta di lunghezza fissa. Se anche un solo bit cambia, l’hash cambia in modo imprevedibile. Per questo si usano algoritmi come SHA-256, considerato lo standard attuale per la verifica di integrità, MD5, ancora diffuso per confronti rapidi anche se non più consigliato per sicurezza, e CRC32, utile per controlli veloci ma non crittograficamente sicuro. Confrontare due file significa quindi calcolare lo stesso algoritmo su entrambi e verificare che le stringhe coincidano carattere per carattere. Se SHA-256 di file A e file B è identico, i due file sono binariamente identici. Se differisce, sono diversi, punto. Questo principio è alla base della verifica di integrità di software, della distribuzione di aggiornamenti e dell’archiviazione a lungo termine.

Nella pratica quotidiana questo si traduce in esempi concreti. Due foto JPG scattate con lo stesso telefono nello stesso momento possono avere hash diverso se una è stata aperta e risalva con un editor che riscrive i metadati EXIF o comprime nuovamente l’immagine. Due video MP4 della stessa ripresa possono divergere per la presenza di un atom ‘moov’ riordinato, di sottotitoli incorporati o di una semplice rinomina del file. Due PDF con lo stesso testo possono avere hash diverso a causa di un timestamp di creazione diverso, di un font incorporato in modo diverso o di una firma digitale aggiunta. Anche gli archivi ZIP o RAR sono sensibili all’ordine dei file interni e al metodo di compressione. Per questo è utile sapere che FilesAudit supporta più di duecento formati, da immagini e video a documenti, CAD e codice sorgente, e consente di estrarre in modo rapido sia l’impronta che i metadati associati. La lista completa dei formati supportati è consultabile nella sezione dedicata ai formati supportati.

L’hash da solo non racconta tutta la storia. Due file possono avere hash diverso pur rappresentando lo stesso contenuto logico, e viceversa due file con hash identico possono avere storie di provenienza differenti se confrontati in momenti diversi. I metadati tecnici, come EXIF per le immagini, XMP e IPTC, informazioni di tracciatura per video e audio, proprietà del documento per PDF e DOCX, o dati di progetto per DWG e STL, aggiungono contesto. Un confronto completo prevede quindi due livelli: uguaglianza binaria tramite hash e analisi comparativa dei metadati. Ad esempio, se due JPG hanno hash diverso ma gli stessi valori EXIF di scatto, stessa risoluzione e stesso hash del payload visivo, è probabile che la differenza sia solo nei metadati descrittivi. Se invece i metadati di modifica indicano strumenti diversi o timestamp incoerenti, la differenza è significativa. Questo tipo di lettura è fondamentale in ambito giornalistico e legale, dove serve documentare non solo che i file differiscono, ma come e perché.

Ci sono casi in cui il confronto richiede attenzione interpretativa. La normalizzazione di un file audio, la conversione da RAW a JPG, la ridimensione di un’immagine, la riformattazione di un documento, sono operazioni che cambiano inevitabilmente l’hash pur mantenendo la sostanza visibile. Allo stesso modo, l’apertura di un file con un software che riscrive l’header, anche senza modifiche volute, produce un nuovo hash. Per questo è importante distinguere tra identità tecnica e equivalenza funzionale. La prima si dimostra con l’uguaglianza degli hash, la seconda richiede analisi aggiuntive, come il confronto dei metadati, l’estrazione del contenuto visivo o l’uso di strumenti di diff per testi. In contesti di