2021, випуск 1, c. 74-85
Одержано 04.03.2021; Виправлено 11.03.2021; Прийнято 25.03.2021
Надруковано 30.03.2021; Вперше Online 03.04.2021
https://doi.org/10.34229/2707-451X.21.1.8
Попередня | Повний текст | Наступна
Про вплив параметрів зображень у форматі JPEG на точність їх стеганоаналізу
Н.В. Кошкіна 
Інститут кібернетики імені В.М. Глушкова НАН України, Київ
Листування: Ця електронна адреса захищена від спам-ботів. Вам потрібно увімкнути JavaScript, щоб побачити її.
Вступ. Наявні приклади протиправного використання комп’ютерної стеганографії доводять необхідність розвитку стеганоаналітичних методів і систем, як одного з важливих напрямків кібербезпеки. Перевагою стеганоаналітичних методів на базі машинного навчання є їх універсальність: вони не опираються на знання алгоритму вкраплення і можуть бути використані для виявлення широкого ряду стеганографічних методів. Проте, перш ніж бути застосованими для виявлення стеганоконтейнерів, вищезазначені методи потребують здійснення навчання на контейнерах, для яких точно відомо, містять вони приховані повідомлення чи ні. На цьому кроці дуже важливо розуміти як впливають на точність стеганоаналізу параметри досліджуваних контейнерів, зокрема такого поширеного варіанту як JPEG зображення. Адже невідповідність джерела контейнерів – відкрита проблема стеганоаналізу, що приводить до суттєвого зниження точності виявлення прихованих повідомлень після переміщення класифікатора з лабораторії до реального світу.
Мета роботи – дослідити вплив вмісту, розмірів і коефіцієнту якості JPEG зображень на точність їх стеганоаналізу, що виконується за статистичними методами на баз машинного навчання.
Результати. В процесі дослідження були виявлені наступні закономірності: 1) точність краща тоді, коли для навчання та контролю використовуються зображення з близьким відсотком придатних для приховування ДКП коефіцієнтів, 2) точніше за інші класифікуються зображення, які мають відносно невелику кількість придатних ДКП коефіцієнтів, 3) за умови використання змішаних навчальних вибірок (за вмістом чи параметрами) точність стеганоаналізу погіршується, 4) зі зменшенням коефіцієнту якості JPEG-зображень, точність їх стеганоаналізу зростає, 5) зі збільшенням розмірів зображень, точність їх стеганоаналізу зростає, 6) зображення, у яких під час попередньої обробки відбулася десинхронізація блоків, класифікуються більш точно, 7) черговість операцій попередньої обробки зображення впливає на точність його стеганоаналізу.
Висновки. Для задач стеганографії вибір JPEG-контейнерів із врахуванням виявлених закономірностей робить стеганографічні приховування більш стійкими до пасивних атак. Для задач стеганоаналізу їх урахування дозволяє більш точно інтерпретувати отримані результати.
Ключові слова: інформаційна безпека, стеганографія, стеганоаналіз, інтелектуальні комп’ютерні системи, машинне навчання, точність детектування.
Цитувати так: Кошкіна Н.В. Про вплив параметрів зображень у форматі JPEG на точність їх стеганоаналізу. Cybernetics and Computer Technologies. 2021. 1. С. 74–85. https://doi.org/10.34229/2707-451X.21.1.8
Список літератури
1. Holotyak T., Fridrich J., Voloshynovskyy, S. Blind statistical steganalysis of additive steganography using wavelet higher order statistics. Communications and Multimedia Security, 9th IFIP TC-6 TC-11 International Conference. 2005. P. 273–274. https://doi.org/10.1007/11552055_31
2. Pevny T., Bas P., Fridrich J. Steganalysis by subtractive pixel adjacency matrix. IEEE Transactions on information Forensics and Security. 2010. 5 (2). P. 215–224. https://doi.org/10.1145/1597817.1597831
3. Ker A. Steganalysis of LSB matching in grayscale images. IEEE Signal Processing Letters. 2005. 12 (6). P. 441– 444. https://doi.org/10.1109/LSP.2005.847889
4. Huang F., Shi Y.Q., Huang J. New JPEG steganographic scheme with high security performance. International Workshop on Digital Watermarking. 2010. 6526. P. 189–201. https://doi.org/10.1007/978-3-642-18405-5_16
5. Pevny T., Bas P., Fridrich J. Steganalysis by subtractive pixel adjacency matrix. IEEE Transactions on information Forensics and Security. 2010. 5 (2). P. 215–224. https://doi.org/10.1109/TIFS.2010.2045842
6. Xia Z., Wang X., Sun X., Wang B. Steganalysis of least significant bit matching using multi-order differences. Security and Communication Networks. 2014. 7 (8). P.1283–1291. https://doi.org/10.1002/sec.864
7. Zeng J., Tan S., Li B., Huang J. Large-Scale JPEG Image Steganalysis Using Hybrid Deep-Learning Framework. IEEE Transactions on Information Forensics and Security. 2018. 13 (5). Р. 1200–1214. https://doi.org/10.1109/TIFS.2017.2779446
8. Mustafa E.M., Elshafey M.A., Fouad M.M. Enhancing CNN-based Image Steganalysis on GPUs. Journal of Information Hiding and Multimedia Signal Processing. 2020. 11 (3). Р. 138–150. https://www.researchgate.net/publication/344140896_Enhancing_CNN-based_Image_Steganalysis_on_GPUs
9. Boroumand M., Chen M., Fridrich J. Deep Residual Network for Steganalysis of Digital Images. IEEE Transactions on Information Forensics and Security. 2019. 14 (5). P. 1181–1193. https://doi.org/10.1109/TIFS.2018.2871749
10. Kodovsky J., Fridrich J. Steganalysis in high dimensions: fusing classifiers built on random subspaces. Proc. SPIE, Electronic Imaging, Media, Watermarking, Security and Forensics XIII. 2011. 7880 (78800L). https://doi.org/10.1117/12.872279
11. Fridrich J., Kodovsky J. Rich Models for Steganalysis of Digital Images. IEEE Transactions on Information Forensics and Security. 2012. 7 (3). Р. 868–882. https://doi.org/10.1109/TIFS.2012.2190402
12. Holub V., Fridrich J. Random Projections of Residuals for Digital Image Steganalysis. IEEE Transactions on Information Forensics and Security. 2013. 8 (12). Р.1996–2006. https://doi.org/10.1109/TIFS.2013.2286682
13. Holub V., Fridrich J. Phase-Aware Projection Model for Steganalysis of JPEG Images. Proc. SPIE, Electronic Imaging, Media Watermarking, Security, and Forensics XVII. 2015. 9409. https://doi.org/10.1117/12.2075239
14. Li W., Zhou W., Zhang W., Qin C., Hu H., Yu N. Shortening the Cover for Fast JPEG Steganography. IEEE Transactions on Circuits and Systems for Video Technology. 2020. 30 (6). P. 1745–1757. https://doi.org/10.1109/TCSVT.2019.2908689
15. Progonov D. Statistical Steganalysis of Multistage Embedding Methods. International Journal “Information Models & Analyses”. 2016. 5 (1). Р. 23 –36.
16. Yang Y., Kong X., Wang B., Ren K., Guo Y. Steganalysis on Internet images via domain adaptive classifier Neurocomputing. 2019. 351. P. 205 –216. https://doi.org/10.1016/J.NEUCOM.2019.04.025
17. Корольов В.Ю., Поліновський В.В., Герасименко В.А., Горинштейн М.Л. Дослідження кольорових цифрових фотографій методами RS-стегоаналізу та статистики. Інформація і право. 2011. 3 (3). С. 102 – 110. http://dspace.nbuv.gov.ua/handle/123456789/39035
18. Kharrazi M., Sencar H.T., Memon N.D. Performance study of common image steganography and steganalysis techniques. Journal of Electronic Imaging. 2006. 15 (4). Р. 041104-1–16. https://doi.org/10.1117/1.2400672
19. Holub V., Fridrich J., Denemark T. Universal Distortion Function for Steganography in an Arbitrary Domain. EURASIP Journal on Information Security. 2014. 1. P. 1–13. https://doi.org/10.1186/1687-417X-2014-1
20. Kodovský J., Fridrich J., Holub V. Ensemble Classifiers for Steganalysis of Digital Media. IEEE Transactions on Information Forensics and Security. 2012. 7 (2). P. 432 – 444. https://doi.org/10.1109/TIFS.2011.2175919
21. Кошкіна Н.В. Дослідження основних компонентів систем JPEG-стеганоаналізу на базі машинного навчання. Захист інформації. 2020. 22 (2). С. 97–108. http://193.178.34.32/index.php/ZI/article/view/14801/21490
22. Song X., Liu F., Yang C., Luo X., Zhang Y. Steganalysis of Adaptive JPEG Steganography Using 2D Gabor Filters. Proceedings of the 3rd ACM Workshop on Information Hiding and Multimedia Security. ACM. 2015. P. 15–23. https://doi.org/10.1145/2756601.2756608
23. Holub V., Fridrich J. Low Complexity Features for JPEG Steganalysis Using Undecimated DCT. IEEE Transactions on Information Forensics and Security. 2015. 10 (2). P. 219 – 228. https://doi.org/10.1109/TIFS.2014.2364918
24. Koshkina N.V. Comparison of Efficiency of Statistical Models Used for Formation of Feature Vectors by JPEG Images Steganalysis. Theoretical and Applied Cybersecurity. 2 (2). P. 22–28. https://doi.org/10.20535/tacs.2664-29132020.1.209433
ISSN 2707-451X (Online)
ISSN 2707-4501 (Print)
Попередня | Повний текст | Наступна