ГлавнаяАрхивЭффективное обнаружение стеганографически скрытой информации посредством интегрального классификатора на основе сжатия данных

Эффективное обнаружение стеганографически скрытой информации посредством интегрального классификатора на основе сжатия данных | Прикладная дискретная математика. 2018. № 40. DOI: 10.17223/20710410/40/5

Предлагается концепция интегрального классификатора, предназначенного для повышения точности методов стегоанализа, которые базируются на машинном обучении. Вместо одиночного классификатора, принимающего решение о пустоте или заполненности контейнера, предлагается обучать набор классификаторов, каждый из которых предназначен для обработки контейнеров с определёнными свойствами. В качестве реализации данной концепции представлен интегральный классификатор, основанный на сжатии данных, что подразумевает выбор отдельного классификатора из набора на основе коэффициентов сжатия контейнеров. Эффективность предлагаемого классификатора для решения задачи обнаружения скрытой информации экспериментально продемонстрирована для современных методов адаптивного внедрения HUGO, WOW и S-UNIWARD на изображениях-контейнерах из известной базы BOSSbase 1.01. Показано, что в зависимости от метода внедрения и количества скрываемой информации ошибку обнаружения можно снизить на 0,05-0,16 по сравнению с лучшими из известных результатов.
  • Title Эффективное обнаружение стеганографически скрытой информации посредством интегрального классификатора на основе сжатия данных
  • Headline Эффективное обнаружение стеганографически скрытой информации посредством интегрального классификатора на основе сжатия данных
  • Publesher Tomask State UniversityTomsk State University
  • Issue Прикладная дискретная математика 40
  • Date:
  • DOI 10.17223/20710410/40/5
Ключевые слова
compression, spatial rich model, projected spatial rich model, integral classifier, ensemble classifier, support vector machine, UNIWARD, WOW, HUGO, detection error, steganalysis, интегральный классификатор, ансамблевый классификатор, SRM-признаки, PSRM-признаки, метод опорных векторов, UNIWARD, WOW, HUGO, ошибка обнаружения, стегоанализ
Авторы
Ссылки
Monarev V. and Pestunov A. A known-key scenario for steganalysis and a highly accurate detector within it // Proc. 10th IEEE Intern. Conf. on Intelligent Inform. Hiding and Multimedia Signal Processing (IIH-MSP). 2014. Kitakyushu, Japan. IEEE. P. 175-178.
Pevny Т., Bas P., and Fridrich J. Steganalysis by subtractive pixel adjacency matrix // IEEE Trans. Inform. Forensics and Security. 2010. V. 5. No. 2. P. 215-224.
mattmahoney.net/dc/text.html - Large Text Compression Benchmark. 2017.
scikit-learn, org -scikit-learn: Machine Learning in Python. 2017.
Holub V. and Fridrich J. Designing steganographic distortion using directional filters // Proc. 4th IEEE Intern. Workshop on Inform. Forensics and Security (WIFS). 2012. Tenerife, Spain. IEEE. P. 234-239.
Holub V. and Fridrich J. Digital image steganography using universal distortion // Proc. 1st ACM Workshop on Inform. Hiding and Multimedia Security (IHMMSec). 2013. Montpellier, France. ACM. P. 59-68.
Pevny Т., Filler Т., and and Bas P. Using high-dimensional image models to perform highly undetectable steganography // LNCS. 2010. V.6387. P. 161-177.
Bas P., Filler Т., and Pevny T. Break our steganographic system - the ins and outs of organizing BOSS // LNCS. 2011. V.6958. P. 59-70.
Monarev V. and Pestunov A. A new compression-based method for estimating LSB replacement rate in color and grayscale images // Proc. 7th IEEE Intern. Conf. on Intelligent Inform. Hiding and Multimedia Signal Processing (IIH-MSP). 2011. Dalian, China. IEEE. P. 57-60
Boncelet С., Marvel L., and Raqlin A. Lossless compression-based steganalysis of LSB embedded images // Proc. 41st Ann. Conf. on Inform. Sciences and Systems (CISS). 2007. Baltimore, MD, USA. IEEE. P. 923-929.
Monapee В. А., Пестунов А. И. Повышение эффективности методов стегоанализа при помощи предварительной фильтрации контейнеров // Прикладная дискретная математика. 2016. №.2. С. 87-99.
Schottle P., KorffS., and Bohme R. Weighted stego-image steganalysis for naive content-adaptive embedding // Proc. 4th IEEE Intern. Workshop on Inform. Forensics and Security (WIFS). 2012. Tenerife, Spain. IEEE. P. 193-198.
Pevny Т., Fridrich J., and KerA. From blind to quantitative steganalysis // IEEE Trans. Inform. Forensics and Security. 2010. V. 7. No. 2. P. 445-454.
Cogranne R., Denemark Т., and Fridrich J. Theoretical model of the FLD ensemble classifier based on hypothesis testing theory // Proc. 6th IEEE Intern. Workshop on Inform. Forensics and Security (WIFS), 2014. Atlanta, GA, USA. IEEE. P. 167-172.
Menori М. and Munir R. Blind steganalysis for digital images using support vector machine method // Proc. IEEE Intern. Symp. Electronics and Smart Devices (ISESD). 2016. Bandung, Indonesia. IEEE. P. 132-136.
Борисенко Б. Б. Модификация карты Хотеллиига, нивелирующая влияние тренда, и её применение при обнаружении цифровых водяных знаков // Прикладная дискретная математика. 2010. №.2. С. 42-58.
Kodovsky J., Fridrich J., and Holub V. Ensemble classifiers for steganalysis of digital media // IEEE Trans. Inform. Forensics and Security. 2010. V. 7. No. 2. P. 434-444.
Holub V. and Fridrich J. Random projections of residuals for digital image steganalysis // IEEE Trans. Inform. Forensics and Security. 2013. V. 8. No. 12. P. 1996-2006.
Fridrich J. Rich models for steganalysis of digital images // IEEE Trans. Inform. Forensics and Security. 2012. V. 7. No. 3. P. 868-882.
Эффективное обнаружение стеганографически скрытой информации посредством интегрального классификатора на основе сжатия данных | Прикладная дискретная математика. 2018. № 40. DOI: 10.17223/20710410/40/5
Эффективное обнаружение стеганографически скрытой информации посредством интегрального классификатора на основе сжатия данных | Прикладная дискретная математика. 2018. № 40. DOI: 10.17223/20710410/40/5