Стеганоаналіз J-UNIWARD

Розглянуто проблему виявлення адаптивної стеганографії за методом J-UNIWARD стеганоаналітичними системами на базі машинного навчання. За допомогою порівняльного аналізу точності визначено, що найбільш чутливими до J-UNIWARD є статистичні моделі побудови характеристичних векторів, що формуються у про...

Ausführliche Beschreibung

Gespeichert in:

Bibliographische Detailangaben
Datum:	2021
1. Verfasser:	Кошкіна, Н.В.
Format:	Artikel
Sprache:	Ukrainian
Veröffentlicht:	Інститут кібернетики ім. В.М. Глушкова НАН України 2021
Schriftenreihe:	Кібернетика та системний аналіз
Schlagworte:	Нові засоби кібернетики, інформатики, обчислювальної техніки та системного аналізу
Online Zugang:	http://dspace.nbuv.gov.ua/handle/123456789/190711
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!
Назва журналу:	Digital Library of Periodicals of National Academy of Sciences of Ukraine
Zitieren:	Стеганоаналіз J-UNIWARD / Н.В. Кошкіна // Кібернетика та системний аналіз. — 2021. — Т. 57, № 3. — С. 184–192. — Бібліогр.: 15 назв. — укр.

Institution

Digital Library of Periodicals of National Academy of Sciences of Ukraine

id	irk-123456789-190711
record_format	dspace
spelling	irk-123456789-1907112023-06-20T15:34:25Z Стеганоаналіз J-UNIWARD Кошкіна, Н.В. Нові засоби кібернетики, інформатики, обчислювальної техніки та системного аналізу Розглянуто проблему виявлення адаптивної стеганографії за методом J-UNIWARD стеганоаналітичними системами на базі машинного навчання. За допомогою порівняльного аналізу точності визначено, що найбільш чутливими до J-UNIWARD є статистичні моделі побудови характеристичних векторів, що формуються у просторовій зоні, GFR, PHARM та DCTR. Запропоновано два способи підвищення точності стеганоаналізу з використанням цих моделей: аналіз найбільш імовірних місцеположень вкраплення; зважене голосування за трьома моделями. Показано, що без попередньої класифікації зображень згідно з їхніми параметрами точність стеганоаналізу суттєво знижується. Отримані результати можна використовувати для побудови ефективних систем стеганоаналізу зображень у форматі JPEG. Рассмотрена проблема выявления адаптивной стеганографии по методу J-UNIWARD стеганоаналитическими системами на базе машинного обучения. С помощью сравнительного анализа точности определено, что наиболее чувствительны к J-UNIWARD статистические модели построения характеристических векторов, формируемых в пространственной зоне, GFR, PHARM и DCTR. Предложены два способа повышения точности стеганоанализа с использованием этих моделей: анализ наиболее вероятных местоположений внедрения; взвешенное голосование по трем моделям. Показано, что без предварительной классификации изображений согласно их параметрам точность стеганоанализа существенно понижается. Полученные результаты можно использовать для построения эффективных систем стеганоанализа изображений в формате JPEG. The author analyzes the problem of detecting adaptive steganography by the J-UNIWARD method by steganoanalytical systems based on machine learning. A comparative analysis of the accuracy has determined that statistical models of constructing characteristic vectors that are calculated in the spatial domain, such as GFR, PHARM and DCTR, are most sensitive to J-UNIWARD. Two ways to improve the accuracy of steganoanalysis based on these models are proposed: via the analysis of the most probable embedding locations and via the balanced vote on the three models. Significant degradation of the accuracy of steganoanalysis without preliminary classification of images according to their parameters is demonstrated. The obtained results can be used to generate efficient steganoanalysis systems for JPEG images. 2021 Article Стеганоаналіз J-UNIWARD / Н.В. Кошкіна // Кібернетика та системний аналіз. — 2021. — Т. 57, № 3. — С. 184–192. — Бібліогр.: 15 назв. — укр. 1019-5262 http://dspace.nbuv.gov.ua/handle/123456789/190711 004.056; 004.415.24 uk Кібернетика та системний аналіз Інститут кібернетики ім. В.М. Глушкова НАН України
institution	Digital Library of Periodicals of National Academy of Sciences of Ukraine
collection	DSpace DC
language	Ukrainian
topic	Нові засоби кібернетики, інформатики, обчислювальної техніки та системного аналізу Нові засоби кібернетики, інформатики, обчислювальної техніки та системного аналізу
spellingShingle	Нові засоби кібернетики, інформатики, обчислювальної техніки та системного аналізу Нові засоби кібернетики, інформатики, обчислювальної техніки та системного аналізу Кошкіна, Н.В. Стеганоаналіз J-UNIWARD Кібернетика та системний аналіз
description	Розглянуто проблему виявлення адаптивної стеганографії за методом J-UNIWARD стеганоаналітичними системами на базі машинного навчання. За допомогою порівняльного аналізу точності визначено, що найбільш чутливими до J-UNIWARD є статистичні моделі побудови характеристичних векторів, що формуються у просторовій зоні, GFR, PHARM та DCTR. Запропоновано два способи підвищення точності стеганоаналізу з використанням цих моделей: аналіз найбільш імовірних місцеположень вкраплення; зважене голосування за трьома моделями. Показано, що без попередньої класифікації зображень згідно з їхніми параметрами точність стеганоаналізу суттєво знижується. Отримані результати можна використовувати для побудови ефективних систем стеганоаналізу зображень у форматі JPEG.
format	Article
author	Кошкіна, Н.В.
author_facet	Кошкіна, Н.В.
author_sort	Кошкіна, Н.В.
title	Стеганоаналіз J-UNIWARD
title_short	Стеганоаналіз J-UNIWARD
title_full	Стеганоаналіз J-UNIWARD
title_fullStr	Стеганоаналіз J-UNIWARD
title_full_unstemmed	Стеганоаналіз J-UNIWARD
title_sort	стеганоаналіз j-uniward
publisher	Інститут кібернетики ім. В.М. Глушкова НАН України
publishDate	2021
topic_facet	Нові засоби кібернетики, інформатики, обчислювальної техніки та системного аналізу
url	http://dspace.nbuv.gov.ua/handle/123456789/190711
citation_txt	Стеганоаналіз J-UNIWARD / Н.В. Кошкіна // Кібернетика та системний аналіз. — 2021. — Т. 57, № 3. — С. 184–192. — Бібліогр.: 15 назв. — укр.
series	Кібернетика та системний аналіз
work_keys_str_mv	AT koškínanv steganoanalízjuniward
first_indexed	2025-07-16T13:46:12Z
last_indexed	2025-07-16T13:46:12Z
_version_	1837811444656111616
fulltext	Í.Â. ÊÎØÊ²ÍÀ ÓÄÊ 004.056; 004.415.24 ÑÒÅÃÀÍÎÀÍÀË²Ç J-UNIWARD Àíîòàö³ÿ. Ðîçãëÿíóòî ïðîáëåìó âèÿâëåííÿ àäàïòèâíî¿ ñòåãàíîãðàô³¿ çà ìå- òîäîì J-UNIWARD ñòåãàíîàíàë³òè÷íèìè ñèñòåìàìè íà áàç³ ìàøèííîãî íà- â÷àííÿ. Çà äîïîìîãîþ ïîð³âíÿëüíîãî àíàë³çó òî÷íîñò³ âèçíà÷åíî, ùî íàé- á³ëüø ÷óòëèâèìè äî J-UNIWARD º ñòàòèñòè÷í³ ìîäåë³ ïîáóäîâè õàðàêòåðèñ- òè÷íèõ âåêòîð³â, ùî ôîðìóþòüñÿ ó ïðîñòîðîâ³é çîí³, — GFR, PHARM òà DCTR. Çàïðîïîíîâàíî äâà ñïîñîáè ï³äâèùåííÿ òî÷íîñò³ ñòåãàíîàíàë³çó ç âèêî- ðèñòàííÿì öèõ ìîäåëåé: àíàë³ç íàéá³ëüø ³ìîâ³ðíèõ ì³ñöåïîëîæåíü âêðàïëåííÿ; çâàæåíå ãîëîñóâàííÿ çà òðüîìà ìîäåëÿìè. Ïîêàçàíî, ùî áåç ïîïåðåäíüî¿ êëà- ñèô³êàö³¿ çîáðàæåíü çã³äíî ç ¿õí³ìè ïàðàìåòðàìè òî÷í³ñòü ñòåãàíîàíàë³çó ñóòòºâî çíèæóºòüñÿ. Îòðèìàí³ ðåçóëüòàòè ìîæíà âèêîðèñòîâóâàòè äëÿ ïîáóäî- âè åôåêòèâíèõ ñèñòåì ñòåãàíîàíàë³çó çîáðàæåíü ó ôîðìàò³ JPEG. Êëþ÷îâ³ ñëîâà: ³íôîðìàö³éíà áåçïåêà, ñòåãàíîãðàô³ÿ, J-UNIWARD, ñòåãà- íîàíàë³ç, ìåòîäè ç íàâ÷àííÿì òà êëàñèô³êàö³ºþ, òî÷í³ñòü äåòåêòóâàííÿ. ÂÑÒÓÏ Ñòåãàíîãðàô³ÿ òà ñòåãàíîàíàë³ç âçàºìîïîâ’ÿçàí³ — íîâ³ ðåçóëüòàòè â îäí³é ³ç äèñöèïë³í ñòèìóëþþòü äîñë³äíèê³â äî ïîêðàùåííÿ äîñÿãíåíü â ³íø³é. Íà ïî- ÷àòêó ðîçâèòêó ñòåãàíîãðàô³¿ áóëî äîñòàòíüî â³çóàëüíî¿ íåïîì³òíîñò³ ïðèõîâà- íèõ ïîâ³äîìëåíü, íà ñüîãîäí³ ñòåãàíîãðàô³÷íå âòðó÷àííÿ çàçâè÷àé â³äñë³äêîâó- þòü çà çì³íîþ ñòàòèñòè÷íèõ ïîêàçíèê³â. ×èì ñêëàäí³øå âòðó÷àííÿ, òèì á³ëüøå äëÿ éîãî âèÿâëåííÿ â³äñòåæóþòü âçàºìîçâ’ÿçê³â, çàä³þþòü ð³çíèõ ïî- êàçíèê³â òà âðàõîâóþòü îñîáëèâîñòåé. Ïðîòå ñòåãàíîàíàë³ç ÿê äèñöèïë³íà, âè- íèêíåííÿ ÿêî¿ áóëî ñïðè÷èíåíå íàÿâí³ñòþ ñòåãàíîãðàô³¿, çàãàëîì ðîçâèâàºòüñÿ ³ç ïåâíèì â³äñòàâàííÿì. Ïîñòàº ïèòàííÿ: íàñê³ëüêè áåçïå÷íèì íàðàç³ º âèêî- ðèñòàííÿ íàéñó÷àñí³øèõ ìåòîä³â êîìï’þòåðíî¿ ñòåãàíîãðàô³¿? Äîñë³äèìî öþ ïðîáëåìó íà ïðèêëàä³ ñòåãàíîàíàë³çó ìåòîäó J-UNIWARD (UNIWARD ó çà- ñòîñóâàíí³ äî JPEG-êîíòåéíåð³â). ÎÏÈÑ ÌÅÒÎÄÓ UNIWARD UNIWARD º îäíèì ç íîâèõ êîíòåíò-àäàïòèâíèõ ìåòîä³â êîìï’þòåðíî¿ ñòåãà- íîãðàô³¿, ÿêèé çàïðîïîíîâàíî ó 2013 ð. [1]. Éîãî ìîæíà âèêîðèñòîâóâàòè ÿê äëÿ ïðîñòîðîâîãî, òàê ³ ÷àñòîòíîãî ïðåäñòàâëåííÿ çîáðàæåííÿ. Îñíîâíà ³äåÿ UNIWARD ïîëÿãàº ó ïðèõîâàíí³ äàíèõ ó òåêñòóðîâàíèõ ³ çàøóìëåíèõ ä³ëÿí- êàõ (ÿê³ ñêëàäíî çìîäåëþâàòè ó áóäü-ÿêîìó íàïðÿìêó), îìèíàþ÷è ïðè öüîìó ãëàäê³ çîíè òà ÷³òê³ êðà¿. Äëÿ âèçíà÷åííÿ ïðèäàòíî¿ ä³ëÿíêè ââîäÿòü óí³âåð- ñàëüíó ôóíêö³þ ñïîòâîðåííÿ, ùî ðîçðàõîâóºòüñÿ ó âåéâëåò-çîí³ (çâ³äêè ïîõî- äèòü íàçâà ìåòîäó — Universal Wavelet Relative Distortion). Çîáðàæåííÿ Õ ðîçì³ðàìè n n1 2� ô³ëüòðóºòüñÿ íàáîðîì íàïðÿìëåíèõ ë³í³éíèõ ³íâàð³àíòíèõ äî çñóâó ô³ëüòð³â B K K K� { ( ) ( ) ( ), , }1 2 3 , ùî âèêîðèñòîâó- þòü äëÿ îö³íþâàííÿ éîãî ãëàäêîñò³ ó ãîðèçîíòàëüíîìó, âåðòèêàëüíîìó òà ä³àãî- íàëüíîìó íàïðÿìêàõ, ³ îá÷èñëþþòü íàïðÿìëåí³ çàëèøêè W K Xk k( ) ( )� � , äå � — äçåðêàëüíà çãîðòêà. Ó çàãàëüíîìó âèïàäêó ô³ëüòðè ìîæóòü áóòè áóäü-ÿê³, àëå àâ- òîðè ìåòîäó âèêîðèñòîâóþòü âåéâëåò-äåêîìïîçèö³þ íà áàç³ âåéâëåòà Äîáåø³ 184 ISSN 1019-5262. Ê³áåðíåòèêà òà ñèñòåìíèé àíàë³ç, 2021, òîì 57, ¹ 3 © Í.Â. Êîøê³íà, 2021 8-ãî ïîðÿäêó. ßêùî öå JPEG, òî çîáðàæåííÿ ñïî÷àòêó ðîçïàêîâóºòüñÿ ó ïðîñòî- ðîâó çîíó, à ïîò³ì ô³ëüòðóºòüñÿ. Ùîá ðîçðàõóâàòè óí³âåðñàëüíó ôóíêö³þ ñïîòâî- ðåííÿ, âêàçàí³ îïåðàö³¿ çä³éñíþþòü äëÿ ïàðè Õ — ïóñòèé êîíòåéíåð òà Y — òîé ñàìèé êîíòåéíåð, àëå ç ïðèõîâàíèì ïîâ³äîìëåííÿì. Ñàìà ôóíêö³ÿ º ñóìîþ â³äíîñ- íèõ çì³í óñ³õ âåéâëåò-êîåô³ö³ºíò³â ï³ñëÿ ñòåãàíîïåðåòâîðåííÿ çîáðàæåííÿ: D X Y W X W Y W Xk u n u k u k u k ( , ) \| ( ) ( ) \| \| ( ( ) ( ) ( ) � � �� 1 3 1 1 � � �� ) \|�� 1 2n , (1) äå � � 0 — ñòàá³ë³çàö³éíà êîíñòàíòà, ÿêà çàïîá³ãàº ä³ëåííþ íà íóëü. Â³äíîøåííÿ (1) º íàéìåíøèì ó ðàç³ çì³íè âåëèêîãî çà çíà÷åííÿì âåéâëåò- êîåô³ö³ºíòà çîáðàæåííÿ, òîáòî â çîíàõ, äå ç’ÿâëÿþòüñÿ òåêñòóðà òà êðà¿. Âîäíî÷àñ ïðèõîâóâàòè äàí³ íå ðåêîìåíäóþòü â ä³ëÿíêàõ, äå çíà÷åííÿ \| ( ) \|( )W Xu k � º ìàëèì õî÷à á äëÿ îäíîãî ç òðüîõ k, áî öå â³äïîâ³äàº íàïðÿìêó, âçäîâæ ÿêîãî êîíòåíò ìîæå áóòè çìîäåëüîâàíèì (ùî äîïîìîæå ó äåòåêòóâàíí³ ñòåãàíîâêëàäêè). Çàóâàæèìî, ùî óí³âåðñàëüíà ôóíêö³ÿ ñïîòâîðåííÿ º íåàäèòèâíîþ. Çì³íà ï³êñåëÿ â ïðîñòîðîâ³é çîí³ âïëèíå íà îê³ë s s� âåéâëåò-êîåô³ö³ºíò³â, äå s — ê³ëüê³ñòü âàãîâèõ êîåô³ö³ºíò³â ô³ëüòðà. Çîêðåìà, äëÿ âåéâëåòà Äîáåø³ 8-ãî ïî- ðÿäêó ìàºìî âïëèâ íà 16 16� êîåô³ö³ºíò³â. Äëÿ JPEG-ñòåãàíîãðàô³¿ çì³íà êîåô³ö³ºíòà äèñêðåòíîãî êîñèíóñíîãî ïåðåòâîðåííÿ (ÄÊÏ) âïëèíå íà áëîê 8 8� ï³êñåë³â òà â³äïîâ³äíî íà ( ) ( )8 1 8 1� � � � �s s âåéâëåò-êîåô³ö³ºíò³â. Ó ðàç³ çì³íè ñóñ³äí³õ ï³êñåë³â ÷è ÄÊÏ êîåô³ö³ºíò³â îêîëè âïëèâó ïåðåòèíàþòüñÿ, òîáòî çì³íè ó âåéâëåò-ñóáñìóãàõ áóäóòü âçàºìîä³ÿòè. Äëÿ âèáîðó ä³ëÿíîê ïðèõîâóâàííÿ âèêîðèñòîâóþòü àäèòèâíó àïðîêñèìàö³þ îïèñàíî¿ ôóíêö³¿ ñïîòâîðåííÿ. Îö³íþþòü âàðò³ñòü ñïîòâîðåííÿ êîæíîãî ï³êñåëÿ ÷è ÄÊÏ êîåô³ö³ºíòà çîáðàæåííÿ � ij ij ij ijX Y D X X Y( , ) ( , )~� , äå X Yij ij~ — çîáðàæåííÿ ç³ çì³íåíèì ij-ì åëåìåíòîì. Çàãàëîì, àäèòèâíà àïðîêñèìàö³ÿ ìàº âèãëÿä D X Y X Y X YÀ ij ij ij ij j n i n ( , ) ( , )[ ]� �� 11 21 . Îòîæ äëÿ ìåòîäó UNIWARD ïåðåäáà÷åíî, ùî åëåìåíòè çîáðàæåííÿ âèêîðèñòîâó- þòüñÿ ÿê íîñ³¿ á³ò³â ïîâ³äîìëåííÿ íå ïîñë³äîâíî ÷è, íàïðèêëàä, çà ïñåâäîâèïàäêîâèì ðîçïîä³ëîì, à çàëåæíî â³ä âàðòîñò³ ¿õíüîãî ñïîòâîðåííÿ. Íà ðèñ. 1 ïîêàçàíî, ÿê ñàìå ðîçøèðþºòüñÿ ä³ëÿíêà ïðèõîâóâàííÿ ó ðàç³ çá³ëüøåííÿ äîâæèíè ïîâ³äîìëåííÿ. Äëÿ çìåíøåííÿ ñïîòâîðåííÿ ó ïðîöåäóðó âêðàïëåííÿ ìîæíà äîëó÷èòè ìåòî- äè çàâàäîñò³éêîãî êîäóâàííÿ. Çîêðåìà, â ðîáîò³ [1] éäåòüñÿ ïðî çàñòîñóâàííÿ ñèíäðîìíèõ ãðàò÷àñòèõ êîä³â (Syndrome Trellis Codes). Íåõàé ó êîíòåéíåð³-çîáðàæåíí³ X âèçíà÷åíî ïîñë³äîâí³ñòü á³ò³â-íîñ³¿â x n { }0 1, . Ïðîöåäóðà âêðàïëåííÿ º äâ³éêîâîþ, òîáòî â ðåçóëüòàò³ âêðàïëåííÿ äå- ÿêîãî ïîâ³äîìëåííÿ m p { }0 1, ïîñë³äîâí³ñòü õ çàì³íþºòüñÿ íà y n { }0 1, . Ó ðàç³ çàñòîñóâàííÿ ñèíäðîìíîãî êîäóâàííÿ âêðàïëåííÿ òà âèëó÷åííÿ ïîâ³äîìëåííÿ ðåàë³çóþòü ç âèêîðèñòàííÿì ë³í³éíîãî äâ³éêîâîãî êîäó Ñ Embedding x m D x y y C m ( , ) min ( , ) ( ) � arg , Extraction y Hy( ) � , äå âñ³ îïåðàö³¿ º äâ³éêîâèìè, H p n �{ }0 1, — ïåðåâ³ðíà ìàòðèöÿ êîäó Ñ, C m z Hz mn( ) , \|� �{ { } }0 1 — ñóì³æíèé êëàñ, ùî â³äïîâ³äàº ñèíäðîìó m. Ó ðîáîò³ [2] ÿê ïåðåâ³ðíó çàïðîïîíîâàíî âèêîðèñòîâóâàòè ìàòðèöþ êîíòðî- ëþ ïàðíîñò³ ñïåö³àëüíîãî âèãëÿäó, ùî äàº çìîãó ïðåäñòàâèòè êîæíèé ðîçâ’ÿçîê Hy m� ÿê øëÿõ ÷åðåç ãðàòêó. Îïòèìàëüíèé y , íàéáëèæ÷èé äî õ , âèçíà÷àþòü çà àëãîðèòìîì Â³òåðá³ [3]. ISSN 1019-5262. Ê³áåðíåòèêà òà ñèñòåìíèé àíàë³ç, 2021, òîì 57, ¹ 3 185 Îòæå, UNIWARD âæå çà ïîáóäîâîþ º áåçïå÷í³øèì çà ñòåíîãðàô³þ íà îñíîâ³ íàéìåíøîãî çíà÷óùîãî á³òà (ÍÇÁ), ùî íå âðàõîâóº âì³ñò çîáðàæåííÿ òà íå ì³í³ì³çóº ê³ëüê³ñòü çì³íåíèõ á³ò³â. Îñê³ëüêè ñòåãàíîãðàô³ÿ ìîæå áóòè âèêîðèñòà- íà äëÿ â÷èíåííÿ ïðîòèïðàâíèõ ä³é, ñòåãàíîàíàë³ç öüîãî ìåòîäó º àêòóàëüíîþ òà âàæëèâîþ ïðîáëåìîþ ³íôîðìàö³éíî¿ áåçïåêè. ÎÏÈÑ ÑÒÅÃÀÍÎÀÍÀË²ÇÓ ÇÀ ÌÅÒÎÄÀÌÈ Ç ÍÀÂ×ÀÍÍßÌ ÒÀ ÊËÀÑÈÔ²ÊÀÖ²ªÞ Îñòàíí³ì ÷àñîì çíà÷íó óâàãó äîñë³äíèê³â ïðèâåðíóëè ñòåãàíîàíàë³òè÷í³ ìåòîäè ç íàâ÷àííÿì ³ êëàñèô³êàö³ºþ, îñê³ëüêè âîíè º óí³âåðñàëüíèìè òà ìîæóòü ïîêðà- ùóâàòèñÿ çàñòîñóâàííÿì íîâ³òí³õ çäîáóòê³â òåîð³¿ ìàøèííîãî íàâ÷àííÿ. Òàê³ ìåòîäè êîæíîìó îá’ºêòó (êîíòåéíåðó) ñòàâëÿòü ó â³äïîâ³äí³ñòü éîãî õàðàêòåðèñ- òè÷íèé âåêòîð, ùî ÷óòëèâî ðåàãóº íà ñòåãàíîïåðåòâîðåííÿ ³ âîäíî÷àñ íå º çà- ëåæíèì â³ä âì³ñòó êîíòåéíåðà. Öåé âåêòîð âèçíà÷àºòüñÿ íàáîðîì ð³çíèõ ñòàòèñ- òè÷íèõ ïîêàçíèê³â äîñë³äæóâàíîãî çîáðàæåííÿ. Òàêîæ â³í ìîæå äîïîâíþâàòèñÿ ñòàòèñòèêîþ êàë³áðîâàíî¿ âåðñ³¿ êîíòåéíåðà, äå ïðîöåäóðà êàë³áðóâàííÿ ïîëÿãàº ó ïîòåíö³éíîìó çíèùåíí³ ïðèõîâàíî¿ ³íôîðìàö³¿ çà äîïîìîãîþ íåçíà÷íèõ ãåî- ìåòðè÷íèõ ïåðåòâîðåíü, ùî ìàéæå íå âïëèâàþòü íà ñòàòèñòè÷í³ ïîêàçíèêè. Çà îñòàíí³ ðîêè ïîáóäîâàíî áàãàòî ð³çíèõ ìîäåëåé õàðàêòåðèñòè÷íèõ âåê- òîð³â. Îñê³ëüêè òóò ðîçãëÿäàºìî ñòåãàíîàíàë³ç J-UNIWARD, çâåðíåìî óâàãó íà â³ñ³ì íàÿâíèõ ìîäåëåé, ùî ìîæóòü áóòè çàñòîñîâàíèìè äî çîáðàæåíü ó ôîðìàò³ JPEG. Ïåðøà ìîäåëü — öå CHEN [4], ÿêà âèêîðèñòîâóº ð³çíèöåâ³ ìàòðèö³ òà îá- ÷èñëåí³ íà ¿õí³é îñíîâ³ ìàòðèö³ éìîâ³ðíîñòåé ïåðåõîäó äëÿ ô³êñàö³¿ âíóòð³øíüîáëîêîâèõ ³ ì³æáëîêîâèõ ïîðóøåíü ñòàòèñòèêè ÄÊÏ êîåô³ö³ºíò³â çîá- ðàæåíü. Äðóãà — ïîêðàùåíà äåêàðòîâèì êàë³áðóâàííÿì [5] âåðñ³ÿ ïîïåðåäíüî¿ ìîäåë³, ùî ïîçíà÷åíà àâòîðàìè ÿê CC-CHEN. Òðåòÿ ìîäåëü — öå LIU, çàïðîïî- íîâàíà ó [6], ÿêà áàçóºòüñÿ íà òîìó, ùî ñòåãàíîãðàô³÷í³ ïðèõîâóâàííÿ çì³íþþòü ñï³ëüíó ù³ëüí³ñòü ñóñ³äí³õ åëåìåíò³â. Íàñòóïíà — CC-PEV [7], ÿêà âêëþ÷àº çíà- ÷åííÿ ãëîáàëüíî¿ ã³ñòîãðàìè ðîçïîä³ëó ÄÊÏ êîåô³ö³ºíò³â, ëîêàëüíèõ ã³ñòîãðàì ðîçïîä³ëó çíà÷åíü ïåðøèõ ï’ÿòè AC (Alternating Current)-êîåô³ö³ºíò³â óñåðåäíå- 186 ISSN 1019-5262. Ê³áåðíåòèêà òà ñèñòåìíèé àíàë³ç, 2021, òîì 57, ¹ 3 Ðèñ. 1. Äèíàì³êà çì³íè ä³ëÿíêè ïðèõîâóâàííÿ çà óìîâè çá³ëüøåííÿ ñòåãàíîíàâàíòàæåííÿ: a — âè- õ³äíå çîáðàæåííÿ; á–ä — ì³ñöåïîëîæåííÿ çì³íåíèõ á³ò³â ó ðàç³ ïðèõîâóâàííÿ 1, 3, 5 òà 10 ÊÁ äàíèõ â³äïîâ³äíî à á ãâ ä íî¿ âàð³àö³¿ òà ³íø³ ñòàòèñòè÷í³ ïîêàçíèêè ³ äîïîâíåíà äåêàðòîâèì êàë³áðóâàí- íÿì. Êð³ì òîãî, ðîçãëÿíåìî ìîäåëü CC-C300 [8], ùî ´ðóíòóºòüñÿ íà âèêîðèñòàíí³ âåêòîð³â âåëèêî¿ ðîçì³ðíîñò³, åëåìåíòè ÿêèõ ñêëàäàþòü çíà÷åííÿ ìàòðèöü ñï³ëüíî¿ ïîÿâè ïàð ÄÊÏ êîåô³ö³ºíò³â, òà ìîäåëü GFR [9], äå õàðàêòåðèñòè÷í³ âåêòîðè ïîáó- äîâàí³ ÿê ã³ñòîãðàìè êâàíòîâàíèõ çàëèøê³â, îòðèìàíèõ ç âèêîðèñòàííÿì äâî- âèì³ðíèõ ô³ëüòð³â Ãàáîðà ç ð³çíèìè ìàñøòàáàìè òà îð³ºíòàö³ÿìè. Òàêîæ äî JPEG-çîáðàæåíü çàñòîñîâíà ìîäåëü âåêòîð³â ³ç ÄÊÏ çàëèøê³â DCTR [10], ÿêà âðàõî- âóº ôàçè; åëåìåíòè õàðàêòåðèñòè÷íèõ âåêòîð³â ó ö³é ìîäåë³ ôîðìóþòüñÿ ç ã³ñòîãðàì çàëèøê³â, ðîçðàõîâàíèõ ç âèêîðèñòàííÿì áàçîâèõ øàáëîí³â ÄÊÏ. Âîñüìà ìîäåëü — PHARM [11], ùî áàçóºòüñÿ íà çàëèøêàõ, ÿê äâ³ ïîïåðåäí³, àëå âîíè ïðåäñòàâëåí³ ç âèêîðèñòàííÿì ñòàòèñòèêè ¿õí³õ âèïàäêîâèõ ïðîºêö³é ïåðøîãî ïîðÿäêó. Ñòåãàíîäåòåêòîðîì º êëàñèô³êàòîð, íà âõ³ä ÿêîãî ïîäàþòüñÿ õàðàêòåðèñòè÷í³ âåêòîðè, îá÷èñëåí³ çà ïåâíîþ ìîäåëëþ. Â³í ôîðìóºòüñÿ çà äîïîìîãîþ êîíòðîëüî- âàíîãî íàâ÷àííÿ íà êîíòåéíåðàõ, äëÿ ÿêèõ â³äîìà ì³òêà êëàñó — «ïóñòèé» ÷è «çà- ïîâíåíèé». Îñê³ëüêè ðîçì³ðíîñò³ çãàäàíèõ ñòàòèñòè÷íèõ ìîäåëåé äîñèòü âåëèê³ (çà çðîñòàííÿì: LIU — 216, CHEN — 486, CC-PEV — 548, CC-CHEN — 972, DCTR — 8000, PHARM — 12600, GFR — 17000, CC-C300 — 48600), íàéá³ëüø óí³âåðñàëüíèì âèáîðîì äëÿ ïðîöåñ³â íàâ÷àííÿ òà äåòåêòóâàííÿ º àíñàìáëåâèé êëà- ñèô³êàòîð, ÿêèé äîáðå ìàñøòàáóºòüñÿ çà ðîçì³ðí³ñòþ õàðàêòåðèñòè÷íîãî âåêòîðà ³ ê³ëüê³ñòþ êîíòåéíåð³â ó íàâ÷àëüí³é âèá³ðö³. Àíñàìáëåâèé êëàñèô³êàòîð ïðàöþº çà ñõåìîþ, â³äîáðàæåíîþ íà ðèñ. 2. Öåé êëàñèô³êàòîð ç dall åëåìåíò³â õàðàêòåðèñòè÷íîãî âåêòîðà, îá÷èñëåíîãî çà ïåâíîþ ìîäåëëþ, ôîðìóº L âèïàäêîâî âèáðàíèõ ï³äìíîæèí, êîæíà ç ÿêèõ ìàº ðîçì³ðí³ñòü d dsub all� . Âèêîðèñòîâóþ÷è ñôîðìîâàí³ ï³äìíîæèíè, â³í íàâ÷àº L áàçî- âèõ êëàñèô³êàòîð³â ðîçð³çíÿòè ïóñò³ çîáðàæåííÿ òà ñòåãàíîêîíòåéíåðè. Íåõàé äàë³ N z� ( ) — ê³ëüê³ñòü åëåìåíò³â àíñàìáëþ (áàçîâèõ êëàñèô³êàòîð³â), ùî ãîëîñóþòü çà íàëåæí³ñòü çîáðàæåííÿ z äî êëàñó ïóñòèõ. Ô³íàëüíå ð³øåííÿ ïðî ì³òêó êëàñó öüîãî çîáðàæåííÿ âèçíà÷àþòü çà òàêèì ïðàâèëîì: Rule L N N L N L random ( , ) , / , , / ,� � �� 1 2 1 2 ÿêùî ÿêùî {� � � � � � 1 1, .} ³íàêøå Çàóâàæèìî, ùî ³ñíóþòü ð³çí³ âàð³àíòè âèáîðó áàçîâèõ êëàñèô³êàòîð³â àíñàì- áëþ. Çà ðåêîìåíäàö³ÿìè àâòîð³â ñòàòò³ [12], äå çàïðîïîíîâàíî âèêîðèñòàííÿ àí- ñàìáëåâîãî êëàñèô³êàòîðà â ñòåãàíîàíàë³òè÷íèõ ñèñòåìàõ, çóïèíèìîñÿ íà ë³í³éíîìó äèñêðèì³íàíò³ Ô³øåðà (ËÄÔ) ç îãëÿäó íà éîãî øâèäêå íàâ÷àííÿ òà ãàðí³ ðåçóëüòàòè, îòðèìàí³ ï³ä ÷àñ ðîçâ’ÿçàííÿ çàäà÷ ñòåãàíîàíàë³çó. Äàë³ äëÿ ïðîâåäåííÿ ÷èñåëüíèõ åêñïåðèìåíò³â âèêîðèñòîâóâàâñÿ ïàêåò MatlabR2019, Matlab-ðåàë³çàö³ÿ îïèñàíèõ ìîäåëåé õàðàêòåðèñòè÷íèõ âåêòîð³â òà àíñàìáëåâîãî êëàñèô³êàòîðà íà áàç³ ËÄÔ, ùî º ó â³ëüíîìó äîñòóï³ íà ðåñóðñ³ http://dde.binghamton.edu/. Áóëè çàä³ÿí³ íàëàøòóâàííÿ ïàðàìåòð³â êëàñèô³êàòîðà çà óìîâ÷àííÿì òà ïðîöåäóðè àâòîìàòè÷íîãî ïîøóêó çíà÷åíü dsub ³ L, îïòèìàëü- íèõ ó ñåíñ³ ì³í³ì³çàö³¿ ïîìèëîê äåòåêòóâàííÿ çà ïðèéíÿòíèé ÷àñ ðîçðàõóíê³â. ISSN 1019-5262. Ê³áåðíåòèêà òà ñèñòåìíèé àíàë³ç, 2021, òîì 57, ¹ 3 187 Õ àð àê òå ðè ñò è÷ íè é âå êò îð Ï³äìíîæèíà 1 Ï³äìíîæèíà 2 Ï³äìíîæèíà L Áàçîâèé êëàñèô³êàòîð 1 Áàçîâèé êëàñèô³êàòîð 2 Áàçîâèé êëàñèô³êàòîð L Ð³øåííÿ 1 Ð³øåííÿ 2 Ð³øåííÿ L Ã îë îñ óâ àí íÿ Ô³íàëüíå ð³øåííÿ Ðèñ. 2. Ñòðóêòóðíà ñõåìà ôóíêö³îíóâàííÿ àíñàìáëåâîãî êëàñèô³êàòîðà ÏÎÐ²ÂÍßÍÍß ÒÎ×ÍÎÑÒ² ÊËÀÑÈÔ²ÊÀÖ²¯ ÇÀ Ð²ÇÍÈÌÈ ÌÎÄÅËßÌÈ Çâàæàþ÷è íà îñòàíí³ òåíäåíö³¿ (êîëè ï³ä ÷àñ ïðîºêòóâàííÿ ñòåãàíîãðàô³÷íèõ ñèñ- òåì ç îãëÿäó íà ¿õíþ áåçïåêó äîñë³äíèêè îáìåæóþòü êîðèñíå íàâàíòàæåííÿ ïðè- áëèçíî ïîëîâèíîþ ïðèäàòíèõ êîåô³ö³ºíò³â), áóäåìî ðîçãëÿäàòè ìåòîä J-UNIWARD ç ä³àïàçîíîì êîðèñíèõ íàâàíòàæåíü â³ä 50 äî 5 %. Ñïî÷àòêó áóëî ïîð³âíÿíî òî÷í³ñòü óñ³õ âêàçàíèõ ìîäåëåé ó ðàç³ âèÿâëåííÿ ñòåãàíîêîíòåéíåð³â ç 50 òà 10 % êîðèñíèì íàâàíòàæåííÿì, òîáòî êîëè äëÿ âêðàïëåííÿ âèêîðèñòîâóâàëè ïîëîâèíó íåíóëüîâèõ AC-êîåô³ö³ºíò³â ÄÊÏ òà äåñÿòó ÷àñòèíó â³äïîâ³äíî. ßê òåñòîâèé íàá³ð âèáðàíî 1114 êîëüîðîâèõ JPEG-çîáðàæåíü ðîçì³ðàìè 384 512� ï³êñåë³â, ñòèñíåíèõ ç êîåô³ö³ºíòîì ÿêîñò³ 75. Çà äîïîìîãîþ ãåíåðàòîðà âèïàäêîâèõ ÷èñåë ïîä³ëèëè íàáîðè ïóñòèõ òà çàïîâíåíèõ êîíòåéíåð³â íà äâ³ ïî- ëîâèíè — ïî 557 êîíòåéíåð³â. Ïåðøó ïîëîâèíó âèêîðèñòîâóâàëè äëÿ íàâ÷àííÿ êëàñèô³êàòîðà, äðóãó — ÿê êîíòðîëüíó. Äëÿ îòðèìàííÿ äîñòàòíüî ñòàá³ëüíèõ ðå- çóëüòàò³â ó ñåíñ³ íåçàëåæíîñò³ îö³íîê ÿêîñò³ â³ä ïîä³ëó íà íàâ÷àëüíó òà êîí- òðîëüíó âèá³ðêè â ïîäàëüøîìó ïîâòîðþâàëè åêñïåðèìåíòè ïî äåñÿòü ðàç³â, çì³íþþ÷è êîæíîãî ðàçó ñòàðòîâå ÷èñëî ãåíåðàòîðà. Îñòàòî÷í³ îö³íêè îá÷èñëþ- âàëè ÿê ñåðåäíº çíà÷åííÿ â êîæí³é òàê³é ñåð³¿ òåñò³â, à äëÿ îö³íþâàííÿ ð³âíÿ ñòàá³ëüíîñò³ ðàõóâàëè ñåðåäíüîêâàäðàòè÷íå â³äõèëåííÿ. Çàóâàæèìî, ùî âñ³ â³ñ³ì ìîäåëåé º åôåêòèâíèìè äëÿ çàäà÷ âèÿâëåííÿ â ÷àñòîòí³é çîí³ ÍÇÁ-ñòåãàíîãðàô³¿ [13, 14]. Ó ðàç³ êîðèñíîãî íàâàíòàæåííÿ 1 ÊÁ (20–30 % äëÿ îïèñàíèõ êîíòåéíåð³â) âîíè ç âèñîêîþ òî÷í³ñòþ âèÿâëÿþòü ñòåãàíîâêëàäêè ïðîãðàì Jsteg (98–100 %), Jphide (85–95 %) òà Steganos Privacy Suite (93–99.8%). Ðåçóëüòàòè âè- ÿâëåííÿ öèìè ìîäåëÿìè J-UNIWARD ñóòòºâî ã³ðø³ (òàáë. 1). Ç îãëÿäó íà äàí³ ö³º¿ òàáëèö³ ìîæíà ä³éòè âèñíîâêó, ùî J-UNIWARD ç êîðèñíèì íàâàíòàæåííÿì 10 % ö³ëêîì áåçïå÷íèé, òîáòî â³í ïðàêòè÷íî íå ðîçï³çíàºòüñÿ íàÿâíè- ìè ñòàòèñòè÷íèìè ìåòîäàìè íà áàç³ ìàøèííîãî íàâ÷àííÿ. Ïðîòå º òðè ìîäåë³, ÿê³ âñå æ òàêè çàëèøèëèñÿ ÷óòëèâèìè äî çì³í, ïðèâíåñåíèõ J-UNIWARD ç ìàëèì íàâàí- òàæåííÿì. Çà ñïàäàííÿì òî÷íîñò³ öå: GFR — ìîäåëü õàðàêòåðèñòè÷íèõ âåêòîð³â, ïî- áóäîâàíèõ ÿê ã³ñòîãðàìè êâàíòîâàíèõ çàëèøê³â, îòðèìàíèõ ç âèêîðèñòàííÿì äâî- âèì³ðíèõ ô³ëüòð³â Ãàáîðà (Gabor Filter Residual); PHARM — ôàçî-îð³ºíòîâàíà ïðîºêö³éíà ìîäåëü (PHase Aware pRojection Model); DCTR — ìîäåëü õàðàêòåðèñòè÷- íèõ âåêòîð³â ³ç ÄÊÏ çàëèøê³â (Discrete Cosine Transform Residual). Çàçíà÷èìî, ùî ì³æ íèìè º ñï³ëüí³ ðèñè, çîêðåìà, íà â³äì³íó â³ä óñ³õ ³íøèõ ðîçãëÿíóòèõ ìîäåëåé, ö³ òðè àíàë³çóþòü ñòàòèñòèêó íå â ÷àñòîòíîìó, à â ïðîñòîðîâîìó ïðåäñòàâëåíí³ çîáðàæåííÿ (òîáòî íå òàì, äå áåçïîñåðåäíüî çä³éñíþâàëîñÿ ïðèõîâóâàííÿ). Ï²ÄÂÈÙÅÍÍß ÒÎ×ÍÎÑÒ² ÄÅÒÅÊÒÓÂÀÍÍß ÀÍÀË²ÇÎÌ ÍÀÉÁ²ËÜØ ²ÌÎÂ²ÐÍÎ ÇÀÄ²ßÍÈÕ ÅËÅÌÅÍÒ²Â ÒÀ ÇËÈÒÒßÌ ÐÅÇÓËÜÒÀÒ²Â ÃÎËÎÑÓÂÀÍÍß Ïîñòàº ïèòàííÿ: ÷è ìîæíà ï³äâèùèòè îòðèìàíó òî÷í³ñòü? Íàâåäåìî äâà ñïî- ñîáè òà îïèøåìî êðîêè ¿õíüî¿ ðåàë³çàö³¿. 1. Ïåðøèé ñïîñ³á ïîëÿãàº ó âèêîðèñòàíí³ êîíòåíò-àäàïòèâíîñò³ J-UNIWARD. Òîáòî ìîæíà â³äñòåæóâàòè ñòàòèñòèêó òà àíàë³çóâàòè ðîçá³æíîñò³ íå ó âñüîìó çîáðà- æåíí³, à ò³ëüêè ó òèõ éîãî ä³ëÿíêàõ, âêðàïëåííÿ â ÿê³ º íàéá³ëüø ³ìîâ³ðíèì. Ì³ñöå- 188 ISSN 1019-5262. Ê³áåðíåòèêà òà ñèñòåìíèé àíàë³ç, 2021, òîì 57, ¹ 3 Ò à á ë è ö ÿ 1 Îö³íêà ÿêîñò³ Òî÷í³ñòü êëàñèô³êàö³¿ çà ð³çíèìè ìîäåëÿìè âåêòîð³â CHEN CC-CHEN LIU CC-PEV CC-C300 GFR DCTR PHARM Ñòåãàíîàíàë³ç êîíòåéíåð³â ç 50% êîðèñíèì íàâàíòàæåííÿì Ñåðåäíÿ òî÷í³ñòü, % 55.5 61.1 61.8 61.7 58.0 85.2 79.2 81.4 Â³äõèëåííÿ, % 0.7 0.9 0.8 1.1 1.2 0.9 0.9 1.0 Ñòåãàíîàíàë³ç êîíòåéíåð³â ç 10% êîðèñíèì íàâàíòàæåííÿì Ñåðåäíÿ òî÷í³ñòü, % 49.7 50.6 50.4 50.5 50.3 54.2 52.4 52.6 Â³äõèëåííÿ, % 0.4 0.7 0.7 0.5 1.3 0.5 0.9 0.5 ïîëîæåííÿ öèõ åëåìåíò³â áóäåìî çíàõîäèòè, âèêîðèñòîâóþ÷è òó æ ñàìó ïðîöåäóðó ïîøóêó çàøóìëåíèõ òà òåêñòóðîâàíèõ ä³ëÿíîê, ùî çàêëàäåíà â J-UNIWARD. Çâ³ñíî, â³äòâîðèòè òî÷íî ì³ñöåïîëîæåííÿ âêðàïëåííÿ íåìîæëèâî. ßêùî öå ñòå- ãàíîçîáðàæåííÿ, òî ïîâòîðíå çàñòîñóâàííÿ äî íüîãî J-UNIWARD ïðèçâåäå äî ³íøî- ãî ðåçóëüòàòó, òà âñå æ â³í áóäå ïîä³áíèé äî ïîïåðåäíüîãî, áî â³çóàëüíî çîáðàæåííÿ çàëèøèëîñÿ òàêèì, ÿê º. Àíàë³òèê òàêîæ íå çíàº äîâæèíè ïðèõîâàíîãî ïîâ³äîìëåí- íÿ, ïðîòå â³í ìîæå ðîçãëÿäàòè ïåâíó âåðõíþ ìåæó, ÿêà âèçíà÷àºòüñÿ åìï³ðè÷íî. Ï³ä ÷àñ äîñë³äæåíü áóëî âèçíà÷åíî, ùî ç îãëÿäó íà äîñÿæíó òî÷í³ñòü äëÿ ìîäåë³ DCTR º îïòèìàëüíèì ðîçãëÿäàòè äîâæèíó, ùî â³äïîâ³äàº 100 % êîðèñíîãî íàâàíòàæåííÿ, à äëÿ GFR òà PHARM âèùó òî÷í³ñòü çàáåçïå÷óþòü òåñòè ç äîâæèíîþ, ùî áëèçüêà äî ïîëîâèíè êîðèñíîãî íàâàíòàæåííÿ (45 % â òåñòàõ). Îïèñàíèé ï³äõ³ä ïåðåâ³ðåíî íà ñòåãàíîêîíòåéíåðàõ J-UNIWARD ç êîðèñíèì íàâàíòàæåííÿì 50, 40, 30, 20, 10 òà 5 %. Äëÿ öüîãî ïîð³âíÿëè òî÷í³ñòü äåòåêòó- ISSN 1019-5262. Ê³áåðíåòèêà òà ñèñòåìíèé àíàë³ç, 2021, òîì 57, ¹ 3 189 Ò à á ë è ö ÿ 2 Ìîäåëü Òî÷í³ñòü êëàñèô³êàö³¿ ó ðàç³ çàñòîñóâàííÿ ìîäåëåé äî âñ³õ åëåìåíò³â òà íàéá³ëüø ³ìîâ³ðíî çàä³ÿíèõ äëÿ êîðèñíîãî íàâàíòàæåííÿ, % 50 40 30 20 10 5 GFR 85.2 (0.9) 77.8 (1.5) 69.4 (1.0) 60.9 (1.1) 54.2 (0.5) 51.5 (0.6) modif_GFR 89.1 (0.7) 81.7 (0.8) 74.5 (0.7) 65.3 (0.9) 55.6 (0.9) 52.2 (0.7) DCTR 79.2 (0.9) 71.3 (1.2) 63.8 (0.7) 57.1 (0.5) 52.4 (0.9) 50.6 (0.7) modif_DCTR 79.7 (0.9) 73.1 (1.0) 65.1 (0.8) 59.5 (0.9) 55.6 (0.6) 54.8 (0.6) PHARM 81.4 (1.0) 73.3 (1.3) 66.0 (0.8) 58.2 (0.6) 52.6 (0.5) 50.9 (0.5) modif_PHARM 83.9 (0.9) 77.0 (0.7) 70.0 (0.8) 61.7 (0.6) 54.9 (0.8) 52.7 (0.7) LD Õ àð àê òå ðè ñò è÷ íè é âå êò îð m od if _G FR Ï³äìíîæèíà 1 Ï³äìíîæèíà 2 Ï³äìíîæèíà LG Áàçîâèé êëàñèô³êàòîð 1 Áàçîâèé êëàñèô³êàòîð 2 Áàçîâèé êëàñèô³êàòîð LG Ð³øåííÿ 1 Ð³øåííÿ 2 Ð³øåííÿ LG Õ àð àê òå ðè ñò è÷ íè é âå êò îð m od if _D C T R Ï³äìíîæèíà 1 Ï³äìíîæèíà 2 Ï³äìíîæèíà LD Áàçîâèé êëàñèô³êàòîð 1 Áàçîâèé êëàñèô³êàòîð 2 Áàçîâèé êëàñèô³êàòîð LD Ð³øåííÿ 1 Ð³øåííÿ 2 Ð³øåííÿ LD Çâ àæ åí å ãî ëî ñó âà íí ÿ Ô³íàëüíå ð³øåííÿ Õ àð àê òå ðè ñò è÷ íè é âå êò îð m od if _P H A R M Ï³äìíîæèíà 1 Ï³äìíîæèíà 2 Ï³äìíîæèíà LP Áàçîâèé êëàñèô³êàòîð 1 Áàçîâèé êëàñèô³êàòîð 2 Áàçîâèé êëàñèô³êàòîð LP Ð³øåííÿ 1 Ð³øåííÿ 2 Ð³øåííÿ LP Ðèñ. 3. Ñòðóêòóðíà ñõåìà çëèòòÿ ðåçóëüòàò³â òðüîõ ìîäåëåé âàííÿ ³ç çàñòîñóâàííÿì âèä³ëåíèõ íà ïîïåðåäíüîìó êðîö³ ìîäåëåé äî âñ³õ åëå- ìåíò³â êîíòåéíåðà òà ¿õ æå ó çàñòîñóâàíí³ äî íàéá³ëüø ³ìîâ³ðíèõ åëå- ìåíò³â-íîñ³¿â. Ðåçóëüòàòè â³äïîâ³äíèõ òåñò³â íàâåäåíî ó òàáë. 2 (ñåðåäíÿ òî÷í³ñòü çà äåñÿòü åêñïåðèìåíò³â, ó äóæêàõ — ñåðåäíüîêâàäðàòè÷íå â³äõèëåííÿ). ßê âèäíî, ï³äâèùåííÿ òî÷íîñò³ îòðèìàíî äëÿ âñ³õ âàð³àíò³â êîðèñíîãî íà- âàíòàæåííÿ òà âñ³õ òðüîõ ìîäåëåé. Ó ñåðåäíüîìó âíàñë³äîê çàçíà÷åíî¿ ìîäè- ô³êàö³¿ òî÷í³ñòü ñòåãàíîàíàë³çó ï³äâèùèëàñü íà 2.7 %. 2. Äðóãèé ñïîñ³á ïîëÿãàº ó âèêîðèñòàíí³ äëÿ êëàñèô³êàö³¿ óñ³õ òðüîõ äîñë³äæóâàíèõ ìîäåëåé. Äëÿ îòðèìàííÿ ô³íàëüíîãî ð³øåííÿ ïðî êëàñ êîíòåéíå- ðà ðåçóëüòàòè âñ³õ òðüîõ ìîäåëåé îá’ºäíóþòüñÿ çã³äíî ç³ ñõåìîþ íà ðèñ. 3. Ïåðåä ï³äñóìîâóâàííÿì öèõ ðåçóëüòàò³â âîíè çâàæóþòüñÿ ç âàãîâèì êîåô³ö³ºíòîì 1/ LG äëÿ ìîäåë³ modif_GFR,1/ LD — äëÿ modif_DCTR òà1/ LP — äëÿ modif_PHARM. Ðåçóëüòàòè òàêîãî çâàæåíîãî ãîëîñóâàííÿ ïðåäñòàâëåíî ó òàáë. 3. Çã³äíî ç íèìè öåé ï³äõ³ä äàâ çìîãó ï³äâèùèòè òî÷í³ñòü ó ñåðåäíüîìó ùå íà îäèí â³äñîòîê ó ïîð³âíÿíí³ ç íàéá³ëüø òî÷íèì âàð³àíòîì ³ç ðîçãëÿíóòèõ ðàí³øå (modif_GFR). ÄÎÑË²ÄÆÅÍÍß ÂÏËÈÂÓ ÏÀÐÀÌÅÒÐ²Â ÒÅÑÒÎÂÈÕ ÊÎÍÒÅÉÍÅÐ²Â ÍÀ ÒÎ×Í²ÑÒÜ ÑÒÅÃÀÍÎÀÍÀË²ÇÓ Îö³íêè òî÷íîñò³, çàô³êñîâàí³ ó òàáë. 1–3, îòðèìàí³ äëÿ çîáðàæåíü, ùî ìàþòü îäíàêîâ³ ðîçì³ðè òà òîé ñàìèé êîåô³ö³ºíò ÿêîñò³. Ïðîòå, ÿêùî éäåòüñÿ ïðî ïðàê- òè÷íèé ñòåãàíîàíàë³ç, äå ïðàâî âèáîðó çîáðàæåíü íå çà ñòåãàíîàíàë³òèêîì, à çà ïðîòèáîðíîþ ñòîðîíîþ, ïîòð³áíî ïîïåðåäíüî êëàñèô³êóâàòè äîñë³äæóâàí³ çîáðà- æåííÿ çã³äíî ç ¿õí³ìè ïàðàìåòðàìè. Êð³ì òîãî, äëÿ ñïðîùåííÿ êëàñèô³êàö³¿ ìîæ- íà ä³ëèòè çîáðàæåííÿ íà ÷àñòèíè ô³êñîâàíèõ ðîçì³ð³â. Ó ïîäàëüøîìó äëÿ êîæíî- ãî êëàñó çîáðàæåíü ïîòð³áíî ñôîðìóâàòè ñâîþ íàâ÷àëüíó âèá³ðêó. Çâ³ñíî, öå óñêëàäíþº ïðîöåñ ñòåãàíîàíàë³çó. Ïðîòå, ÿêùî íå çä³éñíþâàòè ïîä³áíå ïîïåðåäíº îáðîáëåííÿ, òî÷í³ñòü êëàñèô³êàö³¿ ñóòòºâî ïîã³ðøóºòüñÿ. Äëÿ äîñë³äæåííÿ âïëèâó ïàðàìåòð³â êîíòåéíåð³â (¿õí³õ ðîçì³ð³â òà êîåô³ö³ºíòà ÿêîñò³) ñôîðìîâàíî íîâèé òåñòîâèé íàá³ð, ç òàêîþ ñàìîþ ê³ëüê³ñòþ çîáðàæåíü, ÿê ³ ïåðøèé. Àëå êîåô³ö³ºíò ÿêîñò³ öèõ çîáðàæåíü âàð³þºòüñÿ â ìåæàõ â³ä 20 äî 100 % (87 % ó ñåðåäíüîìó), øèðèíà çîáðàæåíü — 150–900 ï³êñåë³â, à äîâæè- íà — 103–800. Çä³éñíèâøè ñòåãàíîàíàë³ç ç òèìè ñàìèìè ïàðàìåòðàìè, ùî é äëÿ ïåðøîãî íà- áîðó äëÿ J-UNIWARD ñòåãàíîêîíòåéíåð³â ç 50 % êîðèñíèì íàâàíòàæåííÿì, îòðè- ìàëè òî÷í³ñòü, âêàçàíó â äðóãîìó ðÿäêó òàáë. 4. Ó ïîð³âíÿíí³ ç ïåðøèì íàáîðîì òî÷í³ñòü âïàëà íà 25 % (modif_GFR), 16 % (modif_DCTR) òà 23 % (modif_PHARM ³ âàð³àíò îá’ºäíàííÿ ìîäåëåé). Çàóâàæèìî, ùî äëÿ âèçíà÷åííÿ êðîêó êâàíòóâàííÿ q ó ìîäåë³ modif_GFR âèêîðèñòàíî ë³í³éíå íàáëèæåííÿ q K� ��( ) /107 8, çàïðîïî- íîâàíå â [15], äå � — êîåô³ö³ºíò ìàñøòàáóâàííÿ, K — êîåô³ö³ºíò ÿêîñò³ çîáðàæåí- íÿ. Òàêîæ âèêîíàíî ïåðåõðåñí³ òåñòè, êîëè êëàñèô³êàòîð íàâ÷àâñÿ çà âèá³ðêîþ, ñôîðìîâàíîþ ç îäíîãî íàáîðó, à äëÿ êîíòðîëþ âèêîðèñòîâóâàëèñÿ êîíòåéíåðè ç ³íøîãî. Ðåçóëüòàòè öèõ òåñò³â íàâåäåíî ó òðåòüîìó òà ÷åòâåðòîìó ðÿäêàõ òàáë. 4. Åêñïåðèìåíòè ï³äòâåðäèëè, ùî âèá³ð êîíòåéíåð³â ç ð³çíèìè ðîçì³ðàìè òà êîåô³ö³ºíòîì ÿêîñò³ äëÿ ïðèõîâàíîãî ïåðåäàâàííÿ äàíèõ óñêëàäíþº ðîáîòó ñòå- ãàíîàíàë³òèêà. 190 ISSN 1019-5262. Ê³áåðíåòèêà òà ñèñòåìíèé àíàë³ç, 2021, òîì 57, ¹ 3 Ò à á ë è ö ÿ 3 Òî÷í³ñòü êëàñèô³êàö³¿ ó ðàç³ çàñòîñóâàííÿ çâàæåíîãî ãîëîñóâàííÿ ìîäåëåé äëÿ êîðèñíîãî íàâàíòàæåííÿ, % 50 40 30 20 10 5 89.6 (0.8) 82.3 (1.0) 74.8 (1.1) 65.7 (0.6) 57.4 (0.6) 54.3(0.9) ÂÈÑÍÎÂÊÈ Ó ðåàëüíèõ óìîâàõ ó êîðèñòóâà÷à J-UNIWARD íåìàº îáìåæåíü ó âèáîð³ âèõ³ä- íèõ çîáðàæåíü, ùî áóäóòü íîñ³ÿìè ïðèõîâàíèõ ïîâ³äîìëåíü. Òîìó áåç ïîïåðåä- íüî¿ êëàñèô³êàö³¿ äîñë³äæóâàíèõ êîíòåéíåð³â á³ëüø íàáëèæåíèìè äî ðåàë³é º îö³íêè, îòðèìàí³ â îñòàíí³õ ñåð³ÿõ åêñïåðèìåíò³â. Öå ñòàíîâèòü 54–66 % ó ðàç³ âèÿâëåííÿ ñòåãàíîêîíòåéíåð³â ç 50 % íàâàíòàæåííÿì. Áåçïåðå÷íî, ùå ìåíøîþ áóäå òî÷í³ñòü ó ðàç³ çìåíøåííÿ êîðèñíîãî íàâàíòàæåííÿ. Äî òîãî æ, êîëè êëà- ñèô³êàòîð íàâ÷àºòüñÿ íà êîíòåéíåðàõ ç ð³çíèìè ìîæëèâèìè ïàðàìåòðàìè (êîåô³ö³ºíòîì ÿêîñò³ òà ðîçì³ðàìè), à â ïîäàëüøîìó âèêîðèñòîâóºòüñÿ äëÿ ðîçï³çíàâàííÿ çîáðàæåíü îäíàêîâèõ ïàðàìåòð³â, ô³êñóºòüñÿ âèùà òî÷í³ñòü ñòåãà- íîàíàë³çó, í³æ äëÿ ³íâåðñíîãî ïåðåõðåñíîãî òåñòóâàííÿ. Âîäíî÷àñ äëÿ öüîãî âàð³àíòó îòðèìóºìî é á³ëüøå, í³æ çàçâè÷àé, ñåðåäíüîêâàäðàòè÷íå â³äõèëåííÿ, òîáòî âì³ñò íàâ÷àëüíî¿ âèá³ðêè ñèëüí³øå âïëèâàº íà ðåçóëüòàò ñòåãàíîàíàë³çó. Îòæå, ñë³ïå âèÿâëåííÿ J-UNIWARD êîíòåéíåð³â ç êîðèñíèì íàâàíòàæåííÿì 50 % òà ìåíøèì íà ïðàêòèö³ º ñêëàäíîþ çàäà÷åþ, ùî ïîòðåáóº á³ëüø äåòàëüíîãî äîñë³äæåííÿ. Äëÿ ïðîºêòóâàííÿ ä³ºâèõ ñòåãàíîàíàë³òè÷íèõ ñèñòåì º äîö³ëüíèì, çîêðåìà, ââåäåííÿ äî ðîçãëÿäó á³ëüøèõ íà ïîðÿäîê òåñòîâèõ íàáîð³â, äîñë³äæåí- íÿ ïèòàííÿ ïîïåðåäíüî¿ êëàñèô³êàö³¿ çîáðàæåíü òà ¿¿ êðèòåð³¿â, àíàë³ç çàäà÷³ ôîð- ìóâàííÿ íàâ÷àëüíî¿ âèá³ðêè äëÿ ïîäàëüøî¿ êëàñèô³êàö³¿ êîíòåéíåð³â ç øèðîêèì ä³àïàçîíîì êîðèñíèõ íàâàíòàæåíü òîùî. ÑÏÈÑÎÊ Ë²ÒÅÐÀÒÓÐÈ 1. Holub V., Fridrich J., Denemark T. Universal distortion function for steganography in an arbitrary domain. EURASIP Journal on Information Security. 2014. N 1. P. 1–13. https://doi.org/10.1186/1687-417X-2014-1. 2. Filler T., Judas J., Fridrich J. Minimizing embedding impact in steganography using trellis-coded quantization. Proc. SPIE, Electronic Imaging, Media Forensics and Security II (27 Jan 2010, San Jose, USA). San Jose, USA, 2010. Vol. 7541. P. 1–14. https://doi.org/10.1117/12.838002. 3. Sidorenko V., Zyablov V. Decoding of convolutional codes using a syndrome trellis. IEEE Trans. on Information Theory. 1994. Vol. 40, N 5. P. 1663–1666. https://doi.org/10.1109/18.333887. 4. Chen C., Shi Y.Q. JPEG image steganalysis utilizing both intrablock and interblock correlations. IEEE ISCAS, Intern. Symp. on Circuits and Systems (18–21 May 2008, Seattle, USA). Seattle, USA: IEEE, 2008. P. 3029–3032. https://doi.org/10.1109/ISCAS.2008.4542096. 5. Kodovsky J., Fridrich J. Calibration revisited. Proc. of the 11th ACM Multimedia and Security Workshop (Sept 2009, Princeton, USA). New York: ACM, 2009. P. 63–74. https://doi.org/10.1145/1597817.1597830. 6. Liu Q. Steganalysis of DCT-embedding based adaptive steganography and YASS. Proc. of the 13th ACM Multimedia & Security Workshop (Sept 2011, Buffalo, USA). New York: ACM, 2011. P. 77–86. https://doi.org/10.1145/2037252.2037267. 7. Pevny T., Fridrich J. Merging Markov and DCT features for multiclass JPEG steganalysisþ Proc. SPIE, Electronic Imaging, Security, Steganography, and Watermarking of Multimedia Contents IX (2 March 2007, San Jose, USA). San Jose, USA, 2007. Vol. 6505. P. 301–314. https://doi.org/ 10.1117/12.696774. 8. Kodovsky J., Fridrich J. Steganalysis in high dimensions: fusing classifiers built on random subspaces. 8th SPIE Electronic Imaging, Media, Watermarking, Security and Forensics (23–27 Jan 2011, San Francisco, USA). San Francisco, USA, 2011. Vol. 7880, P. 1–13. https://doi.org/10.1117/ 12.872279. 9. Song X., Liu F., Yang C., Luo X., Zhang Y. Steganalysis of adaptive JPEG steganography using 2D Gabor filters. Proc. of the 3rd ACM Workshop on Information Hiding and Multimedia Security. ACM (June 2015, Portland, USA). New York: ACM, 2015. P. 15–23. https://doi.org/10.1145/2756601.2756608. ISSN 1019-5262. Ê³áåðíåòèêà òà ñèñòåìíèé àíàë³ç, 2021, òîì 57, ¹ 3 191 Ò à á ë è ö ÿ 4 Íàâ÷àëüíèé íàá³ð Êîíòðîëüíèé íàá³ð Òî÷í³ñòü êëàñèô³êàö³¿ ïóñòèõ òà J-UNIWARD ñòåãàíîêîíòåéíåð³â ç 50 % êîðèñíèì íàâàíòàæåííÿì modif_GFR modif_DCTR modif_PHARM Fusion 1 1 89.1 (0.7) 79.7 (0.9) 84.0 (0.7) 89.6 (0.8) 2 2 63.9 (0.9) 63.8 (0.9) 60.8 (0.9) 66.2 (0.9) 1 2 52.9 (0.7) 55.4 (0.6) 53.3 (0.4) 53.7 (0.6) 2 1 65.1 (4.3) 62.0 (1.5) 59.5 (2.0) 65.1 (3.9) 10. Holub V., Fridrich J. Low complexity features for JPEG steganalysis using undecimated DCT. IEEE Trans. on Information Forensics and Security. 2015. Vol. 10, N 2. P. 219–228. https://doi.org/ 10.1109/TIFS.2014.2364918. 11. Holub V., Fridrich J. Phase-aware projection model for steganalysis of JPEG images. Proc. SPIE, Electronic Imaging, Media Watermarking, Security, and Forensics XVII (8–10 Feb 2015, San Francisco, USA). San Francisco, USA, 2015. Vol. 9409. https://doi.org/10.1117/12.2075239. 12. Kodovsk� J., Fridrich J., Holub V. Ensemble classifiers for steganalysis of digital media. IEEE Trans. on Information Forensics and Security. 2012. Vol. 7, N 2. P. 432–444. https://doi.org/ 10.1109/TIFS.2011.2175919. 13. Koshkina N.V. Comparison of efficiency of statistical models used for formation of feature vectors by JPEG images steganalysis. Theoretical and Applied Cybersecurity. 2020. Vol. 2, N 1. P. 22–28. https://doi.org/10.20535/tacs.2664-29132020.1. 14. Êîøê³íà Í.Â. Äîñë³äæåííÿ îñíîâíèõ êîìïîíåíò³â ñèñòåì JPEG-ñòåãàíîàíàë³çó íà áàç³ ìàøèí- íîãî íàâ÷àííÿ. Çàõèñò ³íôîðìàö³¿. 2020. Ò. 22, ¹ 2. Ñ. 97–108. https://doi.org/10.18372/2410 -7840.22.14801. 15. Song X., Liu F., Chen L., Yang C., Luo X. Optimal Gabor filters for steganalysis of content-adaptive JPEG steganography. KSII Trans. on Internet and Information Systems. 2017. Vol. 11, N 1. P. 552–569. https://doi.org/10.3837/tiis.2017.01.029. Íàä³éøëà äî ðåäàêö³¿ 31.08.2020 Í.Â. Êîøêèíà ÑÒÅÃÀÍÎÀÍÀËÈÇ J-UNIWARD Àííîòàöèÿ. Ðàññìîòðåíà ïðîáëåìà âûÿâëåíèÿ àäàïòèâíîé ñòåãàíîãðàôèè ïî ìåòîäó J-UNIWARD ñòåãàíîàíàëèòè÷åñêèìè ñèñòåìàìè íà áàçå ìàøèí- íîãî îáó÷åíèÿ. Ñ ïîìîùüþ ñðàâíèòåëüíîãî àíàëèçà òî÷íîñòè îïðåäåëåíî, ÷òî íàèáîëåå ÷óâñòâèòåëüíû ê J-UNIWARD ñòàòèñòè÷åñêèå ìîäåëè ïîñòðîå- íèÿ õàðàêòåðèñòè÷åñêèõ âåêòîðîâ, ôîðìèðóåìûõ â ïðîñòðàíñòâåííîé çîíå, — GFR, PHARM è DCTR. Ïðåäëîæåíû äâà ñïîñîáà ïîâûøåíèÿ òî÷- íîñòè ñòåãàíîàíàëèçà ñ èñïîëüçîâàíèåì ýòèõ ìîäåëåé: àíàëèç íàèáîëåå âå- ðîÿòíûõ ìåñòîïîëîæåíèé âíåäðåíèÿ; âçâåøåííîå ãîëîñîâàíèå ïî òðåì ìî- äåëÿì. Ïîêàçàíî, ÷òî áåç ïðåäâàðèòåëüíîé êëàññèôèêàöèè èçîáðàæåíèé ñî- ãëàñíî èõ ïàðàìåòðàì òî÷íîñòü ñòåãàíîàíàëèçà ñóùåñòâåííî ïîíèæàåòñÿ. Ïîëó÷åííûå ðåçóëüòàòû ìîæíî èñïîëüçîâàòü äëÿ ïîñòðîåíèÿ ýôôåêòèâíûõ ñèñòåì ñòåãàíîàíàëèçà èçîáðàæåíèé â ôîðìàòå JPEG. Êëþ÷åâûå ñëîâà: èíôîðìàöèîííàÿ áåçîïàñíîñòü, ñòåãàíîãðàôèÿ, J-UNIWARD, ñòåãàíîàíàëèç, ìåòîäû ñ îáó÷åíèåì è êëàññèôèêàöèåé, òî÷íîñòü äåòåêòèðîâàíèÿ. N.V. Koshkina J-UNIWARD STEGANOANALYSIS Abstract. The author analyzes the problem of detecting adaptive steganography by the J-UNIWARD method by steganoanalytical systems based on machine learning. A comparative analysis of the accuracy has determined that statistical models of constructing characteristic vectors that are calculated in the spatial domain, such as GFR, PHARM and DCTR, are most sensitive to J-UNIWARD. Two ways to improve the accuracy of steganoanalysis based on these models are proposed: via the analysis of the most probable embedding locations and via the balanced vote on the three models. Significant degradation of the accuracy of steganoanalysis without preliminary classification of images according to their parameters is demonstrated. The obtained results can be used to generate efficient steganoanalysis systems for JPEG images. Keywords: information security, steganography, J-UNIWARD, steganalysis, machine learning methods, detection accuracy. Êîøê³íà Íàòàë³ÿ Âàñèë³âíà, äîêòîðêà òåõí. íàóê, ñòàðøà íàóêîâà ñï³âðîá³òíèöÿ ²íñòèòóòó ê³áåðíåòèêè ³ìåí³ Â.Ì. Ãëóøêîâà ÍÀÍ Óêðà¿íè, Êè¿â, e-mail: nata.koshkina@gmail.com. 192 ISSN 1019-5262. Ê³áåðíåòèêà òà ñèñòåìíèé àíàë³ç, 2021, òîì 57, ¹ 3

Стеганоаналіз J-UNIWARD

Institution

Ähnliche Einträge