|
DOI: 10.14489/vkit.2018.10.pp.011-021
Евсютин О. О., Мещеряков Р. В., Шумская О. О.
СТЕГОАНАЛИЗ ЦИФРОВЫХ ИЗОБРАЖЕНИЙ С ИСПОЛЬЗОВАНИЕМ НАИВНОГО БАЙЕСОВСКОГО КЛАССИФИКАТОРА
(с. 11-21)
Аннотация. Сформирован набор из 43 признаков цифровых изображений и проведена оценка информативности отдельных групп признаков применительно к стегоанализу классических стеганографических алгоритмов. В качестве признаков выбраны различные статистические характеристики изображений в пространственном и частотном домене. Для подготовки обучающей и тестовой выборок изображений использованы три стеганографических алгоритма: F5, JSteg и PM1. Стегоанализ проведен с помощью наивного байесовского классификатора. Показано, что использование полного набора признаков приводит к меньшей точности классификации по сравнению с применением отдельных групп признаков, входящих в полный набор. Дополнительно проведено исследование влияния искажений нестеганографического характера на точность стегоанализа. Для этого в тестовую выборку включен набор изображений, не содержащих вложений, но обработанных с помощью приложения Prisma, которое имитирует стиль картин известных художников. Установлено, что такая обработка позволяет скомпрометировать точность выявления «чистых» изображений. Среднее число ошибок, допущенных при классификации таких изображений, составляет порядка 40 % . Предложен новый подход к стеганографическому встраиванию информации в цифровые изображения, который заключается в имитации нестеганографических искажений. Результаты проведенного исследования планируется использовать для построения стойких стеганографических алгоритмов на основе произвольных стеганографических примитивов, в том числе с применением предложенного подхода.
Ключевые слова: стеганография; стегоанализ; цифровые изображения; наивный байесовский классификатор.
Evsutin O. O., Meshcheryakov R. V., Shumskaya O. O.
STEGANALYSIS OF DIGITAL IMAGES WITH USE OF THE NAIVE BAYES CLASSIFIER
(pp. 11-21)
Abstract. Steganalysis of digital images includes creation of feature space, formation of learning selection and qualifier training. Some known steganalysis systems offered for practical use work in space with dimension in tens of thousands of features. Therefore researches directed to identification of the most informative features including indicating use when embedding concrete steganographic primitives are relevant. In the real research the set consisting of 43 features is created and assessment of informational content of separate groups of features in relation to the steganalysis of classical steganographic algorithms is carried out. For preparation of the learning and test selection of images three steganographic algorithms are used: F5, JSteg and PM1.Steganalysis is carried out by means of the naive Bayes classifier. It is shown that use of full features set leads to the smaller accuracy of classification in comparison with use of separate features groups entering full set. The research of influence of distortions of non-steganographic character on the steganalysis accuracy is in addition conducted. For this purpose test selection has included a set of the images which aren’t containing attachments, but processed by means of the Prisma application which allows to imitate style of the famous artists’s pictures. It is established that such processing allows to compromise the accuracy of detection of “empty” images, average quantity of the mistakes made at classification of such images is about 40 %. This observation allows to offer new approach to embedding of information into digital images which is in that when embedding to imitate non-steganographic distortions.
Keywords: Steganography; Steganalysis; Digitalimages; Naive Bayes classifier.
О. О. Евсютин, Р. В. Мещеряков, О. О. Шумская (Томский государственный университет систем управления и радиоэлектроники, Томск, Россия) E-mail:
Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript
O. O. Evsutin, R. V. Meshcheryakov, O. O. Shumskaya (Tomsk State University of Control Systems and Radioelectronics, Tomsk, Russia) E-mail:
Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript
1. Fridrich J. Steganography in Digital Media: Principles, Algorithms, and Applications. Cambridge: Cambridge University Press, 2010. 437 p.
2. Fridrich J. Feature-Based Steganalysis for JPEG Images and its Implications for Future Design of Steganographic Schemes // Proc. of 6th Intern. Workshop on Information Hiding. 2004. P. 67 – 81.
3. Chen C., Shi Y. Q. JPEG Image Steganalysis Utilizing Both Intrablock and Interblock Correlations // IEEE Intern. Symposium on Circuits and Systems (ISCAS-2008). 2008. P. 3029 – 3032. doi: 10.1109/ ISCAS.2008.4542096
4. Kodovsky J., Fridrich J., Holub V. Ensemble Classifiers for Steganalysis of Digital Media // IEEE Transactions on Information Forensics and Security. 2012. V. 7, No. 2. P. 432 – 444. doi: 10.1109/TIFS. 2011.2175919
5. JPEG Steganalysis with High-Dimensional Features and Bayesian Ensemble Classifier / F. Li et al. // IEEE Signal Processing Letters. 2013. V. 20, No. 3. P. 233 – 236. doi: 10.1109/LSP.2013.2240385
6. Alpha-Trimmed Image Estimation for JPEG Steganography Detection / M.-C. Chen et al. // IEEE Intern. Conf. on Systems, Man, and Cybernetics. 2009. P. 4581 – 4585. doi: 10.1109/ICSMC.2009.5346778
7. Liu Q., Chen Z. Improved Approaches with Calibrated Neighboring Joint Density to Steganalysis and Seam-Carved Forgery Detection in JPEG Images // ACM Transactions on Intelligent Systems and Technology. 2014. V. 5, No. 4. Art. 63. doi: 10.1145/2560365
8. A Steganalysis Method in the DCT Domain / J.-F. Mao et al. // Multimedia Tools and Applications. 2016. V. 75, Is. 10. P. 5999 – 6019. doi: 10.1007/s11042-015-2708-0
9. Andriotis P., Oikonomou G., Tryfonas T. JPEG Steganography Detection with Benford’s Law // Digital Investigation. 2013. V. 9, Is. 3–4. P. 246 – 257. doi: 10.1016/j.diin.2013.01.005
10. Fu D., Shi Y.-Q., Su W. A Generalized Benford’s Law for JPEG Coefficients and Its Applications in Image Forensics // Proc. of the IX Conf. of Security, Steganography, and Watermarking of Multimedia Contents. 2007. Art. 65051L.
11. Мицель А. А., Колодникова Н. В., Протасов К. Т. Непараметрический алгоритм текстурного анализа аэрокосмических снимков // Известия Томского политехнического университета. 2005. Т. 308, № 1. С. 65 – 70.
12. Tan S., Li B. Stacked Convolutional Auto-Encoders for Steganalysis of Digital Images // Proc. of the Asia-Pacific Signal and Information Processing Association Annual Summit and Conference (APSIPA–2014). 2014. P. 1 – 4. doi: 10.1109/APSIPA.2014. 7041565
13. Xu G., Wu H.-Z., Shi Y.-Q. Structural Design of Convolutional Neural Networks for Steganalysis // IEEE Signal Processing Letters. 2016. V. 23, No. 5. P. 708 – 712. doi: 10.1109/LSP.2016.2548421
14. Идентификация лиц в реальном времени с использованием сверточной нейронной сети и хэширующего леса / Ю. В. Визильтер и др. // Компьютерная оптика. 2017. Т. 41, № 2. С. 254 – 265. doi: 10.18287/2412-6179-2017-41-2-254-265
15. Wu S., Zhong S., Liu Y. Deep Residual Learning for Image Steganalysis // Multimedia Tools and Applications. 2018. V. 77, Is. 9. P. 10437 – 10453. doi: 10.1007/s11042-017-4440-4
16. Ye J., Ni J., Yi Y. Deep Learning Hierarchical Representations for Image Steganalysis // IEEE Transactions on Information Forensics and Security. 2017. V. 12, Is. 11. P. 2545 – 2557. doi: 10.1109/TIFS. 2017.2710946
17. Prisma: офиц. сайт [Электронный ресурс]. URL: http://prisma-ai.com/ (дата обращения: 05.06.2018).
1. Fridrich J. (2010). Steganography in Digital Media: Principles, Algorithms, and Applications. Cambridge: Cambridge University Press.
2. Fridrich J. (2004). Feature-Based Steganalysis for JPEG Images and its Implications for Future Design of Steganographic Schemes. Proceedings of the 6th International Workshop on Information Hiding, pp. 67-81.
3. Chen C., Shi Y. Q. (2008). JPEG Image Steganalysis Utilizing Both Intrablock and Interblock Correlations. IEEE International. Symposium on Circuits and Systems (ISCAS-2008), pp. 3029-3032. doi: 10.1109/ ISCAS.2008.4542096
4. Kodovsky J., Fridrich J., Holub V. (2012). Ensemble Classifiers for Steganalysis of Digital Media. IEEE Transactions on Information Forensics and Security, 7(2), pp. 432-444. doi: 10.1109/TIFS. 2011.2175919
5. Li F. et al. (2013). JPEG Steganalysis with High-Dimensional Features and Bayesian Ensemble Classifier. IEEE Signal Processing Letters, 20(3), pp. 233-236. doi: 10.1109/LSP.2013.2240385
6. Chen M.-C. et al. (2009). Alpha-Trimmed Image Estimation for JPEG Steganography Detection. IEEE International Conference on Systems, Man & Cybernetics, pp. 4581-4585. doi: 10.1109/ICSMC. 2009.5346778
7. Liu Q., Chen Z. (2014). Improved Approaches with Calibrated Neighboring Joint Density to Steganalysis and Seam-Carved Forgery Detection in JPEG Images. ACM Transactions on Intelligent Systems and Technology, 5(4). Art. 63. doi: 10.1145/2560365
8. Mao J.-F. et al. A Steganalysis Method in the DCT. Multimedia Tools and Applications, 75(10), pp. 5999-6019. doi: 10.1007/s11042-015-2708-0
9. Andriotis P., Oikonomou G., Tryfonas T. (2013). JPEG steganography detection with Benford’s Law. Digital Investigation, 9(3–4), pp. 246-257. doi: 10.1016/j.diin.2013.01.005
10. Fu D., Shi Y.-Q., Su W. (2007). A Generalized Benford’s Law for JPEG Coefficients and Its Applications in Image Forensics. Proceedings of the IX Conference of Security, Steganography, and Watermarking of Multimedia Contents.
11. Mitsel' A. A., Kolodnikova N. V., Protasov K. T. (2005). Nonparametric algorithm for texture analysis of aerospace images. Izvestiya Tomskogo politekhnicheskogo universiteta, 308(1), pp. 65-70. [in Russian languge]
12. Tan S., Li B. (2014). Stacked Convolutional Auto-Encoders for Steganalysis of Digital Images. Proceedings of the Asia-Pacific Signal and Information Processing Association Annual Summit and Conference (APSIPA–2014), pp. 1-4. doi: 10.1109/APSIPA.2014. 7041565
13. Xu G., Wu H.-Z., Shi Y.-Q. (2016). Structural Design of Convolutional Neural Networks for Steganalysis. IEEE Signal Processing Letters, 23(5), pp. 708-712. doi: 10.1109/LSP.2016.2548421
14. Vizil'ter Yu. V. et al. (2017). Real-Time Identi-fication using convolutional neural network and hashing forest. Komp'yuternaya optika, 41(2), pp. 254265. doi: 10.18287/2412-6179-2017-41-2-254-265 [in Russian languge]
15. Wu S., Zhong S., Liu Y. (2018). Deep Residual Learning for Image Steganalysis. Multimedia Tools and Applications, 77(9), pp. 10437-10453. doi: 10.1007/ s11042-017-4440-4
16. Ye J., Ni J., Yi Y. (2017). Deep Learning Hierarchical Representations for Image Steganalysis. IEEE Transactions on Information Forensics and Security, 12(11), pp. 2545-2557. doi: 10.1109/TIFS. 2017.2710946
17. Prisma: official site. Available at: http://prisma-ai.com/ (Acceseed: 05.06.2018).
Статью можно приобрести в электронном виде (PDF формат).
Стоимость статьи 350 руб. (в том числе НДС 18%). После оформления заказа, в течение нескольких дней, на указанный вами e-mail придут счет и квитанция для оплаты в банке.
После поступления денег на счет издательства, вам будет выслан электронный вариант статьи.
Для заказа скопируйте doi статьи:
10.14489/vkit.2018.10.pp.011-021
и заполните форму
Отправляя форму вы даете согласие на обработку персональных данных.
.
This article is available in electronic format (PDF).
The cost of a single article is 350 rubles. (including VAT 18%). After you place an order within a few days, you will receive following documents to your specified e-mail: account on payment and receipt to pay in the bank.
After depositing your payment on our bank account we send you file of the article by e-mail.
To order articles please copy the article doi:
10.14489/vkit.2018.10.pp.011-021
and fill out the form
.
|
Archive
Разработка концепции и создание сайта - ООО «Издательский дом «СПЕКТР»