Detekcja steganografii obrazowej z uzyciem prostych sieci neuronowych

• Autorzy: Płachta Mikołaj , Janicki Artur

Identyfikatory

DOI

10.15199/59.2022.4.46

Warianty tytułu

EN

Detection of image steganography using simple neural networks

• Konferencja: Multikonferencja Krajowego Środowiska Tele- i Radiokomunikacyjnego (7-9.09.2022 ; Warszawa, Polska)
• Języki publikacji: PL

Abstrakty

PL

W tym referacie poruszamy problem wykrywania danych ukrytych steganograficznie w plikach JPEG. Zostały przedstawione najpopularniejsze algorytmy służące do ukrywania informacji w obrazach, a następnie zostały omówione algorytmy służące do ekstrakcji cech z obrazów cyfrowych. Pokazane zostały metody opisane w literaturze bazujące na ekstrakcji cech DCTR, GFR oraz PHARM oraz sieciach neuronowych w architekturze Convolution-Batch- Normalization-Dense. Zostało zaproponowane nowe rozwiązanie z wykorzystaniem prostej sieci neuronowej, przeprowadzone zostały badania dokładności oraz innych metryk dla najlepszej konfiguracji sieci.

EN

In this paper we deal with the problem of detection steganographically hidden data in JPEG files. The most popular algorithms for hiding information in images are presented and next we discussed algorithms for extracting features from digital images. We presented the methods described in the literature, which are based on the extraction of DCTR, GFR and PHARM features and using neural networks in the Convolution-Batch-Normalization-Dense scheme. A new solution with a simple neural network was proposed and tested.

Słowa kluczowe

PL

steganografia; głębokie uczenie maszynowe; przetwarzanie obrazów; baza BOSS

EN

steganography; deep machine learning; image processing; BOSS database

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Telekomunikacyjny + Wiadomości Telekomunikacyjne
• Rocznik: 2022
• Tom: nr 4
• Strony: 307--310
• Opis fizyczny: Bibliogr. 11 poz., rys., tab.

Twórcy

autor

Płachta Mikołaj

• Politechnika Warszawska, Warszawa

autor

Janicki Artur

• Politechnika Warszawska, Warszawa

Bibliografia

• [1] Puchalski, D.; Caviglione, L.; Kozik, R.; Marzecki, A.; Krawczyk, S.; Choraś, M. Stegomalware Detection through Structural Analysis of Media Files. Proc. 15th International Conference on Availability, Reliabiliti and Security; Association for Computing Machinery: New York, NY, USA, 2020; ARES'20.
• [2] Fridrich, J.; Pevny, T.; Kodovsky, J. Statistically undetectable JPEG steganograplty: Dead ends, challenges, and opportunities. the 9th ACM Multimedia & Security Workshop. Association for Computing Machinery, 2007, p. 3-14.
• [3] Holub, V.; Fridrich, J.; Denemark, T. Universal distortion junction for steganography in an arbitrary domain. EURASIP Journalon Multimedia and lnformation Security 2014
• [4] Guo, L.; N J.; Su, W.; Tang, C.; Shi, Y.Q. Using Statistical Image Model for JPEG Steganography: Uniform Embedding Revisited. IEEE Transactions on Information Forensics and Security 2015.
• [5] Holub, V.; Fridrich, J. Low-complexity features for JPEG steganalysis using undecimaied DCT. IEEE Transaction on Information Forensics and Security 2015.
• [6] Song, X.; Liu, F.; Yang, C.; Luc, X.; Zhang, Y. Steganalysis of adaptive JPEG sleganography using 2D Gabor filters. Proceedings of yhe 3rd ACM Workshop on lnformation Hiding and Multimedia Securtiy; Association for Computing Machinery: New York, NY, USA, 2015; IH&MMSec'15.
• [7] Holub, V.; Fridrich, J. Phase-awar,projection model for steganalysis of JPEG images. Media Watermarking , Security, and Forensics 2015; Alattar, A.M.; Memon, N.D.; Heitzenrater, C.D., Eds. International Society for Optics and Photonics, SPIE, 2015, pp. 259-269
• [8] Xu. G.; Wu. H.Z.; Shi, Y.Q. Structural Design of Convolutional Neural Networks for Steganalysis. IEEE Signal Processing Letters 2016, 23, 708-712
• [9] He, K.; Zhang, X.; Ren, S.; Sun, J. Deep Residual Learning for Image Recognition. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2016.
• [10] Break Our Steganographic System Base webpage http://agents.fel.cvut.cz/boss/. Accessed (BossBase): 2022-01-18
• [11] Płachta, M.; Krzemień, M.; Szczypiorski, K.; Janicki, A. Detection of Image Steganography Using Deep Learning and Ensemble Classifiers. Electronics 2022, 11, 1565. https://doi.org/10.3390/electronics111015565.

Uwagi

Opracowanie rekordu ze środków MEiN, umowa nr SONP/SP/546092/2022 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2022-2023).