首页

Appearance

抗检测的隐写技术 ​

  • 《基于空域图像变换参数扰动的隐写术》
    • 灰度线性变换\Gamma变换 --> SUNIWARD隐写算法 --> SPAM特征\SRM --> ensemble分类器
    • 以图像处理的过程掩盖隐写带来的异常；
    • 随机选择和及时调整参数扰动范围,增加隐写分析者的边信息估计难度；

隐写算法 ​

  • 经典图像模型 SEDIGHI V, COGRANNE R, FRIDRICH J. Content-adaptive steganography by minimizing statistical detectability.2016

  • 空域自适应隐写算法HUGO\WOW\S-UNIWARD(这类方法定义修改像素的失真,给失真小的像素赋予较高的修改概率)

  • JPEG域隐写算法F5\nsF5\OutGuess;自适应隐写:J-UNIWARAD\UED\

  • UED-JPEG算法(对DCT系数定义失真函数并利用STC嵌入信息) GUO L, NI J, SHI Y Q. Uniform embedding for efficient JPEG stega-nography.2014

  • STC(Syndrome-Trellis Codes): FILLER T, JUDAS J.Minimizing additive distortion in steganography using syndrome-trellis codes.2011

  • HUGO

    • HUGO算法通过根据特定像素点修改后，所引起的图像SPAM特征变化量(载体载密图像的SPAM特征的加权范数)来定义该点像素的失真，修改后引起特征与原本偏离较大的点，其失真值也相应较大。
    • PEVNÝ T.Using high-dimensional image models to perform highly undetectable steganography.2010

  • WOW算法(Wavelet Obtained Weights):空域隐写 - 它根据复杂区域将信息嵌入到封面图像中,如果图像的区域在结构上比另一区域更复杂,则该区域内的像素值将被修改。 WOW算法通过对图像进行方向滤波等处理，对难以预测和模型化的复杂区域像素点赋予较小的失真，对易于预测和模型平滑的区域像素点赋予较大的失真。

    • HOLUB V,.Designing steganographic distortion using directional filters.2013

  • suniward-JPEG算法-自适应空域经典算法 基于STC隐写框架的空域隐写算法,提出了一种与嵌入域无关的通用失真函数；S-UNIWARD算法为UNIWARD算法的空域实现，它是对WOW算法作了进一步的修改和改进，并在UNIWARD算法中推广到DCT域定义失真，所以S-UINIWARD和WOW这两个方法在对抗隐写分析时具有相似的安全性能。 HOLUB V, FRIDRICH J.Digital image steganography using universal distortion.2013

  • HILL:

    HILL算法使用高通滤波定位图像中难以预测的区域，然后使用两次低通滤波使得像素的失真更为聚集，使得特定像素的邻域像素的失真修改更加集中，从而达到图像失真对于内容更加自适应的效果，在对抗经典的隐写分析时的安全性能要优于WOW算法和S-UNIWARD算法。

  • Fridrich J, Goljan M, Lisonek P, et al. Writing on wet paper.2005(湿纸编码) 湿纸编码要解决的便是载体中某些元素位置被限制修改且接收方不知道嵌入位的情况下如何嵌入并提取信息的问题。当然最初提出的湿纸编码的嵌入效率。

隐写分析 ​

  • 由于通用隐写分析只有可疑载体对象(待测对象)能够利用，对于原始载体的概率分布情况只能通过大量的学习得到, 因此，通用隐写分析的研究重点主要集中在对大量图像提取有效特征进行学习以及合适分类器的选取。

  • 通过衡量图像隐写分析方法中用到的图像特征在隐写操作前后的改变来反映嵌入失真。

  • 隐写分析特征:基于统计矩、校准技术(参考载体图像)、基于图像领域相关性的特征(效果最好)

  • 该类算法的思想类似于“查漏补缺”，通过分析隐写分析方法的攻击原理找到自身存在的漏洞， 进而针对性的调整，消除隐患。但其存在本身的局限性:首先，其通常是针对特定己知的隐写攻击方法， 而隐写分析方法在不断的出现，有些是非公开的，且攻击特点存在差异，很难做到统一有效的应对; 其次，一些隐写算法在消除了某些安全漏洞的同时，可能引入了新的漏洞，例如上述提到的F3算法。

  • J. Fridrich,Breaking HUGO一the Process Discovery[A].2011

  • SPAM(Subtractive Pixel Adjacency Matrix差分像素邻接矩阵)特征: Steganalysis by subtractive pixel adjacency matrix

  • SRM(spatial rich model)特征<FRIDRICH J, KODOVSKY J. Rich models for steganalysis of digital images.2012> 基于多残差的SPAM特征,先用大量不同的高通滤波核分别对图像滤波得到不同的残差图像 然后从量化截短后的残差图像中计算四维共生矩阵，最终通过组合从不同残差上提取的共生矩阵特征得到了34671维特征。 -在空域利用线性和非线性计算量化图像的噪声残差,构造出106个子模型,联合各个子模型得到34671维的SRM特征。

  • PSRM(投影富模型):改进SRM) Holub V, Fridrich J. Random projections of residuals for digital image steganalysis.2013

  • DCTR特征:JPEG图像空域残差的一阶统计量,在空域对JPEG隐写算法进行隐写分析。Holub等人设计了一种专门针对JPEG图像隐写分析的方法DCTR(Discrete Cosine transform residual)，该方法与PSRM(基于空域富模型的随机投影的隐写分析方法)类似;该方法基于快速DCT变换，对检测JPEG隐写取得比PSRM方法更好的效果，且计算复杂度大大低于PSRM。

  • Denemark T, Sedighi V.Selection-channel-aware rich model for steganalysis of digital images.2014.(maxSRM)

  • Holub V, Fridrich J. Low-complexity features for jpeg steganalysis using undecimated dct[J].2015(用于JPEG隐写分析的特征集)

  • 对Rich Model提出了改进方案，用于检测自适应隐写 TANG W,.Adaptive steganalysis against wow embedding algorithm.2014； DENEMARK T,Selection-channel-aware rich model for steganalysis of digital images.2014；

  • 最先进的隐写分析器ATS,ATS使用标记数据构建覆盖和隐写图像的人工训练集,并使用具有高斯核的SVM进行训练.

  • J. Fridrich.Breaking HUGO一the Process Discovery [A],2011(检测HUGO算法)

  • 图像校准技术:[基于图像内容的隐写分析技术研究_汪然] 图像内容对图像统计特征的影响强于隐写带来的影响,根据给定的样本数据对载体或载密图像的特征特性进行估计,为待检测图像提供一副参考图像,检测时：若待检测图像与参考图像差异小,则待检测图像判断为与参考图像同类的图像(载体\载密)。 二次嵌入属于对载密图像统计特性的估计。

  • 隐写分类器 ensemble KODOVSKY J, FRIDRICH J, HOLUB V. Ensemble classifiers for steganalysis of digital media.2012

  • 检测： 虚警:载体判为载密 漏检:载密判为载体 检错率:均值

  • 马尔科夫类特征[25-27]：相邻像素间存在相关性,隐写会破坏其相关性,用某种方法表达其相关性

  • Rich Model:多种特征的集合,高阶共生矩阵 <J. Kodovsky and J. Fridrich, Steganalysis of JPEG using rich models,2012> Rich model使用多种不同类型的特征自己进行组合,使之能够较好地表达图像被隐写术修改的情况。 使用多种差分方法,得到多种特征

    • 差分-->计算共生矩阵
    • 提取领域信息的方法: 一阶差分、高阶差分、KB核差分、EDGE核差分、最大最小滤波

  • 使用邻域像素的关联特性作为特征设计的出发点。使用多种手段表达邻域像素的关联性，提取有效的邻域信息， 然后根据邻域信息的种类和特性进行进一步处理，使用多种邻域信息的统计方法，形成不同的特征子集。这些特征子集具有不同的特性，能够多方面的表达图像被隐写术嵌入的情况。在提取完各个特征子集以后，利用图像特性的对称性，对特征子集进行进一步优化，降低维数增强检测的精度和效率。

  • 基于图像内容的隐写分析 郭艳卿.基于整体性的隐密分析特征提取和融合方法研究[J].电子学报，2006

针对特定测试样本的隐写分析方法_张逸为-找出统计特征与隐写分析的关系.2017 ​

latex
分析隐写对图像特征的影响(向某方向运动),针对特定的测试集训练生成专用的分类器(专用隐写分析),
在各种隐写特征下,隐写操作使得图像特征在特征域上沿着某个方向运动,且方向与嵌入率无关,
而移动距离与嵌入率呈简单的线性关系;选择与测试数据集特征相似的样本进行训练(解决训练与测试集失配问题)

#根据待测样本训练特定的检测器,
#采用JPEG隐写算法:nsF5和JPEG隐写分析特征CC_PEV\CC_Chen\DCTR\GFR
#隐写分析主流思路:设计特征;利用机器学习训练分类器;

人工免疫 ​

  • 基于多值免疫网络的多光谱遥感影像分类_钟燕飞:用样本训练网络,得到有记忆功能的免疫网络结构,再用于图像分类. 多值免疫网络模型模拟免疫系统中两种免疫细胞之间的相互作用, 并使用了多值特征集合的学习机制来分类输入的数据
  • 人工免疫算法用于分类中特征选择问题
  • 生物免疫系统具有识别、特征提取、学习、记忆的功能
  • 遗传算法:随机搜索和优化算法
  • 多值免疫网络模型(Multiple-Valued Immune Network, MVIN) Tang Z.Multiple-valued immune network model and its simulations[A].1997
  • 函数优化:Zongxin Jin.Clonal Selection Algorithm with Hyper Mtltation and Spallal Clone Extension.2006
  • L. N. de Castro.Learning and Optimization Selection Principle [A].IEEE Trans.2002
  • D.Castro.Learning and Optimization Using the Clonal Selection Principle.IEEE Transaction on Evolutionary Computation.2002
  • S.T.Wierzchon.Function Optimization by the Immune Metaphor.2002(实数编码的克隆选择算法)
  • !2013人工免疫算法的优化及其关键问题研究_舒万能博士
  • 以克隆选择为核心构造的人工免疫系统,用于求解多目标函数优化: Carlos A.Solving Multi-objective Optimization Problems Using an Artificial Immune System.2002
  • 基于克隆选择原理的函数优化问题 Du H F.Clonal Operator and Antibody Clone Algorithm [A].2002(杜海峰)
  • Yanjun Li.A Novel Immune Algorithm for Complex Optimization Problems [A]IEEE Tran, 2004
  • R.J. Kuo.Application of an artificial immune system-based fuzzy neural network to a RFID-based positioning system.2012
  • Gong, M.G.Optimal approximation of linear systems by artificial immune response.2006
  • A Hybrid Evolutionary Immune Algorithm for Multiobjective Optimization Problems.IEEE Transactions.2016(多目标优化问题的混合进化免疫算法)
  • Uolkhonskiy D.Steganographic Generative Adversarial Networks.2017(已看) 根据真实图像生成载体图像,并从对抗迭代中选出适合隐写的载体,使判断器难以区分载体和载密图像
  • Hayes J.Generating Steganographic Images via Adversarial Training.2017 载体图像和秘密信息融合后送入GAN网络,由真实图像训练网络学习隐写算法,并生成载密图像,同时在GAN网络中加入信息提取网络
  • 雷英杰，张善文，李续武等.MATLAB遗传算法工具箱及应用「M].西安电子科技大学出版社，2009

基于人工免疫系统隐写检测技术研究 ​

text
>抗原Ag:用于被检测载体的分类特征
>抗体Ab:训练后具有判别能力的分类特征
>如何识别抗原:通过特征匹配,当匹配强度(亲和力,Affinity)达到某阈值时,视为成功识别；
	匹配强度的度量:Hamming距离(适合二进制编码)、Euclidean(适合浮点数编码)
>克隆进化:采用遗传算法(选择、交叉、变异)
>克隆选择机制:只有能识别抗原的抗体才被克隆增殖。所谓克隆增殖,就是将克隆选择的抗体复制,
	并以其为模板,经过选择、交叉、变异等过程,产生新的候选抗体集,再经过自体耐受后加入新一轮抗体集。
	

#两步:特征提取、检测器设计
#流程
1、特征提取-呈递抗原(72维统计量,浮点数编码)
2、初始化检测器集(采用阴性选择,随机生成\免疫记忆\克隆进化)
3、隐写检测-免疫识别(特征匹配,欧式距离)
4、检测器记忆更新
5、检测器克隆进化(遗传算法)
6、检测器性能度量(age,count_success)

>选择哪些检测器进行克隆进化:
	按检测器性能降序排列,前一定数量的检测器100%被克隆进化,后面的以相应的概率进化
	
#检测器集由两部分组成:
	1)检测器初始生成或重新注入
	2)记忆更新、克隆进化产生
	当前检测集难以覆盖全部含秘载体特征空间非我空间,更加难以正好与含秘载体特征点完全重合。
		因此,检测器集异常检测空间存在很大冗余,必须压缩提纯,以提高隐写检测效率.
#生成检测器集:
	只需要原始特征集,实验中随机选取2/3原始图像特征作为训练集,
	剩余1/3原始图像特征和全部含秘图像特征作为测试集。
	对剩余1/3原始图像特征集和含秘图像特征集分别进行检测、动态优化更新迭代,
	生成成熟隐写检测器集。迭代终止条件为已迭代100次,或连续5次检测准确率不变。

人工免疫系统:原理、模型、分析及展望 ​

latex
《Towards an artificial immune system for network intrusion detection :
	An investigation of clonal selection with a negative selection operator.》(基于克隆选择和阴性选择的网络入侵检测)
	
#Artificial immunes system : Using the immune system as inspiration fo r data mining.2000年
	(AIS生物机理作了大致介绍 ,对 AIS模型与应用进行了总结并展望了其今后的研究方向)
#De Castro L N, Von Zuben F J. Clonal selection algorithm with engineering applications.2000
	(克隆选择算法模型在模式识别、组合优化和多峰值函数优化中的应用)
#Timmis J, Neal M, Hunt J. Artificial immune system for data analysis. Biosystems, 2000(数据分析)

#De Castro L N , Von Zuben F J . Artificial immune system :Part I : basic theory and application(抗体网络模型ABNET)
	依据基因片段重组原理,De Castro开发了多样性产生模型SAND,并用模拟退火算法对群体的多样化机制进行了模拟.
	多样性仿生机理可以广泛应用于优化搜索过程 ,特别是组合优化与多峰函数优化.将该多样性机理用于遗传算法中 ,
	可以有效地改善算法的局部收敛性能 ,从而更好地找到全局最优解 ,或者保留局部最优集合用于多峰值函数优化 .
	
	De Castro据此提出了一个抗体网络模型ABNET,该模型以克隆选择原理为基础 ,其核心为网络的生成算法 ,
	生成的抗体网络用于识别给定数量的抗原(问题).ABNET的主要特征为竞争式学习、网络结构的自动生成和连接强度(权重)
	的二进制表示等.从机器学习的角度来看 ,它是一种性能优异的无监督学习策略.
	
#免疫规划-王磊(其核心在于构造一个包含免疫选择和接种疫苗两个步骤的免疫算子,
	该算法可以有效抑制进化过程中出现的退化现象 ,其搜索性能有了很大的改善)
	

#de Castro提出基于进化的免疫网络来实现数据分析:de Castro提出的克隆选择算法(全局优化搜索算法)
	De Castro. An evolutionary immune network for data clustering.2000
	De Castrol, and Von Zuben. Immune Neural Network Models: Theoretical and Emprical Comparisons.2001
	De Castro.the immune response of an artificial immune network(aiNet).Canberra:IEEE.2003	

#RLAIS资源有限人工免疫网络模型——Timmis
	De Castro L N,Von Zuben F J.Artificial immune systems:a new approach to pattern recognition.2002
#多值免疫网络模型MVIN-Tang
	Tang Z,Yamaguchi T,Multiple-valued immune network model and its simulations.1997

待读文献 ​

KL散度 & 统计检测性 ​

  • An information-theoretic model for steganography.1998
  • Content-Adaptive Steganography by Minimizing Statistical Detectability.2016

抗统计分析 ​

  • Defending against statistical steganalysis.2001. 统计恢复原理
  • Provably secure steganography: Achieving zero K-L divergence using statistical restoration.2006 统计恢复原理 & KL散度

对抗样本 ​

  • A gradientbased pixel-domain attack against SVM detection of global image manipulations.2017

    具有SVM分类器的图像取证检测器的性能可以通过相当简单的基于梯度的攻击而大大降低。

  • 利用分类器信息

    1. Adaptive steganography by oracle (ASO).2013

    2. Technical points about adaptive steganography by oracle (ASO). 2012

  • 将检测器的可检测性与失真函数相关联

    V. Sedighi, R. Cogranne, and J. Fridrich, “Content-adaptive steganography by minimizing statistical detectability,2016

安全性指标 ​

  • KL散度：Cachin C. An information-theoretic model for steganography [J]. 2004

  • MMD：Pevny T, Fridrich J. Benchmarking for steganography [C]. 2008

  • 利用KL散度设计失真函数： Fridrich J, Kodovsky J. Multivariate Gaussian model for designing additive distortion for steganography [C].2013-已读

PCA减维 ​

  • Y. Miche, B. Roue, A. Lendasse, and P. Bas. A feature selection methodology for steganalysis.2006

重点文献 ​

  • 基于空域图像变换参数扰动的隐写术_重点看-主动引入免疫因子.2017

  • 基于人工免疫系统隐写检测技术研究_张石树

  • 人工免疫模型:原理、模型、分析及展望_肖人彬

  • 基于深度学习的图像隐写分析方法研究_钱银龙.2017

  • Universal Steganography Detector Based on an Artificial Immune System for JPEG Images(IEEE,2016.Trustcom.AIS_检测)

    基于人工免疫系统(Negative Selection)的隐写分析方法，用于检测F5，Outguess、Steghide。提出使用Haar小波来提取特征向量。

  • Image Steganography with Artificial Immune System(重点)

  • Efficient image steganography using graph signal processing.2018(增加像素相关性)

论文阅读记录 ​

  1. 深度学习在图像隐写术与隐写分析领域中的研究进展_翟黎明

    • 基于对抗生成网络的隐写术主要是从载体或隐写失真代价方面"被动"的增强自身对隐写分析的抵御能力；另一种思路是借鉴对抗样本，主动干扰隐写分析来提高安全性。对抗样本是针对机器学习模型的缺陷，通过对样本添加感官上不易察觉的修改，使分类器做出错误的判断。
    • 对抗学习：基于对抗样本的隐写术，目的在于提高cover与stego的不可区分性，因此，寻找机器学习模型的弱点(如梯度下降方法的脆弱性)，使之与隐写修改操作相结合。
    • 利用对抗样本构造载体图像：Zhang等[3]针对基于深度学习的隐写分析方法(详见第 3 章), 提出利用深度学习模型训练过程中的梯度, 给载体图像加入特定的噪声来得到增强的载体图像, 使之能够“误导”深度学习的分类(载密图像识别为载体图像); 然后在增强的载体图像上采用传统的自适应隐写框架实现信息嵌入。该方法能够有效对抗基于深度学习的隐写分析方法;但是对于传统的基于高维特征的隐写分析方法, 其安全性能会有所下降。

  2. CNN Based Adversarial Embedding with Minimum Alteration for Image Steganography-唐为轩(Weixuan Tang)

    • 抵抗基于机器学习的隐写分析的隐写方案

    • 抗隐写检测策略：不基于保留特定的图像统计模型，而是针对特定的检测模型

    • 分类器：Xu-CNN JPEG steganalyzer

    • 隐写安全性度量：检测器的检错率Pe

    • 更有意思的是，虽然对抗性隐秘图像具有更高的修改率，但是与基线隐写方案生成的隐秘图像相比，其他先进的手工制作的基于隐写器的图像更难以检测到它们。这些结果似乎表明，在必须愚弄数据驱动的深度学习隐写分析器的指导下，对抗嵌入隐式地保留了图像统计在一定程度上。

    • 向cover image中加入干扰信号(疫苗)，诱导检测器产生错误的检测结果。

  3. Adversarial Examples Against Deep Neural Network based Steganalysis

    • 将噪声信号添加到C中生成C'，再将信息嵌入到C'中

  4. On Completeness of Feature Spaces in Blind Steganalysis. 2008

    • 将QDCT系数分为两部分Q1和Q2, Q1用于隐写, Q2用于矫正, 矫正时遍历Q2中的每个系数，对每个系数进行-2,-1,0,+1,+2修改，然后计算修改后的特征向量，选择能使修改后的特征向量更接近原始载体图像特征的修改方式(-2,-1,0,+1,+2)。计算修改后的特征向量时，可以根据CCPEV特征的结构，只需要计算和当前被修改系数相关的特征分量。

    • 用CCPEV+SVM验证算法的安全性，实验表明将系数向0的方向修改能得到更好的效果

    • 随着Q1与Q2的比例的不同，载密图像的不可检测性也不同

    • 载体特征与载密特征的距离用欧式距离度量

  5. 多元高斯模型

    • Multivariate Gaussian model for designing additive distortion for steganography.2013

      KL度量失真代价-MG隐写算法

    • Content-Adaptive Steganography by Minimizing Statistical Detectability.2016

  6. 提高在已有算法的安全性

    • A new rule for cost reassignment in adaptive steganography.2017 有相近安全性的自适应隐写算法(如:HUGO、WOW)，对某一个像素定义的代价分别为C1、C2，如果C1、C2相差很大(方差)，表明当前像素对检测器而言是不敏感的，修改该像素更不容易被检测到，因此该像素应该赋予较小的代价。这类像素称为冲突像素，在全部像素中选择一定比例(该比例与payload成线性关系)的冲突像素，更新这类像素的修改代价，使这类像素被修改的优先级更高。

    • Defining cost functions for adaptive steganography at the microscale.2017 自适应隐写思想：纹理区域的像素修改的代价小，平滑区域的修改代价大，但当前隐写算法不能很好的捕捉纹理区域。因此设计方案辅助已有的隐写算法更好的捕捉纹理区域。

      • 先对cover进行图像增强(锐化)，用已有的算法计算锐化后图像的每个像素的代价D，根据代价D和原来的cover图像完成信息嵌入。

Towards Robust Image Steganography.IEEE.2018.张新鹏(对jpeg压缩有鲁棒性的隐写方案)

  • Image Steganography with Artificial Immune System(重点)
    • 基于AIS和host image partitioning(分割)；
    • Our proposed method selects a block of the host image and then employs AIS for finding the best template for embedding message bits in the host image pixels.
  • Spatial Image Steganography Based on Generative Adversarial Network(GAN) A generator based on U-NET to translate a cover image into an embedding change probability is proposed

A Secure Spatial Domain Image Steganography Using Genetic Algorithm and Linear Congruential Generator

Selection of Image Blocks using Genetic Algorithm and Effective Embedding with DCT for Steganography

Adaptive image steganography based on transform domain via genetic algorithm

A modified genetic algorithm for performance improvement of transform based image steganography systems

Copyright © 2023-2025 Evan You