Text Steganalysis with Attentional LSTM-CNN
随着自然语言处理（NLP）技术的快速发展，文本隐写方法也有了很大的创新，对网络安全构成了极大的威胁。在本文中，我们提出了一种新的注意力LSTM-CNN模型来解决文本隐写分析问题。该方法首先将单词映射到语义空间中以更好地利用文本中的语义特征，然后利用卷积神经网络（CNN）和长短期记忆（LSTM）递归神经网络的组合来捕获隐写文本中的本地和长距离上下文信息。此外，我们运用注意力机制来识别和关注可疑句子中的重要线索。在合并来自卷积神经网络（CNN）和递归神经网络（RNN）的特征线索后，我们使用softmax层将输入文本分类为封面或隐写。实验结果表明，该模型在文本隐写分析任务中可以达到最佳效果。
2022-02-18 cs.MM
Genetic Algorithm to Make Persistent Security and Quality of Image in Steganography from RS Analysis
保密性是交际活动的重要特征之一。隐写术是通过将信息隐藏在任何形式的载体（如音频、视频、文本、图像等）中来实现发送者和接收者之间的秘密通信的流行方法之一。最低有效位编码是许多隐写程序用于将秘密信息隐藏在24位、8位彩色图像和灰度图像中的最简单的编码方法。隐写分析是一种利用隐写术检测隐藏在载体中的秘密信息的方法。RS隐写分析是最可靠的隐写分析之一，它对图像像素进行统计分析，成功地检测出图像中隐藏的信息。然而，现有的隐写方法保护信息不受灰度图像中的RS隐写分析的影响。提出了一种利用遗传算法对彩色图像进行RS攻击的隐写方法。隐写图像被划分为若干块。随后，利用遗传算法对隐写图像进行自然进化，使隐写图像的安全性和图像质量得到优化。
2012-04-12 cs.CR cs.MM
Steganalysis via a Convolutional Neural Network using Large Convolution Filters for Embedding Process with Same Stego Key
在过去的几年里，在图像隐写术和隐写分析之间的竞争中，深度学习已经成为基于丰富图像模型与集成分类器相结合的隐写分析方法的一个非常有前途的替代方案。图像隐写分析器的关键知识结合了相关的图像特征和创新的分类过程，可以通过称为卷积神经网络（CNN）的深度学习方法推导出来。这种深度学习网络非常适合基于检测2D形状变化的分类任务，因此它是许多图像识别问题的最新技术。在这篇文章中，我们设计了一个基于CNN的隐写分析器的图像应用隐写术与一个唯一的嵌入密钥。这一结果与{ \em Qian et al.}及其后继者，即{ \em Pibre et al.}所提出的架构嵌入较少的卷积，在最终卷积层中具有更大的滤波器，并且更通用：它能够处理更大的图像和更低的有效载荷。对于“相同的嵌入密钥”的情况下，我们的建议优于所有其他隐写分析，特别是现有的基于CNN的，并击败了许多国家的最先进的图像隐写方案。
2016-07-30 cs.MM
Steganalysis of Transcoding Steganography
TranSteg（Trancoding Steganography）是一种较新的IP电话隐写方法，它通过对语音数据进行转码压缩，为隐写图腾出空间。它提供高隐写带宽，保持良好的语音质量，通常比其他现有的VoIP隐写方法更难检测。在TranSteg中，在隐写图到达接收方之后，隐藏的信息被提取，并且语音数据实际上被恢复为原始发送的内容。与其他现有的VoIP隐写方法相比，这是一个巨大的优势，其中隐藏的数据可以被提取和删除，但原始数据无法恢复，因为它之前由于隐藏的数据插入过程而被删除。在本文中，我们解决的问题，隐写分析的transSteg。针对TranSteg检测分析了各种TranSteg场景和管理员本地化的可能性。提出了一种基于MFCC（Mel-Frequency Cepstral Coefficients）参数和高斯混合模型（Gaussian Mixture Models）的隐写分析方法，并在一个具有双重转码功能的单守护者场景中对不同的显/隐编解码器对进行了测试。所提出的方法允许有效地检测一些编解码器对（例如，G.711/G.729），而另一些则对检测更具抵抗力（例如，iLBC/AMR）。
2012-10-22 cs.CR cs.MM
A Novel Convolutional Neural Network for Image Steganalysis with Shared Normalization
基于深度学习的图像隐写分析近年来受到越来越多的关注。卷积神经网络（CNN）模型已经被提出，并取得了最先进的性能检测隐写。在本文中，我们探讨了深度学习中的一项重要技术，即用于图像隐写分析任务的批量归一化。与自然图像分类不同，隐写分析是区分隐藏图像和隐藏图像，隐藏图像是在隐藏图像中加入弱隐写信号的结果。这一特性使得一幅封面图像在统计上比其他封面图像更接近于其隐写，这就要求隐写分析方法采用配对学习来提取有效的特征进行图像隐写分析。我们的理论分析表明，具有多个归一化层的CNN模型在使用配对学习进行良好训练时很难推广到测试集中的新数据。为了解决这个问题，本文提出了一种新的归一化技术，称为共享归一化（SN）。与利用小批量平均值和标准差来标准化每个输入批次的批量归一化层不同，SN对所有训练和测试批次共享相同的统计数据。基于提出的SN层，我们进一步提出了一种新的神经网络模型的图像隐写分析。大量的实验表明，所提出的网络与SN层是稳定的，可以检测到最先进的隐写术比以前的方法有更好的性能。
2017-11-21 cs.MM
Fast Steganalysis Method for VoIP Streams
在这封信中，我们提出了一种新的和非常快速的隐写分析方法的IP语音（VoIP）流，驱动的VoIP流中可能的隐写需要一个快速，准确的检测。我们首先分析了载波间的相关性。为了更好地利用码字的相关性，我们将矢量量化码字映射到语义空间。为了达到较高的检测效率，只有一个隐藏层被用来提取这些码字之间的相关性。最后，基于提取的相关特征，我们使用softmax分类器对输入流载波进行分类。为了提高该模型的性能，我们在训练过程中加入了一个简单的知识蒸馏框架。实验结果表明，该方法在检测精度和效率上都达到了最先进的性能。特别是当样本长度为0.1s时，该方法的平均处理时间仅为0.05%，对隐写监控的在线服务具有很强的实用价值。
2019-10-31 cs.MM
Spec-ResNet: A General Audio Steganalysis scheme based on Deep Residual Network of Spectrogram
音视频通信技术的广泛应用，使得压缩后的音频数据在互联网上流动，成为隐蔽通信的重要载体。在主流的音频压缩数据中，出现了许多隐写方案，如AAC和MP3，随之而来的是许多隐写分析方案。然而，这些隐写分析方案仅在特定的嵌入域中有效。本文提出了一种通用的隐写分析方案Spec-ResNet（Deep Residual Network of Spectrogram），用于检测AAC和MP3的不同嵌入域的隐写方案。其基本思想是，不同嵌入域的隐写修改都会引入解码音频信号的变化。本文采用音频信号频谱的可视化表示--声谱图作为特征网络的输入，提取隐写方案引入的通用特征;设计深度神经网络Spec-ResNet来表示隐写分析特征;并将不同声谱图窗口提取的特征进行组合，以全面捕获隐写分析特征。实验结果表明，该方案具有较好的检测精度和通用性。该方案具有更好的检测精度为三种不同的AAC隐写方案和MP3隐写比现有的隐写分析方案，这是基于传统的手工制作或基于CNN的功能。据我们所知，音频隐写分析方案的基础上的频谱图和深度残差网络，本文首次提出。该方法可以推广到其他编解码器的音频隐写分析或音频取证中。
2019-02-26 cs.MM
H.265/HEVC Video Steganalysis Based on CU Block Structure Gradients and IPM Mapping
Nanjing University of Information Science and Technology（南京信息工程大学）；University of Macau（澳门大学）；Guangzhou University（广州大学）
本文提出基于CU块结构梯度和IPM映射的新型H.265/HEVC视频隐写分析方法，通过构建梯度图和IPM块级映射，联合建模由隐写术引入的结构扰动，实验表明在不同量化参数和分辨率下均能有效检测基于CU块结构的隐写术。
2026-06-16 cs.MM eess.IV
FCEM: A Novel Fast Correlation Extract Model For Real Time Steganalysis of VoIP Stream via Multi-head Attention
在IP语音（VoIP）流隐写分析中，如何高效地提取码字间的相关特征是关键。在本文中，我们利用注意力机制，最近吸引了巨大的兴趣，由于其高度并行计算和灵活的建模相关性，在序列，以解决隐写分析问题的量化索引调制（QIM）为基础的隐写压缩VoIP流。我们设计了一个轻量级的神经网络快速相关提取模型（FCEM），只基于一个变种的注意力称为多头注意力，从VoIP帧中提取相关特征。尽管形式简单，但FCEM在预测精度和时间效率方面都优于复杂的递归神经网络（RNN）和卷积神经网络（CNN）模型。它显著地改善了最近在检测低嵌入率和短样本方面的最佳结果。此外，当样本长度为0.1s时，该模型将检测速度提高了一倍，使其成为在线服务的优秀方法。
2020-04-15 cs.MM
Deep Learning for Steganalysis of Diverse Data Types: A review of methods, taxonomy, challenges and future directions
University of Medea（迈迪亚大学）；University of Sciences and Technology Houari Boumediene (USTHB)（侯阿里·布迈丁科技大学）；University of Dubai（迪拜大学）；Universitat Oberta de Catalunya (UOC)（加泰罗尼亚开放大学）；University of Sharjah（沙迦大学）；De Montfort University（德蒙福特大学）
该综述全面梳理了面向图像、音频、视频等多类型载体的深度学习隐写分析技术，涵盖常用方法、DTL与DRL等先进技术、数据集与评估指标，分析了现状与挑战并指明未来方向。
2024-03-12 cs.AI cs.CR cs.LG
DNA Steganalysis Using Deep Recurrent Neural Networks
Seoul National University（首尔大学）；Seoul National University of Science and Technology（首尔科学技术大学）；NAVER Corp.（NAVER公司）
随着新一代测序技术的发展，脱氧核糖核酸（DNA）作为隐写术中一种新的隐蔽通道得到了广泛应用。在其他领域中存在各种方法来检测传统隐蔽信道中的隐藏消息。然而，它们尚未被应用于DNA隐写术。目前最常见的检测方法，即基于频率分析的方法，往往忽略了重要的信号时，直接应用于DNA隐写术，因为这些方法依赖于序列字符的数量分布。为了解决这个问题，我们提出了一个通用的基于序列学习的DNA隐写分析框架。该方法学习编码和非编码序列的内在分布，并通过利用隐藏这些消息后的分布变化来检测隐藏的消息。使用深度循环神经网络（RNN），我们的框架通过使用分类得分来预测序列是编码序列还是非编码序列来识别分布变化。我们比较我们提出的方法，各种现有的方法和生物序列分析方法上实现我们的框架。根据我们的实验结果，我们的方法提供了一个强大的检测性能相比，其他工具。
2018-10-05 cs.LG cs.MM
StegExpose - A Tool for Detecting LSB Steganography
隐写分析工具在节省时间和为取证分析师提供新的攻击角度方面发挥着重要作用。StegExpose是一个专为在现实世界中使用而设计的解决方案，能够以高效的方式使用经过验证的攻击批量分析图像的LSB隐写。当隐写分析方法被智能地组合时，它们能够生成更准确的结果。这是StegExpose的主要焦点。
2014-10-24 cs.CR cs.MM
A One-dimensional HEVC video steganalysis method using the Optimality of Predicted Motion Vectors
Engineering University of the Chinese People’s Armed Police Force（中国人民武装警察部队工程大学）
本文提出一种基于预测运动矢量最优性的一维HEVC视频隐写分析特征，利用原始视频中MVP最优率为100%而隐写视频低于100%的差异实现准确检测，无需训练且计算复杂度低。
2023-08-12 cs.CR cs.LG cs.MM
PixelSteganalysis: Destroying Hidden Information with a Low Degree of Visual Degradation
隐写术是一门将秘密信息隐藏在特定图像（称为封面图像）中的科学。带有秘密消息的覆盖图像被称为隐写图像。隐写术通常用于非法目的，如恐怖活动和色情。为了阻止秘密通信和交易，存在针对隐写术的攻击算法，称为隐写分析。目前，将深度学习应用到隐写算法中的研究很多。然而，传统的隐写分析对于基于深度学习的隐写算法不再有效。我们的框架是第一个通过最近的基于深度学习的隐写算法干扰隐蔽通信和交易的框架。我们首先从深度学习诱导的自回归模型中提取潜在隐写图像的复杂像素分布。使用提取的像素分布，我们检测图像是否是隐写或不在像素级。根据需要调整每个像素值，并且该调整引起秘密图像的有效去除。由于基于深度学习的隐写算法的解码方法是近似的（有损的），这与传统的隐写术不同，我们提出了一种新的更适合衡量准确效果的量化度量。我们使用三个公共基准与传统的隐写分析方法相比，我们的方法进行评估，并显示解码率提高了20%。
2019-03-02 cs.CR cs.LG cs.MM
PixelSteganalysis: Pixel-wise Hidden Information Removal with Low Visual Degradation
Seoul National University（首尔大学）；Ewha Womans University（梨花女子大学）；Kangwon National University（江原大学）；Ziovision
近年来，基于深度学习（DL）的隐写术得到了快速发展。基于DL的隐写术将秘密信息分布在覆盖图像的所有可用比特上，从而在使用传统的隐写分析方法来检测、提取或移除隐藏的秘密图像时造成困难。然而，我们提出的框架是第一个有效地禁用隐蔽通信和交易，使用DL基于隐写术。我们提出了一种基于DL的隐写分析技术，通过恢复原始图像的分布来有效地去除秘密图像。我们制定了一个问题，并通过利用复杂的像素分布和图像的边缘分布，通过使用深度神经网络来解决它。基于给定的信息，我们在像素级删除隐藏的秘密信息。我们评估我们的技术，通过比较它与传统的隐写分析方法，使用三个公共基准。由于基于DL的隐写术的解码方法是近似的（有损的），不同于传统的隐写术的解码方法，我们还引入了一个新的定量度量称为破坏率（DT）。实验结果表明，在解码速率和DT的性能提高了10-20%。
2021-12-09 cs.CR cs.CV cs.MM
Distribution-Preserving Steganography Based on Text-to-Speech Generative Models
隐写术是在公共通信中隐藏秘密消息的艺术和科学，使得秘密消息的存在无法被检测到。目前有两种保持分布的隐写框架，一种是基于采样的，另一种是基于压缩的。前者需要一个完美的采样器，产生的数据遵循相同的分布，后者需要显式分布的生成对象。然而，这两个条件在传统的数据环境中过于严格，甚至是不现实的，例如，自然图像的分布很难抓住。幸运的是，生成模型为保持分布的隐写术带来了新的活力，它可以作为完美的采样器或提供生成媒体的显式分布。以文本到语音生成任务为例，我们提出了基于WaveGlow和WaveNet的保持分布的隐写算法，对应于前两类。隐写分析实验和理论分析表明，所提出的方法可以保持分布。
2020-11-20 cs.MM
Motion Vector-Domain Video Steganalysis Exploiting Skipped Macroblocks
本文提出一种基于跳过宏块和重压缩校准的11维特征集，用于检测基于运动矢量的视频隐写，在低嵌入容量下检测精度高，且对量化参数失配鲁棒。
2023-10-11 cs.CR cs.MM
Evolutionary Algorithms and Efficient Data Analytics for Image Processing
University of Georgia（佐治亚大学）；Florida International University（佛罗里达国际大学）
隐写算法以秘密的方式促进源和目的地之间的通信。这是通过将消息/文本/数据嵌入到图像中而不影响所得图像/视频的外观来完成的。隐写分析是确定图像中是否嵌入/隐藏了秘密信息的科学。由于有许多隐写算法，并且由于每一种算法都需要不同类型的隐写分析，因此隐写分析过程极具挑战性。因此，研究人员的目标是开发一种通用的隐写分析，以检测所有已知和未知的隐写算法，理想情况下是实时的。通用隐写分析提取大量特征来区分隐写图像和隐藏图像。然而，特征的增加导致了维数灾难（CoD）问题，这被认为是一个NP难问题。这个COD问题还使得实时隐写分析变得困难。大量的特征会生成大型数据集，机器学习无法为其生成最佳模型。生成基于机器学习的模型也需要很长时间，这使得实时处理在诸如视觉计算之类的时间密集型领域的任何优化中都显得不可能。CoD的可能解决方案是克服机器学习限制的深度学习和进化算法。在这项研究中，我们调查以前开发的进化算法，以提高实时图像处理，并认为他们提供了最有前途的解决方案的CoD问题。
2020-10-19 cs.CV cs.LG cs.MM
Enhancing JPEG Steganography using Iterative Adversarial Examples
基于卷积神经网络（CNN）的方法与传统的基于手工特征的方法相比，显著提高了图像隐写分析的性能。然而，许多现有的计算机视觉的文献指出，这些有效的基于CNN的方法可以很容易地被欺骗的敌对的例子。在本文中，我们提出了一种新的隐写框架的基础上对抗性的例子在迭代的方式。该框架首先从现有的嵌入成本开始，如J-UNIWARD在这项工作中，然后基于来自一系列隐写分析网络的对抗性示例迭代更新成本，直到获得满意的结果。我们仔细分析了两个重要的因素，将影响所提出的框架的安全性能，即具有较大幅度的选择梯度的百分比和对抗强度修改嵌入成本。在GFR、SCA-GFR和SRNet三种现代隐写分析模型上的实验结果表明，该框架对提高JPEG隐写的安全性能具有很好的应用前景。
2019-10-02 cs.MM
FGAS: Fixed Decoder Network-Based Audio Steganography with Adversarial Perturbation Generation
School of Communication & Electronic Engineering, East China Normal University（东华大学通信与电子工程学院）；Shanghai Innovation Institute（上海创新研究院）；School of Computer Science, Fudan University（复旦大学计算机科学学院）；School of Electronic Information and Electrical Engineering, Shanghai Jiao Tong University（上海交通大学电子信息与电气工程学院）
本文提出FGAS，一种基于固定解码器网络的音频隐写术，通过生成对抗扰动提升音频质量与抗隐写分析性能，实验显示其在PSNR和抗攻击方面优于现有方法。
2026-04-23 cs.MM cs.SD eess.AS
Spatial Image Steganography Based on Generative Adversarial Network
随着近年来隐写分析领域深度学习的发展，将秘密信息嵌入数字图像面临着巨大的挑战。提出了一种基于对抗训练的安全隐写算法。该体系结构包括三个组成模块：生成器、嵌入模拟器和嵌入式仿真器。提出了一种基于U-NET的生成器，将封面图像转化为嵌入变化概率。为了拟合最优嵌入模拟器并传播梯度，提出了一种称为Tanh模拟器的函数。在隐写算法中，引入了选择信道感知（SCA）机制来抵抗基于SCA的隐写分析方法。实验结果表明，该框架可以大大提高安全性能比最近报道的方法ASDL-GAN，而训练时间只有30%的ASDL-GAN使用。此外，它的性能也优于手工制作的隐写算法S-UNIWARD。
2018-04-21 cs.MM
Invisible Steganography via Generative Adversarial Networks
Beijing University of Posts and Telecommunications（北京邮电大学）
目前，已有大量的工作将卷积神经网络引入到隐写分析中，并超越了传统的隐写分析算法。这些工作显示了深度学习在信息隐藏领域的改进潜力。也有几个基于深度学习做图像隐写的作品，但这些作品在容量、不可见性和安全性上还存在问题。在本文中，我们提出了一种新的CNN架构命名为\isgan隐藏秘密灰度图像到彩色封面图像的发送端和准确地提取秘密图像的接收端。我们的工作有三个贡献：（i）我们通过将秘密图像仅隐藏在覆盖图像的Y通道中来提高不可见性;（ii）我们引入生成对抗网络，通过最小化隐藏图像和自然图像的经验概率分布之间的差异来加强安全性。(iii)为了更好地与人类视觉系统相关联，我们构造了一个更适合隐写的混合损失函数，以生成更真实的隐写图像，并揭示出更多更好的秘密图像。实验结果表明，ISGAN在LFW、Pascal VOC 2012和ImageNet数据集上均能达到最佳性能。
2018-10-10 cs.CV cs.MM
CIS-Net: A Novel CNN Model for Spatial Image Steganalysis via Cover Image Suppression
图像隐写分析是一种特殊的二值分类问题，其目的是对自然的载体图像和在载体中嵌入了非常微弱的秘密信息的可疑图像进行分类。如何有效地抑制隐藏图像的内容，从而使隐藏图像和隐藏图像的分类更加容易，是本课题的关键。最近的研究表明，卷积神经网络（CNN）通过学习隐藏图像与隐藏图像之间的鉴别特征，可以有效地检测隐藏图像。通过将图像隐写/隐写分析的领域知识结合到网络的设计中，已经提出了几种深度CNN模型，并且在标准数据库上实现了最先进的性能。在此基础上，本文提出了一种新的隐写分析模型--Cover Image Suppression Network（CIS-Net），该模型通过在模型学习中尽可能地抑制图像内容来提高空间图像隐写分析的性能。在这项工作中，提出了两个新的层，单值截断层（STL）和次线性池层（SPL）。具体来说，STL在输入值超出预定义的间隔时将其截断为相同的阈值。理论上，我们证明了STL可以在不破坏有用信息的情况下降低输入特征图的方差。对于SPL，它利用次线性幂函数来抑制由覆盖图像内容引入的大值元素，并通过平均池化来聚集弱嵌入信号。大量的实验表明，所提出的网络配备STL和SPL实现更好的性能比丰富的模型分类器和现有的CNN模型上具有挑战性的隐写算法。
2019-12-13 cs.MM eess.IV
JPEG Steganography with Embedding Cost Learning and Side-Information Estimation
基于卷积神经网络（CNN）的隐写分析方法的广泛应用给隐写术带来了巨大的挑战。为此，基于生成对抗网络（GANs）的嵌入成本学习框架已经被提出，并在空间隐写中取得了成功。然而，GAN在JPEG隐写中的应用还处于原型阶段，其抗检测能力和训练效率有待提高。在传统的隐写术中，研究表明，从预覆盖计算的边信息可以用于增强安全性。然而，如果没有空间域图像，则很难计算边信息。本文提出了一种基于生成对抗网络的JPEG隐写算法的嵌入代价学习框架（JS-GAN），学习后的嵌入代价可以根据边信息进行非对称调整。实验结果表明，该方法能自动学习自适应的嵌入代价函数，并合理利用估计的边信息，有效提高安全性能。例如，在质量因子为75和0.4 bpnzAC的经典隐写分析器GFR的攻击下，所提出的JS-GAN可以比J-UNIWARD增加检测错误2.58%，并且估计的边信息辅助版本JS-GAN（ESI）可以比JS-GAN进一步提高安全性能11.25%。
2021-07-28 cs.MM
On the usefulness of information hiding techniques for wireless sensor networks security
无线传感器网络（WSN）通常由基站和大量无线传感器组成。在某个时间快照从整个网络收集的传感数据可以可视化为图像。因此，信息隐藏技术可以应用于这个“感觉数据图像”。隐写术是指将数据隐藏到数字媒体中而不引起任何怀疑的技术，而隐写分析是检测隐写术存在的艺术。本文简要介绍了隐写术和隐写分析在无线传感器网络中的应用。然后，我们表明，隐写技术都与无线传感器网络中的感知数据认证，并考虑到攻击者的角度来看，这还没有在文献中进行了研究。我们的模拟结果表明，汇水平是无法检测到的nsF5算法对感测数据进行的攻击。
2017-06-25 cs.MM cs.SE
Coverless Information Hiding Based on Generative adversarial networks
传统的图像隐写术或多或少地修改了图像的内容，很难抵抗图像隐写分析工具的检测。针对这一问题，提出了一种基于生成对抗网络的生成式无覆盖信息隐藏方法。该方法的主要思想是用秘密信息作为驱动器来代替生成对抗网络的类标签，直接生成隐藏图像，然后通过隐层算法从隐藏图像中提取秘密信息。这是首次利用生成对抗网络实现无覆盖信息隐藏。与传统的图像隐写相比，该方法不修改原始图像的内容。因此，该方法可以有效地抵抗图像隐写分析工具。实验结果表明，该算法在隐写容量、抗隐写分析、安全性和可靠性等方面都有较好的性能。
2017-12-18 cs.CR cs.MM
BASN -- Learning Steganography with Binary Attention Mechanism
近年来，随着图像在互联网和移动应用中的日益普及，以图像为载体的秘密信息共享成为研究热点。然而，随着卷积神经网络的蓬勃发展，图像隐写术正面临着来自神经网络自动化任务的更大挑战。为了提高图像隐写的安全性和最小化任务结果失真，模型必须保持由特定任务网络生成的特征图与嵌入在载体中的任何隐藏信息无关。本文将二值注意力机制引入图像隐写中，以缓解图像隐写的安全性问题，同时增加图像隐写的有效载荷容量。实验结果表明，我们的方法具有高的负载容量与小的特征图失真的优势，仍然抵抗检测的国家的最先进的图像隐写分析算法。
2019-07-09 cs.CV cs.MM
LACK - a VoIP Steganographic Method
本文提出了一种新的隐写方法LACK（Lost Audio Packets Steganography），主要用于VoIP。该方法是在更广泛的背景下，网络隐写术和VoIP隐写术特别。文中给出的分析结果关注的影响，LACK的隐藏数据插入过程的方法的语音传输质量的影响和它的抗隐写分析。
2008-11-25 cs.CR cs.MM
Unsupervised Steganalysis Based on Artificial Training Sets
Universitat Oberta de Catalunya（加泰罗尼亚开放大学）
提出了一种结合人工训练集和监督分类的无监督隐写分析方法。我们提供了一个形式化的框架，用于在目标隐写分析的典型情况下（即，对于已知算法和近似嵌入比特率）。我们还提出了一套完整的实验，使用1）8个不同的图像数据库，2）图像特征的RichModels的基础上，和3）三种不同的嵌入算法：最低有效位（LSB）匹配，高度不可检测的隐写术（HUGO）和小波获得的权重（WOW）。实验结果表明，在大多数测试用例中，该方法的性能优于以往基于丰富模型的方法。同时，当嵌入算法和比特率已知时，所提出的方法绕过了Cover Source Mismatch问题，因为当我们有足够大的测试集时，它消除了对训练数据库的需要。此外，我们在机器学习上下文中提供了所提出的框架的通用证明。因此，本文的结果可以推广到其他类似于隐写分析的分类问题。
2017-03-02 cs.LG cs.MM
Steganographer Identification
传统的隐写分析检测单个对象内的隐写术的存在。在现实世界中，我们可能会面临一个复杂的场景，一个或多个用户称为演员是有罪的使用隐写，这是典型的定义为隐写识别问题（SIP）。人们可以使用传统的隐写分析算法来分离隐写对象和隐藏对象，然后识别出犯罪者。然而，有罪的演员可能会因为一些错误的警报而丢失。为了处理SIP，大多数现有技术使用基于无监督学习的方法。在他们的解决方案中，每个参与者持有多个数字对象，从中可以提取一组特征向量。确定这些特征集之间的明确定义的距离，以测量相应的演员之间的相似性。通过应用聚类或离群点检测，最可疑的行为者将被判断为隐写者。虽然SIP还需要进一步的研究，但已有的研究成果在非自适应隐写嵌入的情况下具有较好的识别隐写者的能力。在本章中，我们将介绍SIP的基本概念并回顾SIP中的高级方法。本章是独立的，旨在作为一个教程介绍SIP的媒体隐写术的背景下。
2019-04-16 cs.CR cs.MM
Steganography of VoIP Streams
本文关注现有的隐写技术，可用于创建隐蔽的通道VoIP（语音互联网协议）流。除了现有的隐写方法的特点，我们提出了两种新的技术提供了新的见解。第一种是网络隐写解决方案，其利用空闲/未使用的协议的字段，并且已知用于IP、UDP或TCP协议，但从未应用于RTP（实时传输协议）和RTCP（实时控制协议），这是VoIP的特征。第二种方法，称为LACK（丢失的音频数据包隐写），提供混合存储定时隐蔽通道，利用延迟的音频数据包。本文还包括实验的结果，该实验是为了估计在典型的VoIP会话阶段可以秘密传输的数据总量，而不管隐写分析。
2008-08-25 cs.CR cs.MM
Destruction of Image Steganography using Generative Adversarial Networks
Booz Allen Hamilton（博思艾伦汉密尔顿）
数字图像隐写分析或图像隐写术的检测已被深入研究多年，并且由高级持续性威胁（APT）组（例如APT37 Reaper）驱动，利用隐写术技术来传输额外的恶意软件，以在受损主机上执行进一步的开发后活动。然而，许多隐写分析算法被限制为只处理野生环境中所有可能图像的子集，或者已知会产生很高的误报率。这导致阻止任何可疑的图像是一个不合理的政策。更可行的策略是在主机接收之前过滤可疑图像。然而，如何进行最佳过滤，特别是混淆或删除图像隐写，同时避免视觉图像质量的下降的情况下，图像的检测是一个假阳性？我们提出了深度数字隐写净化器（DDSP），这是一种生成对抗网络（GAN），经过优化可以破坏隐写内容，而不会损害原始图像的感知质量。实验结果表明，与其他最先进的过滤方法相比，我们的模型能够在保持高视觉质量的同时提供高的隐写图像内容破坏率。此外，我们测试了迁移学习的能力，推广到使用看不见的隐写算法混淆嵌入到不同图像文件格式和类型的真实恶意软件有效载荷，并证明我们的模型实际上可以部署提供足够的结果。
2019-12-20 cs.CR cs.LG cs.MM
Improving embedding efficiency for digital steganography by exploiting similarities between secret and cover images
数字隐写术正在成为一种常用的工具，用于保护各种应用中的敏感通信，如犯罪（恐怖主义）预防，执法人员需要将犯罪现场捕获的面部图像与已知罪犯的面部数据库进行远程比较（嫌疑人）;在敌对环境中交换军事地图或监视录像（情况）;在存储或交换患者医疗图像（记录）时在医疗保健系统中保护隐私;以及防止未经授权的用户非法访问银行客户账户（记录）。现有的数字隐写方案中嵌入秘密图像的封面图像文件往往不利用各种冗余的秘密图像比特流来处理各种冲突的要求嵌入容量，隐写图像质量，和不可检测性。本文关注的是创新的图像程序和数据隐藏方案的开发，以及增加，秘密图像比特流和封面图像LSB平面之间的相似性。这将在两个新颖的步骤中实现，这两个步骤涉及在嵌入之前操纵秘密图像和覆盖图像两者，以在秘密图像比特流和覆盖图像LSB平面两者中实现更高的0：1比率。上述两步策略已被利用来使用位平面映射技术，而不是位平面替换，以使每个覆盖像素可用于秘密嵌入。本文将证明，这种策略产生的隐写图像具有最小的失真，高嵌入效率，相当好的隐写图像质量和鲁棒性对3个著名的有针对性的隐写分析工具。
2020-04-24 cs.MM
Steganalysis of Image with Adaptively Parametric Activation
隐写分析作为一种检测图像中是否含有隐写信息的方法，是避免滥用隐写术危害的重要研究方向。隐写分析的重点是检测卷积层难以学习到的、容易被抑制的弱嵌入信号。为了增强嵌入信号，从减少嵌入信号损失和增强嵌入信号捕获能力的角度，研究了激活函数、滤波器和损失函数的不一致性。设计了自适应参数激活模块，保留负嵌入信号。为了增强嵌入信号的捕获能力，对高通滤波器加入约束条件，提高残差分集，使滤波器能够提取丰富的嵌入信号。此外，引入基于对比学习的损失函数，通过最大类间距离克服交叉熵损失的局限性。它帮助网络区分嵌入信号和语义边缘。我们使用BOSSbase 1.01中的图像，并使用WOW和S-UNIWARD制作隐写器进行实验。与最先进的方法相比，我们的方法具有竞争力的性能。
2022-03-24 cs.CR cs.CV cs.MM
SSGAN: Secure Steganography Based on Generative Adversarial Networks
Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）；School of Cyber Security, University of Chinese Academy of Sciences（中国科学院大学网络空间安全学院）；Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）
本文提出了一种基于生成对抗网络的安全隐写策略，用于生成合适的、安全的隐写覆盖。所提出的架构有一个生成网络，和两个判别网络。生成式网络主要评估生成图像的视觉质量以用于隐写，而鉴别式网络则用于评估其是否适合信息隐藏。与采用深度卷积生成对抗网络的现有工作不同，我们利用另一种形式的生成对抗网络。通过使用这种新形式的生成对抗网络，在收敛速度、训练稳定性和图像质量方面都有了显著的改善。此外，一个复杂的隐写分析网络的鉴别网络，该网络可以更好地评估所生成的图像的性能。在公开数据集上进行了大量实验，以证明所提出的方法的有效性和鲁棒性。
2018-11-24 cs.CV cs.MM
Cover Reproducible Steganography via Deep Generative Models
密码学通过将秘密消息加密成可疑形式而容易引起攻击，而隐写术通过将消息隐藏在看似无辜的覆盖信号中而具有抵抗攻击的能力。最小失真隐写术是一种主流的隐写框架，它在嵌入信息的同时最大限度地减少了由于对覆盖元素的修改而引起的失真。由于接收端无法获得原始的覆盖信号，信息嵌入需要通过寻找从信道编码迁移而来的隐写码伴随式函数的陪集首来实现，该方法复杂且性能有限。幸运的是，深度生成模型和生成数据的鲁棒语义使得接收器可以从隐写信号中完美地再现覆盖信号。利用这一优势，我们提出了覆盖可再现隐写术，其中信源编码，例如，算术编码，用作隐写代码。具体而言，算术编码的解码过程用于消息嵌入，其编码过程被视为消息提取。以文本到语音和文本到图像的合成任务为例，我们说明了覆盖再现隐写术的可行性。实验和理论分析表明，该方法在大多数情况下优于现有的方法。
2022-10-26 cs.CR cs.MM
Generative Steganography Network
Fudan University（复旦大学）
隐写术通常修改封面媒体以嵌入秘密数据。生成式隐写是近年来出现的一种新的隐写方法，它直接从秘密信息中生成隐写图像（包含秘密信息的图像）。然而，现有的GS计划经常因其糟糕的表现而受到批评。在本文中，我们提出了一个先进的生成式隐写网络（GSN），可以生成真实的隐写图像，而无需使用覆盖图像。首先介绍了GS中的互信息机制，该机制有助于获得高的秘密提取精度。我们的模型包含四个子网络，即，图像生成器（$G$）、隐写器（$D$）、隐写分析器（$S$）和数据提取器（$E$）。$D$和$S$作为两个对抗鉴别器，以确保生成的隐写图像的视觉质量和安全性。$E$是从生成的隐写图像中提取隐藏的秘密。生成器$G$构造灵活，可以合成不同输入的覆盖图像或隐写图像。它通过隐藏在一个正常的生成器生成隐写图像的功能，方便隐蔽通信。在图像生成过程中，设计了秘密块模块将秘密信息隐藏在特征映射中，实现了较高的隐藏容量和图像保真度。此外，一种新的分层梯度衰减（HGD）技术的发展，以抵抗隐写分析检测。实验表明，我们的工作优于现有的方法。
2022-08-14 cs.CV cs.MM
Blind Data Adaptation to tackle Covariate Shift in Operational Steganalysis
Univ. Lille（里尔大学）；CNRS（法国国家科学研究中心）；Centrale Lille（里尔中央理工学院）；Czech Technical University（捷克技术大学）
针对隐写分析中训练集与真实数据分布差异导致的协变量偏移问题，提出TADA方法，通过几何对齐和分布匹配实现目标对齐，实验验证其有效性。
2024-05-29 cs.AI cs.CR cs.MM
Steganographic Generative Adversarial Networks
Skolkovo Institute of Science and Technology（斯科尔科沃科学技术研究院）
隐写术是将秘密信息（“有效载荷”）隐藏在非秘密信息（“容器”）内的方法的集合。它的对应物，隐写分析，是确定消息是否包含隐藏的有效载荷，并在可能的情况下恢复它的做法。隐藏有效载荷的存在通常由二元分类器检测。在本研究中，我们提出了一种基于深度卷积生成对抗网络（DCGAN）生成图像状容器的新模型。这种方法允许使用标准的隐写算法生成更安全的消息嵌入。实验结果表明，该模型能够成功地欺骗隐写分析器，因此可以用于隐写应用中。
2019-10-07 cs.CR cs.CV cs.MM
Intelligent Carrier Allocation: A Cross-Modal Reasoning Framework for Adaptive Multimodal Steganography
针对传统隐写术固定单一载体、无法自适应的问题，本文提出基于跨模态推理（CMR）引擎的智能载体分配框架，通过评估多模态载体适配性分配秘密比特流，提升系统安全性与保密性。
2025-11-12 cs.CR cs.MM
Steganalyzer performances in operational contexts
隐写术和隐写分析是信息隐藏研究领域的两个重要分支。隐写术方法包括以这样一种方式隐藏信息，即秘密消息对于未启动的人是不可检测的。隐写分析涵盖了所有试图检测这种隐藏信息存在的技术。后者通常通过使分类器能够根据它们在精心选择的特征上的差异将无辜图像与隐写图像分开来设计。我们想知道，在这篇文章中，是否有可能构建一种通用的隐写分析器，而无需任何关于隐写方面的知识。然后评估学习和测试阶段之间的参数或方法的修改对分类得分的影响，同时更深入地研究通过在学习阶段合并许多方法来提高分离得分的可能性。
2016-08-20 cs.CR cs.MM
CNN-Assisted Steganography -- Integrating Machine Learning with Established Steganographic Techniques
Darwin Deason Institute for Cyber Security（达尔文·迪森网络安全研究所）；Southern Methodist University（南卫理公会大学）
提出用SA-CNN辅助参数化隐写算法，依据载体媒体自适应配置S-UNIWARD，并通过Yedroudj-Net验证其可降低被隐写分析检测的有效性。
2023-04-25 cs.CR cs.LG cs.MM
