TSCL:Multi-party loss Balancing scheme for deep learning Image steganography based on Curriculum learning
Qianan College, North China University of Science and Technology（华北科技大学千安学院）；School of Cyberspace Security, Beijing University of Posts and Telecommunications（北京邮电大学网络安全学院）；College of Science, North China University of Science and Technology（华北科技大学理学院）
本文提出一种两阶段课程学习损失调度器TSCL，通过先验课程控制和损失动态控制平衡深度学习图像隐写中的多方损失，在ALASKA2等数据集上提升了隐写质量、解码精度和安全性。
2025-04-25 cs.AI cs.CR cs.CV
StegBlocks: ensuring perfect undetectability of network steganography
本文介绍了StegBlocks，它定义了一个新的概念，用于执行不可检测的隐藏通信。StegBlocks是一种构造网络隐写算法的通用方法。在StegBlocks中，必须确定具有定义属性的对象，这些属性将用于传输隐藏消息。对象依赖于用作给定网络隐写方法的载体的特定网络协议（或应用）。在此基础上，提出了基于一般隐写术不可检测性准则的网络隐写术不可检测性完善方法。通过对网络隐写术不可检测性的研究，说明了利用隐写块的概念开发完全不可检测的网络隐写术方法的可能性。
2015-06-07 cs.CR cs.MM
Systematically Deconstructing APVD Steganography and its Payload with a Unified Deep Learning Paradigm
本文提出基于深度学习的APVD隐写术检测与反隐写分析方法，通过CNN与注意力机制实现高准确率的隐写检测和载荷恢复。
2025-11-20 cs.CR
Towards Steganography Detection Through Network Traffic Visualisation
提出了基于流量可视化的网络异常检测方法。所提出的方法的关键设计原则是创建的网络流量可视化缺乏直接的，线性的时间依赖性。该方法的可行性证明了在网络隐写环境中提出的隐写层析成像方法和开发专用的可视化工具。据作者所知，这是第一次利用网络流量可视化进行隐写分析。
2012-08-14 cs.CR
Steganography GAN: Cracking Steganography with Cycle Generative Adversarial Networks
只要人类参与了交流活动，在这些交流媒介中隐藏信息就已经成为一种艺术。通过书面语言或图像的密码信息是一种隐藏手段，通常用于高度敏感或危险的信息。具体来说，密码学领域是防止第三方理解私人消息的协议的构建和分析。隐写术与密码学有关，其目标是使用某种方法或算法来掩盖信息，但最重要的区别是隐写术中的信息和隐藏信息的方法都涉及图像-更准确地说，将一个图像或一段信息嵌入另一个图像。自从创建了隐蔽通信方法以来，已经采取了一些措施来破解密码学和隐写术算法。对这一点的渴望来自人类的好奇心和抵制不利用途的需要，例如在不显眼的媒体中编码有害媒体（钓鱼攻击）。在本文中，我们成功地破解了最低有效位（LSB）隐写算法使用循环生成对抗网络（CycleGANs）和贝叶斯优化，并比较使用CycleGANs对卷积自动编码器。我们的实验结果突出了CycleGANs在破解隐写术方面的前景，并开辟了几条可能的研究途径。
2020-06-07 cs.CR
Steganography of Complex Networks
隐写术是信息隐藏技术的一种，它将秘密信息隐藏在载体中。数字图像和音频是隐写术研究最多的载体。然而，到目前为止，还没有研究利用复杂网络作为隐藏媒体。为了研究复杂网络作为隐写术载体的可能性和可行性，本文介绍了BIND、BYMOND和Bynis三种复杂网络隐写算法。BIND在边中隐藏两个比特的秘密消息，而BYMOND在边中编码一个字节，而不改变原始网络结构。在Open Graph Benchmark网络上进行的编码仿真实验表明，BIND和BYMOND能够成功地将随机消息隐藏在边列表中。BYNIS通过从给定消息生成节点标识符来合成边。BYNIS合成的隐写网络的度分布大多接近幂律分布。复杂网络的隐写术有望在诸如保护专有数据集的水印或用于隐私保护的敏感信息隐藏等方面得到应用。
2021-10-20 cs.CR cs.SI
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
Securing Fixed Neural Network Steganography
Fudan University（复旦大学）
针对固定神经网络隐写术（FNNS）中任何人都能提取秘密的安全缺陷，本文提出基于密钥的FNNS方案，通过密钥控制扰动嵌入数据，并引入自适应扰动优化策略，在防止未授权提取的同时提升隐写图像的视觉质量。
2023-09-18 cs.AI cs.CR
Trends toward real-time network data steganography
网络隐写术是一种著名的隐蔽数据通道方法，已有三十多年的历史。自20世纪80年代初引入以来，基本的技术和实现工具集没有发生重大变化。在本文中，我们回顾了经典的网络隐写术的主要方法，描述了在网络传输域中嵌入数据的详细操作和由此产生的挑战。我们还考虑了网络隐写术的各种网络威胁向量，并指出了经典网络隐写术和众所周知的端点多媒体嵌入技术之间的主要差异，这些技术只专注于静态数据修改数据隐藏。然后，我们通过引入一种全新的网络数据隐藏方法来挑战安全社区，我们称之为实时的【形】网络数据隐写。最后，我们通过形成实时的【形】网络数据操作的基本框架，为隐藏网络数据嵌入的根本性变化奠定了基础，这将为计算机网络安全的进一步发展开辟道路。
2016-04-11 cs.CR cs.MM
PRIS: Practical robust invertible network for image steganography
College of Science, China Agricultural University（中国农业大学理学院）
本文提出基于可逆神经网络的图像隐写方法PRIS，通过增强模块、三步训练策略及梯度近似函数处理舍入误差，在鲁棒性和实用性上优于现有方法。
2023-11-28 cs.AI cs.CR cs.CV
Hidden and Uncontrolled - On the Emergence of Network Steganographic Threats
网络隐写术是将秘密信息隐藏在无害的网络传输中的技术。最近的研究结果表明，新型恶意软件越来越多地使用网络隐写术。同样，其他恶意活动也可以从网络隐写术中获利，例如数据泄露或恋童癖数据交换。本文介绍了网络隐写术，并强调其潜在的应用有害的目的。最后讨论了在实践中对抗网络隐写术的相关问题，并对进一步的研究方向和问题进行了展望。
2014-07-08 cs.CR
Retransmission Steganography Applied
本文介绍了一种网络隐写方法RSTEG（重传隐写）的实验结果。RSTEG的主要思想是不确认成功接收的数据包，以故意调用重传。重传的分组在有效载荷字段中携带隐写图而不是用户数据。RSTEG可以应用于许多利用重传的网络协议。我们目前的实验结果RSTEG适用于TCP（传输控制协议），TCP是最流行的网络协议，确保可靠的数据传输。进行实验的主要目的是估计RSTEG隐写带宽和检测通过观察其对网络重传水平的影响。
2010-07-05 cs.CR
Deep Learning in steganography and steganalysis from 2015 to 2018
近10年来，图像中隐藏信息的检测主要通过丰富模型（RM）的计算来进行，然后使用包围分类器（EC）进行分类。2015年，第一项使用卷积神经网络（CNN）的研究通过深度学习接近两步方法（EC + RM）的性能获得了隐写分析的第一个结果。在2015-2018年期间，许多出版物都表明有可能获得改进的性能，特别是在空间隐写分析，JPEG隐写分析，选择通道感知隐写分析和定量隐写分析中。本章从当前方法的角度讨论隐写分析中的深度学习，通过展示2015-2018年期间的不同神经网络，这些网络已经用隐写分析学科的特定方法进行了评估。本章不打算重复机器学习或深度学习的基本概念。因此，我们将以通用的方式介绍深度神经网络的结构，并介绍现有文献中针对不同隐写分析场景提出的网络，最后，我们将讨论通过深度学习进行的隐写。
2019-10-16 cs.CR
Recent Advances of Image Steganography with Generative Adversarial Networks
2014年提出的生成对抗网络（GAN）在过去的几年中取得了巨大的成功。GAN在计算机视觉和自然语言处理领域取得了多项研究成果。图像隐写术致力于在数字图像中隐藏秘密信息，达到隐蔽通信的目的。最近，图像隐写术的研究已经显示出使用GAN和神经网络的巨大潜力。本文综述了基于GANs的图像隐写算法中的遮盖修改、遮盖选择和遮盖合成等策略，讨论了这些方法的特点和评价指标，并提出了图像隐写算法未来的研究方向。
2019-06-18 cs.CR cs.MM eess.IV
Deep Neural Networks based Invisible Steganography for Audio-into-Image Algorithm
Sun* Inc（星阳公司）；Samsung SDS Vietnam（三星SDS越南公司）；Rensselaer Polytechnic Institute（伦斯勒理工学院）；Le Quy Don Technical University（黎贵敦技术大学）
近年来，隐写术的应用范围已不仅仅局限于信息安全领域，越来越受到研究者的关注。最传统的方法是基于数字信号处理，如最低有效位编码。最近，出现了一些采用深度学习来解决隐写问题的新方法。然而，大多数现有的方法是专为图像中的图像隐写。本文提出了利用深度学习技术将秘密音频隐藏到数字图像中。我们采用了由两个子模型组成的联合深度神经网络架构：第一个网络将秘密音频隐藏到图像中，第二个网络负责解码图像以获得原始音频。使用一组24K图像和VIVOS Corpus音频数据集进行了广泛的实验。实验结果表明，该方法比传统方法更有效.图像和音频的完整性得到很好的保持，而隐藏的音频的最大长度显着提高。
2021-02-18 cs.CR cs.LG
PadSteg: Introducing Inter-Protocol Steganography
在网络流量中隐藏信息可能导致机密信息的泄漏。在本文中，我们介绍了一种新的隐写系统：PadSteg（填充隐写术）。据作者所知，这是第一个信息隐藏解决方案，它代表了协议间隐写术，即使用TCP/IP协议栈中两个或多个协议之间的关系来实现秘密通信。PadSteg利用ARP和TCP协议以及Etherleak漏洞（不正确的以太网帧填充）来促进LAN（局域网）中隐藏组的秘密通信。基于真实的网络痕迹，我们确认，PadSteg是可行的，在今天的网络，我们估计什么样的隐写带宽是可以实现的，同时限制披露的机会。我们还指出了针对PadSteg的可能对策。
2011-04-03 cs.CR
A Revised Taxonomy of Steganography Embedding Patterns
隐写术包含了几种隐藏技术，它们跨越多个域。然而，相关的术语在不同的领域，如数字媒体隐写术，文本隐写术，信息物理系统隐写术，网络隐写术（网络隐蔽通道），本地隐蔽通道和带外隐蔽通道之间并不统一。为了解决这个问题，在2015年进行了一次主要的尝试，引入了所谓的隐藏模式，它允许以更抽象的方式描述隐藏技术。尽管有显著的增强，这种分类法的主要限制是，它只考虑网络隐写术的情况。因此，本文回顾了隐藏模式的术语和分类，使他们更普遍。具体来说，隐藏模式被分成描述隐藏数据在封面对象内的嵌入和表示的模式。作为第一个研究行动，我们专注于嵌入隐藏模式，我们展示了它们如何可以应用到多个域的隐写术，而不是仅限于网络场景。此外，我们使用网络隐写术隐藏表示模式。我们的模式集合可在https://patterns.ztt.hs-worms.de下获得。
2021-06-16 cs.CR cs.NI
An Efficient Light-weight LSB steganography with Deep learning Steganalysis
本文提出一种结合图形密钥嵌入与加密混淆的轻量级LSB隐写方案，重点验证其对基于Xception等深度学习隐写分析的抵抗能力，实验显示统计隐写分析准确率仅2.55%，机器学习隐写分析最高约50%。
2022-11-16 cs.CR cs.MM
Hiding Functions within Functions: Steganography by Implicit Neural Representations
提出StegaINR，利用隐式神经表示将秘密函数嵌入隐写函数，无需额外提取器，接收者用共享密钥恢复秘密消息，首次将INR用于隐写术，并在图像和气候数据上验证。
2025-03-26 cs.CR
Hiding Data in Images Using Cryptography and Deep Neural Network
隐写术是一种在另一个类似或不同类型的文件中隐藏数据的艺术。隐藏数据一直是数字取证的重要组成部分。以前，隐写术已经分别与密码学和神经网络结合。而本研究将隐写术、密码学与神经网络结合起来，将一幅图像隐藏在另一幅尺寸较大或相同的容器图像中。虽然使用的加密技术非常简单，但与深度神经网络进行卷积时是有效的。其他隐写术技术涉及有效地隐藏数据，但以统一的模式，这使得它不太安全。该方法既解决了这些问题，又使数据隐藏具有安全性和非均匀性。
2020-01-01 cs.CR cs.MM
Towards Robust Image-in-Audio Deep Steganography
Universitat Politècnica de Catalunya（加泰罗尼亚理工大学）；UC Berkeley（加州大学伯克利分校）；Dolby Laboratories（杜比实验室）
由于人工智能技术的最新进展，隐写术领域受到了极大的关注，特别是在多模态设置的背景下，这些设置可以在不同性质的信号中隐藏信号。所有隐写方法的主要目标是实现感知透明性，鲁棒性和大嵌入容量-这通常会出现经典方法难以调和的相互冲突的目标。本文扩展和增强了现有的图像在音频深度隐写方法，重点是提高其鲁棒性。建议的增强包括修改的损失函数，利用短时傅立叶变换（STFT），引入冗余的编码过程中的纠错，和缓冲的额外信息的像素子卷积操作。结果表明，我们的方法优于现有的方法在鲁棒性和感知透明度。
2023-03-14 cs.CR cs.CV 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
On Importance of Steganographic Cost For Network Steganography
网络隐写术包括可以应用于通信网络环境中并且为此目的利用隐藏的数据载体的信息隐藏技术。在本文中，我们引入了一个特性称为隐写成本，这是一个指标的退化或失真的载体所造成的应用隐写方法。基于单方法和多方法隐写成本分析的示例性情况，我们观察到，它可以是允许表达隐藏数据载体降级的重要特性-类似于MSE（均方误差）或PSNR（峰值信噪比）用于数字媒体隐写。此外，隐写成本可以有助于分析应用于相同隐藏数据载体的两种或更多种隐写方法之间的关系。
2014-06-10 cs.CR cs.MM
Low-frequency Image Deep Steganography: Manipulate the Frequency Distribution to Hide Secrets with Tenacious Robustness
University of Technology Sydney（悉尼科技大学）；University of Queensland（昆士兰大学）；City University of Macau（澳门城市大学）
图像深度隐写（IDS）是利用深度学习将秘密图像不可见地嵌入到封面图像中以生成容器图像的技术。然而，由卷积神经网络（CNN）生成的容器图像容易受到扭曲其高频分量的攻击。为了解决这个问题，我们提出了一种称为低频图像深度隐写（LIDS）的新方法，该方法允许在嵌入过程中进行频率分布操作。LIDS从秘密图像中提取特征图，并将其添加到封面图像中以产生容器图像。容器图像不是由CNN直接输出的，因此它不包含高频伪影。提取的特征图通过频率损失进行调节，以确保其频率分布主要集中在低频域。为了进一步增强鲁棒性，插入攻击层以破坏容器映像。然后，检索网络从损坏的容器图像中检索恢复的秘密图像。我们的实验表明，LIDS在鲁棒性方面优于最先进的方法，同时保持高保真度和特异性。通过避免高频伪影和操纵嵌入式特征图的频率分布，LIDS实现了对扭曲容器图像的高频分量的攻击的改进的鲁棒性。
2023-03-23 cs.CR cs.CV
Hide and Speak: Towards Deep Neural Networks for Speech Steganography
Bar-Ilan University（巴伊兰大学）；Facebook AI Research（脸书人工智能研究院）；Carnegie Mellon University（卡内基梅隆大学）
隐写术是一门将秘密信息隐藏在普通公共信息中的科学，这被称为载体。传统上，数字信号处理技术，如最低有效位编码，用于隐藏消息。在本文中，我们探索使用深度神经网络作为语音数据的隐写功能。我们证明了为视觉提出的隐写模型不太适合语音，并提出了一种新的模型，该模型包括短时傅立叶变换和逆短时傅立叶变换作为网络内的可微层，从而对网络输出施加了重要的约束。通过与基于多个语音数据集的深度学习的对比实验，验证了该方法的有效性，并对实验结果进行了定量和定性分析。此外，我们表明，所提出的方法可以适用于隐藏多个消息在一个单一的载波使用多个解码器或一个条件解码器。最后，我们评估了我们的模型在不同的信道失真。定性实验表明，对载体的修改是不明显的人类听众和解码的消息是高度可理解的。
2020-07-27 cs.CR cs.LG cs.SD
SocialStegDisc: Application of steganography in social networks to create a file system
SocialStegDisc的概念是作为StegHash方法的原始思想的应用而引入的。这种新型大容量存储的特点是空间无限。该设计还试图通过在内存需求和计算时间之间进行权衡来改进StegHash的操作。应用链表机制提供了对文件的创建、读取、删除和修改操作的集合。讨论了特点、限制和机会。
2017-06-29 cs.CR cs.MM
"The Good, The Bad And The Ugly": Evaluation of Wi-Fi Steganography
在本文中，我们提出了一种新的方法来评估网络隐写算法的基础上的新概念“移动观察者”。我们考虑了三个级别的不可检测性命名为：“好”，“坏”和“丑陋”。为了说明这种方法，我们选择了Wi-Fi隐写术作为一个坚实的家庭的信息隐藏协议。我们提出了在这一领域的最新技术，包括众所周知的802.11网络的隐藏技术。“移动观察者”方法不仅可以帮助评估隐写算法，而且可能是一个新的网络隐写检测系统的起点。详细解释了一个新的检测系统，称为MoveSteg的概念。
2015-09-09 cs.CR cs.MM
Steganography in Handling Oversized IP Packets
本文确定了一类新的网络隐写方法，利用机制来处理IP网络中的超大数据包：IP分片，PMTUD（路径MTU发现）和PLPMTUD（分组化层路径MTU发现）。特别是，我们提出了两个新的隐写方法和现有的两个扩展。我们展示了如何IP碎片简化利用隐写方法，需要发送器-接收器同步。我们提出了如何使用上述机制来实现两个版本的IP协议的隐藏通信：4和6。本文还对所提出的方法进行了检测。
2009-07-02 cs.CR
Image Steganography based on Style Transfer
Hefei University of Technology（合肥工业大学）；University of Science and Technology of China（中国科学技术大学）
图像隐写术是利用图像作为隐蔽通信的掩护的艺术和科学。随着神经网络的发展，传统的图像隐写术更容易被基于深度学习的隐写分析检测到。为了改善这一点，我们提出了基于风格转移的图像隐写网络，秘密信息的嵌入可以伪装成图像风格化。我们嵌入秘密信息，同时转换的内容图像的风格。在潜空间中，秘密信息被整合到隐藏图像的潜表示中，从而生成与正常风格化图像不可区分的隐写图像。它是一个端到端的无监督模型，无需预先训练。在基准数据集上的大量实验表明，我们的隐写网络生成的隐写图像的可靠性，质量和安全性。
2022-03-09 cs.CR cs.CV
Implicit Steganography Beyond the Constraints of Modality
Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院（KAIST））
本文提出基于隐式神经表示的跨模态隐写框架INRSteg，通过掩码参数更新实现图像、音频、视频和3D形状间的多模态信息隐藏，无需训练深度网络，在极端模态设置下验证了其灵活性、安全性与鲁棒性。
2024-12-31 cs.CR cs.LG
SUDS: Sanitizing Universal and Dependent Steganography
Vanderbilt University（范德堡大学）
本文提出SUDS，一种不依赖隐写先验知识的深度学习净化技术，可净化通用与依赖型隐写术，经测试在真实场景中将受污染分类器的攻击抵抗力提升1375%。
2023-09-23 cs.CR cs.LG
Cover-separable Fixed Neural Network Steganography via Deep Generative Models
Fudan University（复旦大学）
提出Cs-FNNS，利用深度生成模型和隐写扰动搜索算法，在固定神经网络隐写中实现低失真、高不可检测性的秘密图像隐藏，并支持多接收方。
2024-07-16 cs.CR cs.CV
Null Space Properties of Neural Networks with Applications to Image Steganography
University of New Hampshire（新罕布什尔大学）
本文将零空间概念扩展至非线性神经网络，利用输入中不影响预测的零空间分量实现图像隐写，并在 MNIST 上证明网络可被诱导识别隐藏类别。
2024-01-01 cs.AI cs.CR cs.CV
Natias: Neuron Attribution based Transferable Image Adversarial Steganography
University of Science and Technology of China（中国科学技术大学）；School of Information Science and Technology（信息科学技术学院）
针对对抗隐写术难以迁移到未知隐写分析模型的问题，本文提出 Natias，通过神经元归因识别并破坏跨模型关键特征，从而提升可迁移性与重训练安全性。
2024-09-08 cs.CR cs.CV
CLPSTNet: A Progressive Multi-Scale Convolutional Steganography Model Integrating Curriculum Learning
Qianan College, North China University of Science and Technology（华北科技大学千安学院）；School of Cyberspace Security, Beijing University of Posts and Telecommunications（北京邮电大学网络安全学院）；College of Science, North China University of Science and Technology（华北科技大学理学院）
针对CNN隐写中不可见性与安全性不足的问题，提出融合课程学习的渐进式多尺度卷积网络CLPSTNet，在三个大型数据集上实现高PSNR、SSIM和解码精度，并降低隐写分析得分。
2025-04-23 cs.AI cs.CR cs.CV
Heard More Than Heard: An Audio Steganography Method Based on GAN
音频隐写是一种通过将信息嵌入非秘密音频（称为载体）来隐藏信息存在的技术。与密码学不同，隐写术强调的是隐藏秘密的存在。现有的音频隐写方法主要依赖于人工，本文提出了一种通过对抗训练自动生成的音频隐写算法。该方法由三个神经网络组成：编码器，用于将秘密信息嵌入到载体中;解码器，用于提取秘密信息;所有的网络同时进行训练，以创建嵌入，提取和鉴别过程。该系统在两个数据集上使用不同的训练设置进行训练。与现有的音频隐写方案相比，该方案能够产生包含秘密音频的高保真隐写音频。另外，通过实验验证了算法的鲁棒性和安全性.
2019-07-11 cs.CR cs.MM eess.AS
Large-capacity and Flexible Video Steganography via Invertible Neural Network
Peking University Shenzhen Graduate School（北京大学深圳研究生院）；King Abdullah University of Science and Technology (KAUST)（阿卜杜拉国王科技大学（KAUST））；Peng Cheng Laboratory（鹏城实验室）
本文提出LF-VSN可逆神经网络框架，利用可逆流程、密钥可控与可扩展策略，实现单模型在1个封面视频中灵活隐藏并恢复最多7个秘密视频。
2023-04-24 cs.CR cs.CV
Stream Control Transmission Protocol Steganography
流控制传输协议（SCTP）是一种新的传输层协议，它将在未来的IP网络中取代TCP（传输控制协议）和UDP（用户数据报协议）协议。目前，它在BSD、Linux、HP-UX或Sun Solaris等操作系统中实现。它也受Cisco网络设备操作系统（Cisco IOS）支持，并且可以在Windows中使用。本文介绍了潜在的隐写方法，可能会被应用到SCTP，并可能对网络安全构成威胁。所提出的方法利用新的、特有的SCTP特征，如多归属和多流。所识别的新威胁和建议的对策可以用作RFC 5062的补充，RFC 5062描述了SCTP协议中的安全攻击，并且可以引起进一步的标准修改。
2010-06-01 cs.CR
GANash -- A GAN approach to steganography
数据安全是通信系统最关心的问题。自早期以来，已经进行了许多开发以提高系统的性能。接收信号的PSNR、安全的传输信道、使用的编码质量等是良好系统的一些关键属性。为了确保安全性，最常用的技术是密码学，其中消息相对于密钥被改变，并且使用相同的密钥，编码的消息在接收器侧被解码。另一种被广泛用于确保安全性的补充技术是隐写术。人工智能（AI）的进步为以智能、防篡改的方式执行隐写术铺平了道路。深度学习（DL）领域的研究人员最近发现，一种被称为生成对抗网络（GAN）的无监督学习网络已经指数级地提高了这项技术的性能。已经证明，深度神经网络对输入数据的微小扰动高度敏感，从而产生对抗性示例。虽然这个属性通常被认为是学习模型的弱点，但如果使用得当，它可能是有益的。麻省理工学院为此目的完成的工作，一个名为SteganoGAN的深度神经模型，已经显示出使用这种技术进行隐写术的义务。在这项工作中，我们提出了一种新的方法来提高现有系统的性能，使用潜在的空间压缩的编码数据。从理论上讲，这将成倍地提高性能。因此，用于提高系统的性能和所获得的结果的算法已阐明在这项工作中。结果表明，该系统可以达到的优势水平，能够减少解决实时问题的安全性，部署和数据库管理方面的困难。
2021-10-25 cs.CR
Unified Steganography via Implicit Neural Representation
本文提出 U-INR，利用隐式神经表示和私钥选择策略统一实现图像、视频、音频及 SDF、NeRF 等多种数据类型的隐写，提升通用性与数据安全性。
2025-05-03 cs.CR
Multi-Stage Residual Hiding for Image-into-Audio Steganography
Harbin Institute of Technology（哈尔滨工业大学）；Peng Cheng Laboratory（鹏城实验室）；Alibaba Group（阿里巴巴集团）
音频通信技术的广泛应用加速了音频数据在互联网上的流动，使其成为隐蔽通信的重要载体。在本文中，我们提出了一个跨模态隐写方法隐藏图像内容到音频载体，同时保持感知保真度的封面音频。在我们的框架中，两个多级网络的设计：第一个网络编码的递减多级残留误差内不同的音频频谱与相应的阶段子网络，而第二个网络解码的残留误差从修改后的载波与相应的阶段子网络，以产生最终的显示结果。该框架的多阶段设计不仅使有效载荷容量的控制更加灵活，而且由于残余误差的逐渐稀疏特性，使得隐藏更容易。定性实验表明，对载体的修改是不明显的人类听众和解码的图像是高度可理解的。
2021-01-06 cs.CR cs.CV
Analysis of the Scalability of a Deep-Learning Network for Steganography "Into the Wild"
自从深度学习的出现及其在隐写分析领域的采用以来，大多数参考文献都使用中小型CNN，并在相对较小的数据库上学习它们。因此，基于不同深度学习的隐写分析算法（更准确地说是CNN）之间的基准测试和比较是在中小型数据库上进行的。这是在不知情的情况下进行的：1。如果当数据库较大时，具有诸如准确性的标准的排名总是相同的，2.如果训练数据库是数量级的倍数，CNN的效率是否会崩溃，3.数据库或CNN所需的最小大小，以便获得比随机猜测更好的结果。在本文中，在对CNN的观测行为作为其大小和数据库大小的函数进行了扎实的讨论之后，我们确认错误的幂律也适用于隐写分析，并且这是在边界情况下，即在一个大型，受限和非常多样化的数据库上的中型网络。
2020-12-29 cs.CR
Combining Different Existing Methods for Describing Steganography Hiding Methods
本文以教程形式介绍隐写术描述性方法的概念，旨在说明如何结合现有描述与分类对象，以实现对网络隐写术隐藏方法的详细分类和描述，并辅以真实案例帮助研究社区。
2025-06-02 cs.CR cs.NI
Style as Cover: Deep Image Steganography via Stylized Transmission
Qilu University of Technology (Shandong Academy of Sciences)（齐鲁工业大学（山东省科学院））；Shandong Computer Science Center（山东省计算中心）；Shandong Fundamental Research Center for Computer Science（山东省计算机科学基础研究中心）
本文提出StyleStegaNet，通过风格化传输替代封面匹配，实现行为级伪装的图像隐写，并采用四阶段解耦与渐进训练，在DIV2K和MS-COCO上验证有效性，检测准确率仅约51%。
2026-09-22 cs.CR cs.CV cs.MM
A Novel Approach to Image Steganography Using Generative Adversarial Networks
针对传统图像隐写术在检测工具升级和容量需求下的局限性，提出基于生成对抗网络（GANs）的新方法，通过精心设计的架构优化嵌入容量、不可感知性与鲁棒性平衡，实验显示其在PSNR、SSIM及抗检测性上优于LSB和DCT等基线技术。
2024-11-27 cs.CR cs.CV cs.LG
Multi-Level Steganography: Improving Hidden Communication in Networks
本文提出了多级隐写术（MLS），它定义了一个新的概念，隐藏通信在电信网络中。在MLS中，至少有两种隐写方法同时使用，其中一种方法（称为上层）作为第二种方法（称为下层）的载体。两个（或更多个）信息隐藏解决方案之间的这种关系具有若干潜在益处。最重要的是，即使在检测到上层方法之后，也可以利用下层方法隐写带宽来使隐写图不可读：例如，它可以携带解密由上层隐写图携带的隐写图的密钥。它也可以用来提供完整的隐写。另一个重要的好处是，低层方法可以用作信令信道，在其中交换影响上层方法功能的方式的信息，从而可能使隐写通信更难检测。本文还开发了IP网络的MLS原型，并给出了实验结果。
2012-04-09 cs.CR cs.MM
SteaLTE: Private 5G Cellular Connectivity as a Service with Full-stack Wireless Steganography
第五代（5G）系统将广泛采用无线电接入网络（RAN）软件化。这一关键创新使在共享物理基础设施的不同切片上运行的"虚拟蜂窝网络"的实例化成为可能。在本文中，我们提出了私有蜂窝连接即服务（PCCaaS）的概念，基础设施提供商部署仅为用户子集所知的隐蔽网络切片。然后，我们提出SteaLTE作为蜂窝网络的PCCaaS使能系统的第一个实现。SteaLTE的核心是利用无线隐写术将数据伪装成对抗接收器的噪声。然而，与以前的工作不同的是，它采用全栈方法进行隐写，为基于PCCaaS的通信提供符合LTE的隐写协议栈，并在传统蜂窝流量（主要流量）之上嵌入隐藏数据流。SteaLTE通过模仿信道损伤来平衡不可检测性和性能，使得隐蔽数据波形几乎无法与噪声区分。我们评估SteaLTE的性能在室内LTE兼容的测试平台下不同的流量配置文件，距离和移动模式。我们进一步测试它在室外PAWR POWDER平台上通过远程蜂窝链路。结果表明，在大多数实验中，SteaLTE在存在隐蔽数据传输的情况下几乎不会造成主要流量吞吐量的损失（<6%），这使得它适用于不可检测的PCCaaS网络。
2021-02-10 cs.CR cs.NI
Image steganography based on generative implicit neural representation
本文提出一种基于生成式隐式神经表示的图像隐写术，通过将数据表示为连续函数并固定消息提取器网络，突破了图像分辨率限制，降低了计算开销并提高了隐写速度，在64x64图像上3秒完成且提取准确率达100%。
2024-06-04 cs.CR
Steganography using a 3 player game
图像隐写的目的是将秘密信息安全地嵌入到图像中。到目前为止，自适应嵌入算法，如S-UNIWARD或Mi-POD，是最安全和最常用的图像隐写方法之一。随着深度学习的到来，更具体地说是生成对抗网络（GAN），新技术已经出现。在这些技术中，有三个玩家的游戏方法，其中三个网络相互竞争。在本文中，我们提出了三个不同的架构的基础上的三个玩家的游戏。第一架构提出了一个严格的替代最近的两个出版物。第二个考虑隐写噪声功率。最后，我们的第三种架构丰富了第二种架构，在嵌入和提取网络之间实现了更好的交互。我们的方法取得了更好的结果相比，现有的作品GSIVAT，HiDDeN，并为今后的研究铺平了道路。
2020-09-11 cs.CR cs.MM
Architecture of Network Camera Photo Authentication Scheme using Steganography Approach
完整性保护过程的目的不仅是保证发送消息的安全，而且要保证在发送消息的过程中原始消息不被修改。在本文中，提出了一种新的建议模型，以验证发送的消息没有被修改。所提出的模型从加密原始消息开始，并对消息应用其中一个哈希函数。该算法首先对加密信息、私钥和哈希函数的输出进行整形，然后进行离散余弦变换（DCT）、Zig-zag排序和Huffman编码，得到压缩文本，最后将压缩文本隐藏在图像中。在接收方上应用具有相反顺序的相同步骤以获得解密的消息，然后应用相同的散列函数来验证消息没有被改变。实验结果表明，该模型具有较高的完整性保护能力.
2021-10-03 cs.CR
Learning Symmetric and Asymmetric Steganography via Adversarial Training
隐写术是指在多个媒体载体内隐藏秘密消息的技术，使得窃听者无法检测隐藏消息的存在和内容。在本文中，我们首先提出了一种新的密钥相关的隐写方案，实现隐写目标的对抗训练。分别提出了对称（秘密密钥）和非对称（公开密钥）隐写方案，并成功地设计和实现了每种方案。我们表明，我们的方案产生的这些编码提高了20%的不可见性比以前的基于深度学习的工作，并进一步执行竞争力显着的不可检测性比经典的隐写算法好25%。最后，我们模拟我们的计划在一个真实的情况下，解码器实现了超过98%的准确性的原始消息。
2019-06-04 cs.CR cs.LG cs.MM
Invisible Backdoor Attacks on Deep Neural Networks via Steganography and Regularization
Shanghai Jiao Tong University（上海交通大学）；The University of Adelaide（阿德莱德大学）；The University of New South Wales（新南威尔士大学）；Data61 CSIRO（澳大利亚联邦科学与工业研究组织 Data61）；Shanghai Institute for Advanced Communication and Data Science（上海先进通信与数据科学研究院）；Shanghai University（上海大学）
深度神经网络（DNN）已被证明容易受到后门攻击的攻击，其中隐藏的特征（模式）被训练成一个正常的模型，它只被一些特定的输入（称为触发器）激活，欺骗模型产生意想不到的行为。在本文中，我们为后门攻击创建了隐蔽和分散的触发器，这些触发器可以欺骗DNN模型和人类检查。我们通过两种最先进的嵌入触发器的方法来应用我们的隐形后门进行后门攻击。Badnets的第一种方法通过隐写术将触发器嵌入DNN。木马攻击的第二种方法使用两种类型的附加正则化项来生成具有不规则形状和大小的触发器。我们使用攻击成功率和功能来衡量我们的攻击性能。我们介绍了两个新的定义，人类感知的不可见性;一个是概念化的感知对抗相似性得分（PASS），另一个是学习感知图像补丁相似性（LPIPS）。我们表明，通过测量对手的攻击成功率，普通用户的功能和管理员的不可见性得分，我们提出的隐形后门在各种DNN模型以及四个数据集MNIST，CIFAR-10，CIFAR-100和GTSRB中可以相当有效。最后，我们认为，建议的无形后门攻击可以有效地挫败国家的最先进的木马后门检测方法，如神经清洗和TABOR。
2020-08-31 cs.CR cs.CV cs.LG
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
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
