Повышение точности стеганоанализа за счет дополнительной модификации контейнеров
Ключевые слова:
стеганоанализ, вектор признаков, BPCS, LSB, стеганография, машинное обучение, машина опорных векторов, регрессия, дополнительные вложенияАннотация
Введение: большинство стеганоаналитических алгоритмов используют стеганографический контейнер в исходном виде, пытаясь найти следы произведенного ранее воздействия. В то же время в случае атаки на основании известного стеганоалгоритма/стеганопрограммы, располагая даже модифицированным контейнером, аналитик может наблюдать закономерности в характере изменений контейнера при стегановложениях различного размера. Цель: сформировать векторы признаков на базе известного стеганоалгоритма и дополнительных вложений для выявления стеганографии в пространственной области изображений. Результаты: с помощью эмулятора показаны расхождения в корреляции значений стеганоалгоритма Triples analysis и глубины искажения контейнера. Разработан вектор признаков для выявления стеганографии пространственной области изображения, его эффективность подтверждена численным экспериментом с использованием регрессионной модели машинного обучения в среде MatLab. Для обеспечения воспроизводимости эксперимента датасеты и программный код представлены в Kaggle. На основе экспериментальных данных рассчитаны базовые метрики результативности машинного обучения. Подтверждено наличие статистических закономерностей отклика контейнера на дополнительные вложения, получены зависимости точности стеганоанализа от размера вектора признаков. Практическая значимость: на примере алгоритмов Bit Plane Complexity Segmentation и Least Significant Bits показана зависимость ошибки регрессии для векторов признаков различного размера. С помощью полученных оценок аналитик может варьировать точность/размер векторов признаков в зависимости от доступных вычислительных мощностей и размера обучающего множества.