Выявление в аудиосигналах скрытых сообщений, внедренных с помощью Hide4PGP

Запропоновано метод стеганоаналізу аудіосигналів, що базується на «явищі негативного резонансу». Для розрізнення оригінальних сигналів та стеганосигналів використовуються різниці статистик першого та вищих порядків до та після «контрольного стеганоперетворення» для тестового сигналу, а також помилки...

Повний опис

Збережено в:

Бібліографічні деталі
Дата:	2013
Автор:	Кошкина, Н.В.
Формат:	Стаття
Мова:	Russian
Опубліковано:	Інститут кібернетики ім. В.М. Глушкова НАН України 2013
Назва видання:	Проблемы управления и информатики
Теми:	Проблемы защиты информации
Онлайн доступ:	https://nasplib.isofts.kiev.ua/handle/123456789/207624
Теги:	Додати тег Немає тегів, Будьте першим, хто поставить тег для цього запису!
Назва журналу:	Digital Library of Periodicals of National Academy of Sciences of Ukraine
Цитувати:	Выявление в аудиосигналах скрытых сообщений, внедренных с помощью Hide4PGP / Н.В. Кошкина // Проблемы управления и информатики. — 2013. — № 3. — С. 151–156. — Бібліогр.: 12 назв. — рос.

Репозитарії

Digital Library of Periodicals of National Academy of Sciences of Ukraine

id	irk-123456789-207624
record_format	dspace
spelling	irk-123456789-2076242025-10-12T00:21:07Z Выявление в аудиосигналах скрытых сообщений, внедренных с помощью Hide4PGP Виявлення в аудіосигналах прихованих повідомлень, вкраплених за допомогою Hide4PGP Detection of Hidden Messages Embedded by Hide4PGP in Audio Signals Кошкина, Н.В. Проблемы защиты информации Запропоновано метод стеганоаналізу аудіосигналів, що базується на «явищі негативного резонансу». Для розрізнення оригінальних сигналів та стеганосигналів використовуються різниці статистик першого та вищих порядків до та після «контрольного стеганоперетворення» для тестового сигналу, а також помилки його лінійного передбачення. Метод включає в себе бінарний класифікатор — SVM. Результати тестів показали ефективність методу для виявлення Hide4PGP стеганоконтейнерів при їх наповненні понад 20 %. The audio steganalysis method based on «negative resonance phenomenon» is proposed. Differences between the first and the highest statistics orders before and after «control stego transformation» for the test signal and its linear prediction error are used to distinguish empty and stego signals. The method includes the SVM binary classifier. Test results show the effectiveness of the method to detecting Hide4PGP stego signals when their payloads are more than 20 %. 2013 Article Выявление в аудиосигналах скрытых сообщений, внедренных с помощью Hide4PGP / Н.В. Кошкина // Проблемы управления и информатики. — 2013. — № 3. — С. 151–156. — Бібліогр.: 12 назв. — рос. 0572-2691 https://nasplib.isofts.kiev.ua/handle/123456789/207624 004.415.24/004.56.5 10.1615/JAutomatInfScien.v45.i5.70 ru Проблемы управления и информатики application/pdf Інститут кібернетики ім. В.М. Глушкова НАН України
institution	Digital Library of Periodicals of National Academy of Sciences of Ukraine
collection	DSpace DC
language	Russian
topic	Проблемы защиты информации Проблемы защиты информации
spellingShingle	Проблемы защиты информации Проблемы защиты информации Кошкина, Н.В. Выявление в аудиосигналах скрытых сообщений, внедренных с помощью Hide4PGP Проблемы управления и информатики
description	Запропоновано метод стеганоаналізу аудіосигналів, що базується на «явищі негативного резонансу». Для розрізнення оригінальних сигналів та стеганосигналів використовуються різниці статистик першого та вищих порядків до та після «контрольного стеганоперетворення» для тестового сигналу, а також помилки його лінійного передбачення. Метод включає в себе бінарний класифікатор — SVM. Результати тестів показали ефективність методу для виявлення Hide4PGP стеганоконтейнерів при їх наповненні понад 20 %.
format	Article
author	Кошкина, Н.В.
author_facet	Кошкина, Н.В.
author_sort	Кошкина, Н.В.
title	Выявление в аудиосигналах скрытых сообщений, внедренных с помощью Hide4PGP
title_short	Выявление в аудиосигналах скрытых сообщений, внедренных с помощью Hide4PGP
title_full	Выявление в аудиосигналах скрытых сообщений, внедренных с помощью Hide4PGP
title_fullStr	Выявление в аудиосигналах скрытых сообщений, внедренных с помощью Hide4PGP
title_full_unstemmed	Выявление в аудиосигналах скрытых сообщений, внедренных с помощью Hide4PGP
title_sort	выявление в аудиосигналах скрытых сообщений, внедренных с помощью hide4pgp
publisher	Інститут кібернетики ім. В.М. Глушкова НАН України
publishDate	2013
topic_facet	Проблемы защиты информации
url	https://nasplib.isofts.kiev.ua/handle/123456789/207624
citation_txt	Выявление в аудиосигналах скрытых сообщений, внедренных с помощью Hide4PGP / Н.В. Кошкина // Проблемы управления и информатики. — 2013. — № 3. — С. 151–156. — Бібліогр.: 12 назв. — рос.
series	Проблемы управления и информатики
work_keys_str_mv	AT koškinanv vyâvlenievaudiosignalahskrytyhsoobŝenijvnedrennyhspomoŝʹûhide4pgp AT koškinanv viâvlennâvaudíosignalahprihovanihpovídomlenʹvkraplenihzadopomogoûhide4pgp AT koškinanv detectionofhiddenmessagesembeddedbyhide4pgpinaudiosignals
first_indexed	2025-10-12T01:12:03Z
last_indexed	2025-10-13T01:11:04Z
_version_	1845827065351241728
fulltext	© Н.В. КОШКИНА, 2013 Международный научно-технический журнал «Проблемы управления и информатики», 2013, № 3 151 ПРОБЛЕМЫ ЗАЩИТЫ ИНФОРМАЦИИ УДК 004.415.24/004.56.5 Н.В. Кошкина ВЫЯВЛЕНИЕ В АУДИОСИГНАЛАХ СКРЫТЫХ СООБЩЕНИЙ, ВНЕДРЕННЫХ С ПОМОЩЬЮ HIDE4PGP Введение. Методы компьютерной стеганографии могут использоваться для осуществления незаконных действий, например кражи информации изнутри. Та- кой угрозе подвергаются персональные данные, медицинская тайна, данные яв- ляющиеся интеллектуальной собственностью и др. Нарушители применяют суще- ствующее стеганографическое программное обеспечение, в частности бесплатное или условно бесплатное. Выявление факта использования стеганографических программных продуктов и технологий — первоочередная задача стеганоанализа. В связи с актуальностью в последние годы исследования в области стеганоанали- за ведутся достаточно активно. Из публикаций украинских ученых отметим [1–4]. Анализ публикаций показал, что направление стеганоанализа изображений изучено и развито больше, чем стеганоанализ аудиосигналов. Вместе с тем суще- ствующее стеганографическое программное обеспечение позволяет успешно внедрять дополнительную информацию как в файлы форматов .bmp, .gif, .tiff, .jpg, так и в файлы .wav, .mp3, *.voc. Исследование проблематики стеганоана- лиза аудио — важная и актуальная задача информационной безопасности. Одна из свободно распространяемых программ, создающих аудиостегано- граммы — программа Hide4PGP. Она работает с неупакованными аудиоданными, оцифрованными с разрядностью 8 или 16 бит на отсчет. Для сокрытия информации в 8-битных аудио используется один последний бит каждого отсчета. В 16-битных сигналах используется до 4 младших битов, что соответствует соотношению сиг- нал/шум 72 дБ и приблизительно равно уровню шума, присущего бытовым аудио- записям. Hide4PGP осуществляет распределенное внедрение данных по всему объ- ему контейнера. Скрываемая информация не шифруется, так как предполагается использование этой программы совместно с криптографическими продуктами, в частности PGP. Но вместе с тем скрываемые данные подлежат скремблированию, благодаря которому они получают свойства случайной последовательности. На примере программы Hide4PGP покажем, каким образом и насколько до- стоверно можно выявить факт наличия стеганографических вложений в оцифро- ванных аудиосигналах, а также исследуем, как влияет объем скрытых данных на точность результатов обнаружения. 1. Метод стеганоанализа. Один из общих подходов к стеганоанализу муль- тимедийных объектов состоит в нахождении чувствительных к стеганопреобразо- ванию характеристических векторов этих объектов, по значениям которых разли- чаются пустые и заполненные контейнеры. В качестве элементов характеристиче- ских векторов могут выступать статистики первого и высших порядков [5–8]. В [8] введено понятие «явления отрицательного резонанса». Под ним подра- зумевается, что стеганографическое сокрытие данных в пустом контейнере более 152 ISSN 0572-2691 сильно изменит его статистику по сравнению со стеганографическим сокрытием данных в уже заполненном с помощью того же инструмента контейнере. В даль- нейшем исследуем это явление и используем его для обнаружения Hide4PGP вложений в аудиосигналы. Пусть имеется некоторый тестовый набор аудиосигналов. Среди этого набора могут быть как пустые контейнеры, т.е. сигналы без вложенных секретных сооб- щений, так и заполненные, т.е. сигналы, содержащие стегановложения. Чтобы классифицировать их с помощью «явления отрицательного резонанса», нужно выполнить стеганографическое преобразование всех сигналов данного тестового набора («контрольное стеганопреобразование»). Характеристический вектор каж- дого тестового аудиосигнала включает в себя разности значений математического ожидания, дисперсии, асимметрии и эксцесса до и после выполненного стегано- преобразования. Изменение некоторых статистических характеристик сигнала ста- новится ощутимо меньшим при повторном использовании стеганографического программного продукта, следовательно, и соответствующие значения разностей статистик для пустых контейнеров тестового набора больше, чем для заполненных. На малых временных промежутках отсчеты аудиосигнала взаимокоррелиро- ваны, что позволяет, зная корреляционную функцию, предсказывать значение очередного отсчета. Оно вычисляется как линейная комбинация предыдущих от- счетов сигнала с учетом минимизации среднеквадратической ошибки предсказа- ния [9]. Для учета изменений между соседними отсчетами сигнала после внедре- ния секретного сообщения характеристический вектор необходимо дополнить разностями значений математического ожидания, дисперсии, асимметрии и экс- цесса для ошибки линейного предсказания сигнала до и после выполненного «контрольного стеганопреобразования». Таким образом, из каждого тестового аудиосигнала извлекается 8-мерный характеристический вектор. Отличие характеристических векторов пустых и заполненных контейнеров служит основой для их классификации с помощью метода опорных векторов (SVM — support vector machine). SVM — эффективный бинарный классификатор, разработанный В.Н. Вапником в 90-х гг. XX века [10, 11]. В настоящее время он широко используется как для решения задач стеганоанализа, так и для распозна- вания образов, идентификации дикторов, классификации текстов, анализа ДНК, белков и т.д. 2. «Явление отрицательного резонанса» для контейнеров различной наполненности. Стеганоаналитик, как правило, не имеет возможности точно знать объем скрытых данных. Поэтому для оценки применимости «явления отри- цательного резонанса» для стеганоанализа Hide4PGP вложений необходимо ис- следовать это явление в условиях различной наполненности стеганоконтейнеров. Для проведения экспериментов описанный выше метод стеганоанализа был реа- лизован с помощью пакета Matlab. В первую очередь необходимо определить, зависит ли «явление отрицательно- го резонанса» от степени наполняемости контейнеров во время «контрольного сте- ганопреобразования». Для этого проведена серия тестов, в каждом из которых ис- пользовалось «контрольное стеганопреобразование» с разной степенью наполняе- мости контейнеров — 100, 75, 50, 25 и 10 % от их емкости. Тестовые сигналы — одноминутные речевые записи, оцифрованные с частотой дискретизации 22 кГц и разрядностью квантования 16 бит. В целом результаты этого исследования позволили выделить важную зако- номерность, наблюдаемую во время тестов на выявление Hide4PGP вложений от- носительно небольшого объема. Они показали, что «явление отрицательного ре- зонанса», как правило, проявляется сильнее, если степень наполняемости контей- неров во время «контрольного стеганопреобразования» меньше, чем степень наполненности стеганоконтейнеров из набора тестируемых сигналов. Если ис- Международный научно-технический журнал «Проблемы управления и информатики», 2013, № 3 153 пользовать «контрольное стеганопреобразование» с большой степенью наполняе- мости, т.е. 100, 75 и даже 50 %, то впоследствии это может негативно повлиять на результаты обнаружения стегановложений относительно небольшого объема. В этом случае характеристические векторы, извлекаемые из контейнеров малой наполненности, ближе к характеристическим векторам оригинальных контейне- ров, чем стеганоконтейнеров большой наполненности. 0 775 1550 0 2 4 6 8 10 610 0 775 1550 0 2 4 6 8 10 710 а б Рис. 1 На рис. 1 приведен пример подобной ситуации, продемонстрированы полу- ченные значения разностей математического ожидания ошибки линейного пред- сказания сигнала (пятый элемент извлекаемого характеристического вектора) при использовании «контрольного стеганопреобразования» с наполняемостью кон- тейнеров 50 % (рис. 1, a) и 10 % (рис. 1, б). Первые 775 значений на каждом графике — разности, полученные для пустых контейнеров. Следующие 775 зна- чений — разности, полученные для тех же контейнеров, но заполненных на 26 % секретными данными. При извлечении характеристических векторов из стеганоконтейнеров боль- шой наполненности «явление отрицательного резонанса» проявляется одинаково хорошо вне зависимости от наполняемости контейнеров на этапе «контрольного стеганопреобразования». Таким образом, чтобы иметь возможность обнаруживать наличие Hide4PGP вложений широкого диапазона объемов, в дальнейшем при из- влечении характеристических векторов будем использовать «контрольное стега- нопреобразование» с 10 % наполняемостью контейнеров. 3. Точность метода при различной наполненности стеганоконтейнеров. При SVM-классификации извлеченных из сигналов характеристических векторов возникает выбор использования линейного и нелинейного ядра классификато- ра [12]. В табл. 1 представлены результаты классификации характеристических векторов, извлеченных из пустых контейнеров и стеганоконтейнеров фиксиро- ванной наполненности. Обучение SVM проводилось на 100 пустых и 100 стегано- контейнерах, выбранных случайным образом. Дальнейшая классификация выпол- нялась для 675 пустых и 675 стеганоконтейнеров той же наполненности, что и при обучении. В качестве ядра нелинейной SVM в данной серии тестов использова- лось гауссово. Таблица 1 Напол- ненность стегано- контейне- ров, % Линейная SVM Нелинейная SVM Ложнопо- ложитель- ная тревога Ложноот- рицатель- ная тревога Точность, % Ложнопо- ложитель- ная тревога Ложноот- рицатель- ная тревога Точность, % 100 0/675 0/675 100 0/675 9/675 99,33 87 0/675 0/675 100 0/675 24/675 98,22 76 0/675 0/675 100 0/675 10/675 99,26 50 0/675 0/675 100 0/675 19/675 98,59 26 0/675 0/675 100 0/675 18/675 98,67 20 0/675 3/675 99,78 0/675 37/675 97,26 15 12/675 27/675 97,11 0/675 96/675 92,89 11 58/675 88/675 89,19 27/675 167/675 85,63 154 ISSN 0572-2691 Таблица 2 Наполненность стега- ноконтейнеров кон- трольной выборки, % Наполненность стеганоконтейнеров обучающей выборки 100 % 50 % 26 % 11 % α β Точ- ность, % α β Точ- ность, % α β Точ- ность, % α β Точ- ность, % 100 0/675 0/675 100 0/675 0/675 100 0/675 0/675 100 58/675 0/675 95,70 87 0/675 0/675 100 0/675 0/675 100 0/675 0/675 100 58/675 0/675 95,70 76 0/675 0/675 100 0/675 0/675 100 0/675 0/675 100 58/675 0/675 95,70 50 0/675 0/675 100 0/675 0/675 100 0/675 0/675 100 58/675 0/675 95,70 26 0/675 0/675 100 0/675 0/675 100 0/675 0/675 100 58/675 0/675 95,70 20 0/675 20/675 98,52 0/675 17/675 98,74 0/675 22/675 98,37 58/675 2/675 95,56 15 0/675 542/675 59,85 0/675 525/675 61,11 0/675 524/675 61,19 58/675 13/675 94,74 11 0/675 665/675 50,47 0/675 664/675 50,81 0/675 665/675 50,47 58/675 88/675 89,19 В данном случае линейная SVM более эффективна, чем SVM с гауссовым ядром. Также для линейной SVM проведена серия тестов, в которых обучение выполнялось для стеганоконтейнеров одной наполненности, а дальнейшая клас- сификация — для стеганоконтейнеров другой. Результаты этих тестов представ- лены в табл. 2. В колонке α указано количество ложноположительных тревог, в колонке β — ложноотрицательных. Для всех тестовых сигналов с наполненностью 26 % и выше получена 100 % точность классификации вне зависимости от наполненности стеганоконтейнеров обучающей и контрольной выборок для SVM. Но если в обучающей выборке ис- пользовать стеганоконтейнеры 100 %, 50 % или 26 % наполненности, то боль- шинство стеганоконтейнеров контрольной выборки с наполненностью 15 или 11 % в дальнейшем будут классифицироваться как пустые. Также если в обучаю- щей выборке использовать стеганоконтейнеры 11 % наполненности, то в даль- нейшем часть пустых контейнеров (в наших тестах около 5 %) SVM-клас- сификатор отнесет к заполненным. 4. Точность метода для сигналов с различными характеристиками. Сте- ганоаналитик не всегда имеет возможность обучать SVM на данных, полученных из того же источника, что и контейнеры, подлежащие классификации. Вместе с тем статистические свойства сигналов, полученных из разных источников, бу- дут различаться, что скажется на значениях характеристических векторов этих сигналов. Как пример, на рис. 2 приведены значения шестого элемента характери- стических векторов для данных из четырех разных источников (по 100 сигналов из каждого источника). На рис. 2, а показаны значения для пустых контейнеров, на рис. 2, б — заполненных на 100 % скрытыми данными. Исследуем, как изменится точность распознавания для сигналов, полученных из разных источников. В частности, как на нее повлияет смена частоты дискретиза- ции и типа аудиосигналов контрольной выборки SVM относительно обучающей. Пусть линейная SVM обучена на тех же речевых записях, что использовались в предыдущих тестах (22 кГц, 16 бит), и стеганоконтейнеры обучающей выборки были наполнены на 26 %. Используем эту SVM для классификации данных, полученных из других источников. Возьмем в качестве таких данных одноминутные фрагменты му- зыкальных и речевых записей, оцифрованных с частотой дискретизации 44 кГц и раз- рядностью 16 бит. Результаты этой серии экспериментов представлены в табл. 3. 0 100 200 300 400 0 0,5 1 1,5 2 2,5 3 3,5 710 0 100 200 300 400 – 2 0 2 4 6 8 10 910 а б Рис. 2 Международный научно-технический журнал «Проблемы управления и информатики», 2013, № 3 155 Таблица 3 Наполнен- ность стегано- контейнеров контрольной выборки, % Фрагменты речевых записей Фрагменты музыкальных записей Ложнопо- ложитель- ная тревога Ложноот- рицатель- ная тревога Точ- ность, % Ложнопо- ложитель- ная тревога Ложноот- рицатель- ная тревога Точ- ность, % 98 0/330 0/330 100 95/811 0/811 94,14 75 0/330 0/330 100 95/811 0/811 94,14 50 0/330 0/330 100 95/811 0/811 94,14 25 0/330 0/330 100 95/811 0/811 94,14 20 0/330 12/330 98,18 95/811 165/811 83,97 15 0/330 209/330 68,33 95/811 457/811 65,98 12 0/330 330/330 50 95/811 567/811 59,19 Как видим, точность распознавания речевых записей в этой серии эксперимен- тов практически не изменилась. Появилось около 6 % ложноположительных тревог при распознавании музыки с помощью SVM, обученной на речевых сигналах. При классификации одноминутных фрагментов музыки, использованных в предыдущей серии экспериментов, с помощью линейной SVM, обученной на ори- гинальных и заполненных на 25 % музыкальных композициях, была получена точность распознавания 95 % для стеганоконтейнеров 25–100 % наполненности. При классификации на этой же SVM трехминутных фрагментов музыки, полу- ченных из разных источников, достигнута точность 91 %. Как обобщающая для 16-битных аудио была выполнена серия эксперимен- тов, где присутствовали сигналы, которые можно классифицировать по следую- щим критериям: — речь или музыка, — разная длина сигналов, — разная частота дискретизации, — сигналы, изначально полученные как wav или конвертированные в этот формат из mp3. Обучающая выборка состояла из отобранных генератором случайных чисел (с равномерным распределением) 100 оригинальных сигналов, а также по 25 стеганосигналов с наполненностью 100, 75, 50 и 25 %. Было выполнено 300 тестов с различными вариантами случайно сформированной обучающей вы- борки. Как итоговые показатели эффективности выступают усредненные значе- ния ложноположительных, ложноотрицательных тревог и точности распознава- ния. Результаты представлены в табл. 4. Таблица 4 Наполненность стегано- контейнеров контроль- ной выборки, % Ложноположитель- ная тревога Ложноотрицательная тревога Точность, % 100 115,96/1300 1,67/1300 95,46 75 117,88/1300 0,41/1300 95,45 50 118,58/1300 0,47/1300 95,42 25 117,95/1300 6,10/1300 95,23 20 121,73/1300 459,23/1300 77,66 15 119,98/1300 976,53/1300 57,83 12 120,09/1300 1052,50/1300 54,90 Заключение. В целом представленный подход эффективен для обнаружения 16-битных Hide4PGP аудиостеганоконтейнеров при их наполненности свыше 20 %. При малой наполненности повышается количество ложноотрицательных тревог. Стеганоконтейнеры малой наполненности, как правило, не обнаружива- ются, если для обучения SVM использовались контейнеры с другими характерис- тиками, отличными от характеристик контейнеров контрольной выборки. Кроме того, результаты проведенных промежуточных исследований показыва- ют, что метод может быть адаптирован для выявления скрытых сообщений, внедрен- 156 ISSN 0572-2691 ных в аудиосигналы с помощью других существующих стеганографических про- грамм. Он также способен выявить стеганоконтейнеры, оцифрованные с другой раз- рядностью, в частности 8-битные. Это является темой дальнейших исследований. Н.В. Кошкіна ВИЯВЛЕННЯ В АУДІОСИГНАЛАХ ПРИХОВАНИХ ПОВІДОМЛЕНЬ, ВКРАПЛЕННИХ ЗА ДОПОМОГОЮ HIDE4PGP Запропоновано метод стеганоаналізу аудіосигналів, що базується на «явищі не- гативного резонансу». Для розрізнення оригінальних сигналів та стеганосигна- лів використовуються різниці статистик першого та вищих порядків до та після «контрольного стеганоперетворення» для тестового сигналу, а також помилки його лінійного передбачення. Метод включає в себе бінарний класифікатор — SVM. Результати тестів показали ефективність методу для виявлення Hide4PGP стеганоконтейнерів при їх наповненні понад 20 %. N.V. Koskina DETECTION OF HIDDEN MESSAGES EMBEDDED BY HIDE4PGP IN AUDIO SIGNALS The audio steganalisys method based on «negative resonance phenomenon» is pro- posed. Differences between the first and the highest statistics orders before and after «control stego transformation» for the test signal and its linear prediction error are used to distinguish empty and stego signals. The method includes the SVM binary classifier. Test results show the effectiveness of the method to detecting Hide4PGP stego signals when their payloads are more than 20 %. 1. Швидченко И.В. Методы стеганоанализа для графических файлов // Искусственный интел- лект. — 2010. — № 4. — С. 697–705. 2. Кобозєва А.А. Новий підхід до проблеми стеганоаналізу // Інформатика та математичні ме- тоди в моделюванні. — 2011. — 1, № 2. — С. 183–189. 3. Бобок И.И. Детектирование наличия возмущений матрицы цифрового изображения как со- ставная часть стеганоанализа // Вісн. Східноукраїнського нац. ун-ту ім. В. Даля. — 2011. — № 7 (161), Ч. 1. — С. 32–40. 4. Поліновський В.В., Корольов В.Ю., Герасименко В.А., Горинштейн М.Л. Інформаційна тех- нологія для досліджень методів стеганографії і стеганоаналізу // Комп’ютерно-інтегровані технології: освіта, наука, виробництво. — 2011. — № 5. — С. 236–242. 5. Farid H. Detecting hidden messages using higher-order statistical models // Proc. of the Intl. Conf. on Image Proc. IEEE. — 2002. — 2. — P. 905–908. 6. Siwei L., Farid H. Detecting hidden messages using higher-order statistics and support vector ma- chines // Inform. Hiding. Fifth Int. Workshop. — 2003. — 2578. — P. 340–354. 7. Johnson M.K., Lyu S., Farid H. Steganalysis of recorded speech // Proc. SPIE. — 2005. — 5681. — P. 664–672. 8. Ru X., Zhuang Y. , Wu F. Audio steganalysis based on “negative resonance phenomenon” caused by steganographic tools // J. of Zhejiang Univ. SCIENCE A. — 2006. — 7 (4). — P. 577–583. 9. Маркел Дж.Д., Грей А.Х. Линейное предсказание речи. — М. : Связь, 1980. — 308 с. 10. Vapnik V.N. Statistical learning theory. — New York : Wiley. — 1998. — 732 p. 11. Vapnik V.N. The nature of statistical learning theory. — New York : Springer-Verlag, 2000. — 332 p. 12. Маннинг К.Д., Рагхаван П., Шютце Х. Введение в информационный поиск. — М. : Виль- ямс, 2011. — 528 с. Получено 14.08.2012 Статья представлена к публикации чл.-корр. НАН Украины В.К. Задиракой.

Выявление в аудиосигналах скрытых сообщений, внедренных с помощью Hide4PGP

Репозитарії

Схожі ресурси