Исследование применимости матрицы смежности для выявления стеганоаудиоконтейнеров

Досліджено чутливість рядків матриць суміжності аудіосигналів, обчислених в часовій області та області вейвлет-коефіцієнтів, до послідовного та розподіленого стеганографічних вкраплень за методом НЗБ. Виявлено залежності між наповненістю аудіоконтейнерів та точністю їх SVM-класифікації за особливост...

Ausführliche Beschreibung

Gespeichert in:

Bibliographische Detailangaben
Datum:	2014
1. Verfasser:	Кошкина, Н.В
Format:	Artikel
Sprache:	Russian
Veröffentlicht:	Інститут кібернетики ім. В.М. Глушкова НАН України 2014
Schriftenreihe:	Проблемы управления и информатики
Schlagworte:	Проблемы защиты информации
Online Zugang:	https://nasplib.isofts.kiev.ua/handle/123456789/207720
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!
Назва журналу:	Digital Library of Periodicals of National Academy of Sciences of Ukraine
Zitieren:	Исследование применимости матрицы смежности для выявления стеганоаудиоконтейнеров / Н.В. Кошкина // Проблемы управления и информатики. — 2014. — № 1. — С. 148-156. — Бібліогр.: 6 назв. — рос.

Institution

Digital Library of Periodicals of National Academy of Sciences of Ukraine

id	irk-123456789-207720
record_format	dspace
spelling	irk-123456789-2077202025-10-14T00:07:21Z Исследование применимости матрицы смежности для выявления стеганоаудиоконтейнеров Дослідження застосовності матриці суміжності для виявлення стеганоаудіоконтейнерів Investigation of the applicability of the co-occurrence matrix for detecting steganoaudiosignals Кошкина, Н.В Проблемы защиты информации Досліджено чутливість рядків матриць суміжності аудіосигналів, обчислених в часовій області та області вейвлет-коефіцієнтів, до послідовного та розподіленого стеганографічних вкраплень за методом НЗБ. Виявлено залежності між наповненістю аудіоконтейнерів та точністю їх SVM-класифікації за особливостями рядків матриць суміжності. Запропоновано спосіб визначення довжини прихованого повідомлення шляхом зваженого голосування сукупності бінарних класифікаторів, що розрізняють стеганоконтейнери двох різних наповненостей. The sensitivity of rows of the co-occurrence matrix of audio signals that were computed in the time and the wavelet coefficients domains to distributed and sequential steganographic embedding by LSB method has been investigated. The relations between the steganographic capacity and the accuracy of SVM classification based on rows features of co-occurrence matrices stego- and normal audios were found. The method for determination of the length of hidden messages by weighted voting of binary classifiers set, that distinguish between two stego audios with different steganographic capacity has been proposed. 2014 Article Исследование применимости матрицы смежности для выявления стеганоаудиоконтейнеров / Н.В. Кошкина // Проблемы управления и информатики. — 2014. — № 1. — С. 148-156. — Бібліогр.: 6 назв. — рос. 0572-2691 https://nasplib.isofts.kiev.ua/handle/123456789/207720 004.415.24/004.56.5 10.1615/JAutomatInfScien.v46.i1.70 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 Исследование применимости матрицы смежности для выявления стеганоаудиоконтейнеров Проблемы управления и информатики
description	Досліджено чутливість рядків матриць суміжності аудіосигналів, обчислених в часовій області та області вейвлет-коефіцієнтів, до послідовного та розподіленого стеганографічних вкраплень за методом НЗБ. Виявлено залежності між наповненістю аудіоконтейнерів та точністю їх SVM-класифікації за особливостями рядків матриць суміжності. Запропоновано спосіб визначення довжини прихованого повідомлення шляхом зваженого голосування сукупності бінарних класифікаторів, що розрізняють стеганоконтейнери двох різних наповненостей.
format	Article
author	Кошкина, Н.В
author_facet	Кошкина, Н.В
author_sort	Кошкина, Н.В
title	Исследование применимости матрицы смежности для выявления стеганоаудиоконтейнеров
title_short	Исследование применимости матрицы смежности для выявления стеганоаудиоконтейнеров
title_full	Исследование применимости матрицы смежности для выявления стеганоаудиоконтейнеров
title_fullStr	Исследование применимости матрицы смежности для выявления стеганоаудиоконтейнеров
title_full_unstemmed	Исследование применимости матрицы смежности для выявления стеганоаудиоконтейнеров
title_sort	исследование применимости матрицы смежности для выявления стеганоаудиоконтейнеров
publisher	Інститут кібернетики ім. В.М. Глушкова НАН України
publishDate	2014
topic_facet	Проблемы защиты информации
url	https://nasplib.isofts.kiev.ua/handle/123456789/207720
citation_txt	Исследование применимости матрицы смежности для выявления стеганоаудиоконтейнеров / Н.В. Кошкина // Проблемы управления и информатики. — 2014. — № 1. — С. 148-156. — Бібліогр.: 6 назв. — рос.
series	Проблемы управления и информатики
work_keys_str_mv	AT koškinanv issledovanieprimenimostimatricysmežnostidlâvyâvleniâsteganoaudiokontejnerov AT koškinanv doslídžennâzastosovnostímatricísumížnostídlâviâvlennâsteganoaudíokontejnerív AT koškinanv investigationoftheapplicabilityofthecooccurrencematrixfordetectingsteganoaudiosignals
first_indexed	2025-10-14T01:05:17Z
last_indexed	2025-10-15T01:06:57Z
_version_	1846008000156794880
fulltext	© Н.В. КОШКИНА, 2014 148 ISSN 0572-2691 ПРОБЛЕМЫ ЗАЩИТЫ ИНФОРМАЦИИ УДК 004.415.24/004.56.5 Н.В. Кошкина ИССЛЕДОВАНИЕ ПРИМЕНИМОСТИ МАТРИЦЫ СМЕЖНОСТИ ДЛЯ ВЫЯВЛЕНИЯ СТЕГАНОАУДИОКОНТЕЙНЕРОВ Введение С развитием и распространением методов компьютерной стеганографии воз- растает актуальность и сложность задачи выявления скрытых сообщений. Решение этой задачи информационной безопасности — основная цель стеганоанализа. Наи- более широкая область применимости у тех методов стеганоанализа, которые не опираются на знание использованного стеганографического программного продук- та. Такие методы, как правило, базируются на поиске устойчивых закономерностей в изменениях статистики контейнеров (изображений, аудио-, видеосигналов и др.), вызванных их стеганопреобразованием, т.е. являются статистическими. В работах [1, 2] рассматривается статистический аудиостеганоанализ, бази- рующийся на чувствительности к стегановнедрению матрицы смежности аудио- сигнала, задаваемой как },)()()1( {#),( ddkfdkfddkddPf  (1) где )(kf — проверяемый аудиосигнал, # — количество пар отсчетов аудиосигнала, для которых разность амплитуд лежит в заданных пределах, d — интервал времен- ной задержки между отсчетами в паре, d — разрешающая способность анализа. Каждому проверяемому сигналу ставится в соответствие его характеристиче- ский вектор, полученный из ),( ddPf  при определенных значениях d и d. Ха- рактеристический вектор подается на вход ранее обученного на некоторой выбор- ке пустых и заполненных контейнеров бинарного классификатора SVM [2], на выходе которого он получает одну из меток класса — «С» или «S». Метка «С» указывает на то, что проверяемый аудиосигнал является пустым контейнером, «S» — заполненным. Подобный подход более развит в применении к стеганоанализу изображе- ний [3–5]. Вопрос использования матрицы смежности для выявления стегано- вкладок в аудиоконтейнерах малоизучен. После реализации вышеописанного ме- тода с помощью пакета Matlab и исследования получаемых на разных этапах стега- ноанализа численных оценок осуществлена его модификация, относительно реали- заций, описанных в работах [1, 2]. Например, в отличие от [1] предлагаемая в этой работе модификация не использует формулу 2000/)]}(min[)]({max[ kfkfd  и гауссовское ядро SVM, поскольку в процессе исследований было определено, что более высокую точность обеспечивают md  2 и линейное ядро SVM. Пос- ле сравнительного анализа различных вариантов формирования характеристиче- ского вектора в данной работе в отличие от [2] предлагается использовать вектор, Международный научно-технический журнал «Проблемы управления и информатики», 2014, № 1 149 полученный при разной разрешающей способности анализа ,d что также улуч- шает точность выявления стеганоконтейнеров. Кроме того, для улучшения точно- сти метода предлагается использовать переход в пространство вейвлет-коэффи- циентов и расчет матриц смежности детализирующих субполос. В настоящей работе предложен путь определения не только факта наличия скрытого сообщения, но и его вероятной длины. Для разработанных модификаций метода исследована точность выявления стегановкладок в 8- и 16-битных наборах фрагментов аудиокниг. Постановка задачи Для стеганографического сокрытия данных в аудиосигналах существующее программное обеспечение, как правило, реализует метод наименьшего значащего бита (НЗБ). В качестве исходных аудиоконтейнеров могут использоваться 8- или 16-битные сигналы, содержащие речь, музыку, чистые тоны, тишину, шум. Часть программ, например Steganos Privacy Suite 2012 или Invisible Secrets 2002, в случае коротких сообщений реализует их последовательное внедрение в младшие биты от- счетов сигнала-контейнера. Другие, например S-Tools 4.0 или Hide4PGP, распреде- ляют биты коротких сообщений по всему объему контейнера. Причем при сокры- тии данных в 8-битных сигналах в любом случае используется не больше одного младшего бита отсчета сигнала, иначе шум, вносимый стегановнедрением, будет слышимым. В 16-битных сигналах неслышимо могут модифицироваться до четы- рех младших битов, что, в частности, реализовано в программе Hide4PGP. Точность статистических методов зависит от деталей реализации и условий экспериментов. В данном методе на точность стеганоанализа будут влиять па- раметры характеристического вектора и SVM. Численные эксперименты, опре- деляющие точность данного метода, в работе [1] выполнены только для 450 ре- чевых сигналов из базы данных CASIA98-99, оцифрованных с разрядностью 16 бит и частотой дискретизации 16 кГц. Также в [1] не указана наполненность стеганоконтейнеров в выполненных тестах и тип распределения коротких сооб- щений по контейнеру, что не позволяет оценить эффективность метода в полной мере. В [2] эффективность данного метода проверялась только для такого стега- нопреобразования, как модуляция индекса квантования (МИК). Для корректного применения метода на практике необходимо более деталь- ное его исследование. Цель работы — исследование при разных условиях стеганоанализа чувстви- тельности к НЗБ-стегановнедрению матрицы смежности аудиосигналов; анализ, определение областей дифференцированного поведения, нахождение оптималь- ных параметров и развитие вышеописанного метода. Стеганоанализ 8-битных аудиосигналов Для работы с 8-битными аудиосигналами с помощью программы Adobe Audition сформирован набор из тысячи одноминутных фрагментов аудиокниг (разные дикторы обоих полов, возможны участки тишины, фоновая музыка). НЗБ- стеганопреобразованием сигналов этого набора были образованы стеганонаборы с последовательным и распределенным внедрением и наполненностью контейне- ров 100, 75, 50, 25, 12 и 6 %. Определение параметров характеристического вектора d и d выполнялось визуальным анализом разностей матриц смежности наборов пустых и заполнен- ных контейнеров ).,(),( stegoorig ddPddPG fff  Пример такого анализа для 50 % заполненных контейнеров при 6,7,8,2   md m приведен на рис. 1. На каждом графике изображены разности 10001 ff GG  для d  1…30 (а — последо- вательное НЗБ-внедрение; б — распределенное НЗБ-внедрение). 150 ISSN 0572-2691 0 10 20 30 3 2 1 0 1  10 5 0 10 20 30 3 2 1 0 1  10 5 0 10 20 30 4 2 0  10 5 0 10 20 30 8 6 4 2 0  10 5 0 10 20 30 4 2 0  10 5 0 10 20 30 8 6 4 2 0  10 5 5 m  8 m  8 m  7 m  7 m  6 m = 6 а б Рис. 1 Как видим, в матрицах смежности пустых и заполненных контейнеров на- блюдаются устойчивые различия. Наибольшие различия наблюдаются при малых значениях d. При увеличении разрешающей способности анализа d различия концентрируются на меньшем множестве значений d. Результатом визуального анализа разностей матриц смежности стал выбор в качестве характеристического вектора для 8-битных сигналов тридцатиэлементного вектора, полученного последовательным объединением строк матрицы ),( ddPf  размером ,103 где ,6,7,8,2   md m d  1…10. Дальнейшие численные экс- перименты показали, что добавление в характеристический вектор элементов матрицы смежности, полученных при d  10, несущественно влияет на результи- рующую точность стеганоанализа, увеличивая при этом время расчетов. Следующий этап — выбор ядра классификатора и формирование обучающей выборки для SVM. Обычно в стеганоанализе используют гауссовское ядро SVM. Однако в данном случае численные эксперименты на различных наборах тестовых сигналов и при разных параметрах тестирования показали, что более высокую точ- ность обеспечивает линейное ядро классификатора с использованием квадратично- го программирования для поиска разделяющей классы гиперплоскости. В работе [6] показано, что обучающая выборка должна формироваться из пар «пустой»–«стеганоконтейнер», где стеганоконтейнер образован из стоящего с ним в паре пустого контейнера путем внедрения в него некоторого сообщения. Для выбора оптимальных параметров классификатора при стеганоанализе нежела- тельным является использование классической кросс-валидации, поскольку она разрывает эти пары. Соответственно этому в данной работе обучающая выборка формировалась из пар «пустой»–«стеганоконтейнер», а параметры классификато- ра подбирались по дискретной сетке значений. Международный научно-технический журнал «Проблемы управления и информатики», 2014, № 1 151 Таблица 1 Наполненность стеганоконтейнеров контрольной выборки, % Точность выявления последователь- ного внедрения методом НЗБ, % Точность выявления распределен- ного внедрения методом НЗБ, % Совпадение наполненности Общая обучаю- щая выборка Совпадение наполненности Общая обучаю- щая выборка 100 100 100 100 100 75 99,9375 100 100 100 50 99,9375 100 100 99,9375 25 99,5625 99,8750 99,8125 99,9375 12 98,0625 95 99,8750 99,6875 6 93,3125 68,1875 99,2500 73,2500 Была проведена серия тестов, определяющих оптимальное количество сигна- лов в обучающей выборке. В них увеличивалось количество элементов обучаю- щей выборки при неизменном количестве элементов контрольной, для которой обученный классификатор определяет метки класса согласно построенному ре- шающему правилу. Причем на вход обученного классификатора по очереди пода- вались две контрольные выборки: 1) выборка пустых контейнеров, не использо- вавшихся при обучении SVM; 2) выборка стеганоконтейнеров фиксированной на- полненности, также не использовавшихся при обучении SVM. Результирующая точность подсчитывалась как процент правильно расставленных меток на двух вышеупомянутых контрольных выборках. В целом такие тесты показали, что в ракурсе достигаемой точности стеганоанализа целесообразным является исполь- зование не менее 300 элементов в обучающей выборке. С увеличением количества элементов точность увеличивается (с какого-то момента незначительно), но уве- личивается и время расчетов. Также исследовалась зависимость точности класси- фикации от наполненности стеганоконтейнеров. Поскольку стеганоаналитик, как правило, не обладает информацией о длине скрытых сообщений, он может вы- брать один из двух вариантов анализа: 1) использовать один классификатор, обученный на сигналах разной напол- ненности; 2) последовательно проверить некоторый контейнер на наборе бинарных классификаторов, обученных каждый на пустых контейнерах и стеганоконтейне- рах одинаковой или близкой наполненности, так чтобы в совокупности набор ох- ватывал все возможные варианты наполненности контейнеров. Второй подход требует больше времени на анализ, но в целом позволяет более точно определять наличие скрытых сообщений. Так, точность стеганоана- лиза при совпадающей наполненности стеганоконтейнеров обучающей и кон- трольной выборок приведена в колонках «Совпадение наполненности» табл. 1 (обучающая выборка состоит из 200 пустых и 200 стеганоконтейнеров, конт- рольная — из 800 пустых и 800 стегано). В колонках «Общая обучающая вы- борка» этой таблицы приведена точность стеганоанализа при использовании обучающей выборки, состоящей из 200 пустых контейнеров и по 33 контейнера 100, 75, 50, 25, 12 и 6 % наполненности. Исходя из результатов табл. 1, при проверке 8-битных аудиосигналов целе- сообразно последовательное использование обоих вышеописанных вариантов стеганоанализа: SVM-классификации с общей обучающей выборкой для выявле- ния стеганоконтейнеров большой наполненности и SVM-классификации с обуче- нием на стеганоконтейнерах малой наполненности для выявления относительно коротких скрытых сообщений. Стеганографическое внедрение информации в сигнал можно рассматривать как добавление к нему шума. С помощью дискретного вейвлет-преобразования (ДВП) аудиосигнал делится на аппроксимирующую и детализирующую субполо- 152 ISSN 0572-2691 сы. При этом шумовая составляющая больше отразится в детализирующих вейв- лет-коэффициентах. Тогда, убрав аппроксимирующие коэффициенты из области анализа, в области детализирующих получим более выраженные разночтения ме- жду пустыми и заполненными контейнерами, что, в свою очередь, позволит более точно их различать. Идея расчета коэффициентов характеристического вектора сигнала в области детализирующих вейвлет-коэффициентов также была реализована с помощью па- кета Matlab. В табл. 2 представлена точность стеганоанализа при формировании ха- рактеристического вектора в области детализирующих коэффициентов одноуров- невого и двухуровневого пакетного вейвлет-разложения. На вход SVM подавался двадцатиэлементный характеристический вектор, рассчитанный с разрешающей способностью .2 8d Первые десять элементов этого вектора определялись для выделенной одноуровневым ДВП частотной субполосы (Fmax/2, Fmax), т.е. деталей первого уровня. Вторые десять — для частотной полосы (F3max/4, Fmax), выделен- ной соответственно в результате двухуровневого вейвлет-пакетного разложения. В скобках указана точность, полученная при использовании только первой поло- вины элементов характеристического вектора и через запятую — только второй. Как видим, анализ не всего аудиосигнала, а только детализирующих субпо- лос улучшает точность классификации контейнеров. Наиболее сильно при этом улучшается точность выявления стеганоконтейнеров малой наполненности. Самая высокая точность стеганоанализа достигается объединением характе- ристических векторов, рассчитанных во временной области и для детализирую- щих вейвлет-коэффициентов. Результат численных экспериментов для этого слу- чая представлен в табл. 3. Таблица 2 Наполненность стеганоконтейнеров контрольной выборки, % Точность выявления последовательно- го внедрения методом НЗБ, % Точность выявления распределенного внедрения методом НЗБ, % Совпадение наполненности Общая обучающая выборка Совпадение наполненности Общая обучающая выборка 100 100 (100, 100) 99,8750 (99,8125, 98,6250) 100 (100,100) 99.7500 (99,1250, 99,8125) 75 100 (100, 100) 99.8750 (99,8125, 98,6250) 100 (100,100) 99.7500 (99,1250, 99,7500) 50 100 (100, 100) 99.8750 (99,8125, 98,6250) 100 (100,100) 99.7500 (99,1250, 99,7500) 25 100 (100, 99,9375) 99.8750 (99,8125, 98,6250) 100 (100, 100) 99.7500 (99,1250, 99,8125) 12 100 (99,9375, 98) 99.8125 (98,4375, 97,2500) 100 (99.8750, 100) 99.7500 (99,1250, 99,8125) 6 99.1875 (97,3750, 92,8125) 90.6875 (79,1875, 71,6875) 95.8125 (94,3125, 91,3125) 89.7500 (82,8750, 84,9375) Таблица 3 Наполненность стеганоконтейнеров контрольной выборки, % Точность выявления последователь- ного внедрения методом НЗБ, % Точность выявления распределен- ного внедрения методом НЗБ, % Совпадение наполненности Общая обучаю- щая выборка Совпадение наполненности Общая обучаю- щая выборка 100 100 99,6875 100 99,9375 75 100 99,6875 100 99,9375 50 100 99,6875 100 99,9375 25 100 99,6875 100 99,9375 12 99,9375 99,6250 100 99,9375 6 99 94,0625 99,9375 99,5000 Международный научно-технический журнал «Проблемы управления и информатики», 2014, № 1 153 Стеганоанализ 16-битных аудиосигналов НЗБ-стеганография может использоваться как для создания 8-битных стегано- аудио-контейнеров, так и для создания 16-битных. При этом шум, вносимый в 8-бит- ный сигнал стегановнедрением, существенно выше шума, вносимого в 16-битный сигнал. Например, среднее значение SNR для одного из тестовых наборов, 100 % заполненных программой Hide4PGP 8-битных аудиоконтейнеров, равно 27 дБ, а для сигналов с таким же содержимым, но 16-битных — 56 дБ. Как следствие, выявить стегановложения в 16-битных аудио, труднее, чем в 8-битных. Визуальный анализ строк матрицы смежности 16-битных сигналов и предвари- тельная SVM-классификация их характеристических векторов, полученных при различных d и d, показали целесообразность использования 130-элементного ха- рактеристического вектора. Его первые 60 элементов рассчитаны при ,2 16d следующие 35 — при 152d и последние 35 — при 142d . Так же, как и в случае 8-битных контейнеров, эффективным является расчет характеристиче- ского вектора в области детализирующих вейвлет-коэффициентов. В табл. 4 показана точность выявления Hide4PGP вложений в 16-битные 44 кГц речевые аудиосигналы. В данном случае использовалась общая обучающая выборка, состоящая из сигналов наполненности 0, 12, 25, 50, 75 и 100 %. Сигналы получены из разных источников. Количество сигналов обучающей выборки — 1600, контрольной — 6400. Полученные численные оценки свидетельствуют о целесообразности исполь- зования характеристических векторов сигналов, рассчитанных как во временной области, так и для вейвлет-коэффициентов субполос (Fmax/2, Fmax) и (F3max/4, Fmax). Отметим, что, как и в случае с анализом 8-битных аудиосигналов, стегано- аналитик может использовать вариант последовательной проверки сигнала на на- боре бинарных классификаторов, обученных каждый на стеганоконтейнерах оди- наковой или близкой наполненности. Результат такого стеганоанализа для этого же тестового набора 16-битных сигналов представлен в табл. 5. Таблица 4 Наполненность стегано- контейнеров контрольной выборки, % Точность классификации, % Анализ во временной области Анализ в области детализирующих коэффициентов од- ноуровневого ДВП Анализ в области детали- зирующих коэффициен- тов двухуровневого вейвлет-пакета Анализ данных трех областей 100 94,5156 87,1094 85,2656 97,5313 75 93,0781 86,1719 82,2500 97,4375 50 90,0625 73,8281 77,3906 96,2969 25 86,2188 54,0313 75,2969 93,9844 12 52,3750 50,6563 73,8125 74,5469 Таблица 5 Наполненность стегано- контейнеров контрольной выборки, % Точность классификации, % Анализ во временной области Анализ в области детализирующих коэффициентов од- ноуровневого ДВП Анализ в области детали- зирующих коэффициен- тов двухуровневого вейвлет-пакета Анализ данных трех областей 100 98,2031 98,9375 99,8281 99,8281 75 96,8125 96,2344 95,9531 99,7656 50 94,6250 77,8750 85,3125 98,8750 25 89,4531 60,0156 74,4531 96,2188 12 71,7969 57,0781 74,0625 83,0625 154 ISSN 0572-2691 Чем больше длина внедренного сообщения, тем больше стабильных различий наблюдается в матрицах смежности пустого и заполненного контейнеров. Также будут наблюдаться различия в матрицах смежности двух стеганоконтейнеров. Например, матрица смежности стеганоконтейнера, заполненного на 5 %, будет более близка к матрице смежности пустого контейнера, чем стеганоконтейнера, заполненного на 100 %. Это наблюдение открывает путь к определению длины скрытого сообщения. Для определения длины скрытого сообщения была построена совокупность бинарных SVM, обученных классифицировать два набора стеганоконтейнеров раз- ной наполненности. Использовались те же 16-битные сигналы, что и в предыдущих экспериментах. Полученная точность классификации представлена в табл. 6. Ана- лиз выполнялся во временной области и в частотных субполосах (Fmax/2, Fmax) и (F3max/4, Fmax). В случаях, когда наполненность контейнеров обучающей вы- борки c метками класса «S1» и «S2» не совпадала, обучающая выборка состояла из 800 пар контейнеров двух фиксированных наполненностей, полученных из од- ного и того же пустого. В остальных случаях для обучения брались 1600 разных стеганоконтейнеров одинаковой наполненности (как видим, в этих случаях точ- ность SVM равна 50 %, т.е. сигналы нельзя поделить на два класса). Результаты, приведенные в табл. 6, свидетельствуют о том, что два набора контейнеров фиксированной наполненности можно достаточно точно разделить. В этой серии экспериментов, а также в подобных для других наборов контейне- ров, в том числе 8-битных, прослеживается такая закономерность: при сближении степеней наполненности контейнеров точность их классификации ухудшается и одновременно с этим точность всегда лучше для контейнеров большей напол- ненности. Отметим, что кроме подхода, состоящего в построении совокупности бинар- ных классификаторов, обученных по дискретной сетке наполненностей контейне- ров, и дальнейшем определении длины скрытого сообщения путем взвешенного голосования этих классификаторов, также был реализован подход, использующий многоклассовую SVM. Для тестирования многоклассовой SVM использовалась отдельная Matlab-функция. Но с ее помощью были получены результаты хуже, чем представленные в табл. 6. Подобные эксперименты были выполнены не только для выявления стега- новкладок Hide4PGP, но и других вариантов НЗБ-стегановнедрения. В частности, в табл. 7 приведена точность обнаружения последовательного и распределенного внедрения сообщений, в процессе которых в одном отсчете сигнала скрывалось не более одного бита (классический НЗБ). Использовался тот же, что и ранее, 16-битный исходный набор фрагментов аудиокниг, но максимальная наполнен- ность стеганоконтейнеров в этих тестах в четыре раза меньше, чем в предыдущих. Выявить стеганоконтейнеры в этом случае труднее, так как модификаций, вне- сенных в оригиналы внедрением, меньше. Таблица 6 Наполненность контейнеров обучаю- щей выборки с мет- кой класса «S2», % Наполненность контейнеров обучающей выборки с меткой класса «S1» 100 % 75 % 50 % 25 % 12 % 0 % 100 50 99,5625 99,5781 99,6094 99,5781 99,8281 75 99,5625 50 98,5781 98,8594 98,9375 99,7656 50 99,5781 98,5781 50 96,6875 96,7344 98,8750 25 99,6094 98,8594 96,6875 50 87,4688 96,2188 12 99,5781 98,9375 96,7344 87,4688 50 83,0625 0 99,8281 99,7656 98,8750 96,2188 83,0625 50 Международный научно-технический журнал «Проблемы управления и информатики», 2014, № 1 155 Таблица 7 Наполненность стеганоконтей- неров контроль- ной выборки, % Точность классификации, % Анализ во вре- менной области Анализ в области детализирующих коэффициентов одно- уровневого ДВП Анализ в области дета- лизирующих коэффи- циентов двухуровнево- го вейвлет-пакета Анализ данных трех областей Выявление последовательного внедрения методом НЗБ 100 88,5000 60 59,0625 88,7031 75 85,6250 59,2969 57,9688 86,2188 50 79,9844 56,6875 54,9844 79,9063 25 68,4375 53,4375 52,2656 69,7344 12 58,7031 51,3594 51,4063 60,4063 Выявление распределенного внедрения методом НЗБ 50 77,9063 55,4219 55,9375 77,8906 25 59,7656 53,8125 54,0781 63,0156 Таблица 8 Наполненность стеганоконтей- неров контроль- ной выборки, % Точность классификации, % Анализ во вре- менной области Анализ в области детализирующих коэффициентов од- ноуровневого ДВП Анализ в области детализирующих коэффициентов двухуровневого вейвлет-пакета Анализ данных трех областей 100 95,8167 (94,3559) 99,8008 (69,7211) 98,8048 (65,4714) 99,8008 (95,5511) 50 93,2935 (82,0053) 99,3360 (60,6242) 94,1567 (57,0385) 99,3360 (84,7278) 25 71,4475 (61,9522) 96,9456 (53,7849) 86,8526 (53,5857) 97,6096 (63,7450) 12 57,9681 (55,4449) 84,9934 (51,3944) 71,3147 (51,5936) 90,9695 (55,7769) Шум, вносимый стеганопреобразованием, будет более заметен на участках сигнала с малыми амплитудами. Поэтому в случае, когда НЗБ-внедрение проис- ходило в сигналы со срезанными верхними частотами (например, вследствие mp3-сжатия), расчет элементов характеристического вектора в области вейвлет- коэффициентов становится более эффективным. Сжатие с потерями удаляет незна- чимые детали в спектре сигнала, что позволяет более точно классифицировать пус- тые и заполненные контейнеры в целом. Такой пример приведен в табл. 8. В ней представлены результаты экспериментов, где исходные широкополосные речевые аудиосигналы (тестовый набор 1250 фрагментов аудиокниг) подвергались mp3- сжатию с битрейтом 64 кбит/с. Распределенное НЗБ-внедрение осуществлялось во временной области этих сигналов после их обратного конвертирования в не- упакованный формат. В скобках после каждого значения точности классификации контейнеров указана точность, полученная при тех же параметрах численных экспериментов, но для сигналов, которые не подвергались mp3-сжатию. Как ви- дим, эта точность хуже, особенно для той части характеристического вектора, ко- торая рассчитывается в области вейвлет-коэффициентов. Аналогично исследовалось влияние шума на точность аудиостеганоанализа. Перед применением сокрытия согласно методу НЗБ к оригинальным тестовым сигналам добавлялся аддитивный гауссовский шум фиксированной мощности. Результаты тестов показали, что с увеличением мощности добавляемого шума точность выявления образованных после НЗБ-внедрения зашумленных стегано- контейнеров ухудшается. Заключение. В целом полученные численные оценки свидетельствуют о том, что матрица смежности речевых аудиосигналов чувствительна к изменениям, вносимым различными вариантами метода НЗБ, и изменяется под их действием схожим образом, вследствие чего она может использоваться для аудиостегано- анализа. При этом следует учитывать, что обучение SVM-классификатора должно выполняться на сигналах с характеристиками, максимально сходными с характе- ристиками проверяемых. 156 ISSN 0572-2691 Разработанный метод более точен при выявлении стеганоконтейнеров относи- тельно большой наполненности. Дополнение характеристического вектора элемен- тами, рассчитанными по формуле (1), но не во временной области, а в детализи- рующих вейвлет-субполосах, повышает точность стеганоанализа. Два набора стега- ноконтейнеров фиксированной наполненности являются разделимыми с помощью SVM, что открывает путь к определению вероятной длины скрытых сообщений. Н.В. Кошкіна ДОСЛІДЖЕННЯ ПРИДАТНОСТІ МАТРИЦІ СУМІЖНОСТІ ДЛЯ ВИЯВЛЕННЯ СТЕГАНОАУДІОКОНТЕЙНЕРІВ Досліджено чутливість рядків матриць суміжності аудіосигналів, обчислених в часовій області та області вейвлет-коефіцієнтів, до послідовного та розподі- леного стеганографічних вкраплень за методом НЗБ. Виявлено залежності між наповненістю аудіоконтейнерів та точністю їх SVM-класифікації за особливос- тями рядків матриць суміжності. Запропоновано спосіб визначення довжини прихованого повідомлення шляхом зваженого голосування сукупності бі- нарних класифікаторів, що розрізняють стеганоконтейнери двох різних напов- неностей. N.V. Koshkina INVESTIGATION OF THE APPLICABILITY OF THE CO-OCCURRENCE MATRIX FOR DETECTING STEGANOAUDIOSIGNALS The sensitivity of rows of the co-occurrence matrix of audio signals that were com- puted in the time and the wavelet coefficients domains to distributed and sequential steganographic embedding by LSB method has been investigated. The relations be- tween the steganographic capacity and the accuracy of SVM classification based on rows features of co-occurrence matrices stego- and normal audios were found. The method for determination of the length of hidden messages by weighted voting of binary classifiers set, that distinguish between two stego audios with different ste- ganographic capacity has been proposed. 1. Qi Y., Wang Y., Yuan J. Audio steganalysis based on co-occurrence matrix and PCA // IEEE Computer Society (Proc. of the Intern. Conf. on Measuring Technology and Mechatronics Auto- mation 2009). — 2009. — 1. — P. 433–436. 2. Кошкіна Н.В. Стеганоаналіз МІК-стеганографії на базі матриці суміжності та методу опор- них векторів // Искусственный интеллект. — 2012.— № 4.— C. 567–577. 3. Abolghasemi M., Aghainia H., Faez K., Mehrabi M.A. LSB data hiding detection based on gray level co-occurrence matrix // International Symposium on Telecommunications. — 2008. — P. 656–659. 4. Kekre H.B., Athawale A.A., Patki S.A. Steganalysis of LSB embedded images using gray level co- occurrence matrix // International Journal of Image Processing. — 2011. — 5, N 1. — P. 36–45. 5. Fazli S., Zolfaghari-Nejad M. A new steganalysis method for steganographic images on DWT domain // International Journal of Science and Engineering Investigations. — 2012. — 1, N 2. — P. 1–4. 6. Schwamberger V. Franz M.O. Simple algorithmic modifications for improving blind steganalysis performance // Proceedings of the 12th ACM Multimedia & Security Workshop MMSec. — Rome. — 2010. — P. 225–230. Получено 01.08.2013 Статья представлена к публикации чл.- корр. НАН Украины В.К. Задиракой.

Исследование применимости матрицы смежности для выявления стеганоаудиоконтейнеров

Institution

Ähnliche Einträge