20189218 2018-2019-2 《密码与安全新技术专题》第X周作业
课程:《密码与安全新技术专题》
班级: 1892
姓名: 冯乾
学号: 20189218
上课教师:夏超
上课日期:2019年4月9日
必修/选修: 选修
1.本次讲座的学习总结
信息隐藏是指将特定用途的消息隐蔽地藏于其他载体(Cover)中,使得它们难以被发现或者消除,通过可靠提取隐藏的信息,实现隐蔽通信、内容认证或内容保护功能。信息隐藏的技术手段主要包括水印、可视密码、隐写等。
鲁棒水印
鲁棒水印是重要的数字产权管理与安全标识技术之一, 指将与数字媒体版权或者购买者有关的信息嵌入数字 媒体中,使攻击者难以在载体不遭到显著破坏情况下 消除水印,而授权者可以通过检测水印实现对版权所 有者或者内容购买者等表示信息的认定。
相比于其他隐藏技术,鲁棒水印有以下两个特点:
- 对于覆盖信号所做的改变应该不会被人类的感官察觉到
- 即使随后改变了水印层,也应该可以恢复隐藏的信息
从根本上说,鲁棒水印是对应于所有信息隐藏技术的优势与稳健性与嵌入率权衡的不同折衷。早在1954年就有了早期的鲁棒水印,20世纪90年代,当娱乐业面临越来越多的盗版行为时,技术发展更为迅速。 鲁棒水印已被视为补充传统基于密码学的内容保护的候选技术。
![1506386-20190413224029068-2137963956.jpg](https://i-blog.csdnimg.cn/blog_migrate/edb3ffde8e2ab39c1781d314b3545e89.jpeg)
可视密码
可视密码技术是Naor和Shamir于1994年首次提出的,其主要特点是恢复秘密图像时不需要任何复杂的密码学计算,而是以人的视觉即可将秘密图像辨别 出来。其做法是产生n张不具有任何意义的胶片,任取其中t张胶片叠合在一起即可还原出隐藏在其中的秘密信息。可视密码方案实际上是一种秘密共享方案,即使是一个具有无穷计算能力的攻击者,也不能在拥有的子秘密数量少于一个给定值时获得关于秘密图像的任何信息。
![1506386-20190413224033512-1103136284.png](https://i-blog.csdnimg.cn/blog_migrate/a300a3f9de380462fbd34ed2a17429cf.png)
隐写
隐写是基于信息隐藏的隐蔽通信或者隐蔽存储方法,将秘密消息难以感知地隐藏在内容可公开的载体中,保护保密通信或者保密存储这些行为事实。
隐写的信息通常用一些传统的方法进行加密,然后用某种方法修改一个“伪装文本”(covertext),使其包含被加密过的消息,形成所谓的“隐秘文本”(stegotext)。例如,文字的大小、间距、字体,或者掩饰文本的其他特性可以被修改来包含隐藏的信息。只有接收者知道所使用的隐藏技术,才能够恢复信息,然后对其进行解密。
隐写之LSB嵌入
LSB(The Least Significant Bit),最低有效位嵌入法,是最简单且最普遍的隐写算法。LSB通过修改图像每个RGB值的最右位,插入秘密消息,它也使图片的变化不明显,但如果插入的消息太大,它将修改最右两位等等,图片变化可能被注意到。示例如下:
![1506386-20190413224038756-1692734967.jpg](https://i-blog.csdnimg.cn/blog_migrate/e9f125553b1261e48ece3f2bccd3550f.jpeg)
隐写之矩阵嵌入
以最小的嵌入修改数目达到嵌入要传递消息的目的,可提高嵌入效率,即利用较少的嵌入修改嵌入同样数量的秘密消息。 矩阵嵌入方法效率示意:
![1506386-20190413224044049-1225092998.png](https://i-blog.csdnimg.cn/blog_migrate/70f4aed61aac674cf3799bd2fbd466fe.png)
隐写之自适应隐写
根据构造的嵌入失真函数计算载体图像中元素发生更改所引起的失 真,利用隐写编码控制秘密信息的嵌入位置,在最小化图像总体嵌 入失真的同时保证秘密信息的准确提取。 自适应隐写工作流程如下:
![1506386-20190413224048671-755029131.png](https://i-blog.csdnimg.cn/blog_migrate/d47a757e766a6f550b90e234aad0a0e2.png)
隐写分析
隐写分析(steganalysis)是指在已知或未知嵌入算法的情况下,从观察到的数据检测判断其中是否存在秘密信息,分析数据量的大小和数据嵌入的位置,并最终破解嵌入内容的过程。
隐写分析的发展历程:
- Li Bin的“Auto-Encoder”,比RichModel还差14%-15% 。
- Qian系列:系统地提出了“GNCNN”,真正开创了CNN应用于Steganalysis,比RichModel差2%-3%。
- XuNet系列,第一层卷积层后用了Absolute(ABS)层以利用残差图像符号的对称性,激活函数选取上,部分层用tanh函数。
- NiJQ最新:YeNet,新结构。
- XuGuanShuo:Res on J-UNIWARD,新的网络结构,比featur-based method好一点(在low payload时不明显)。
一般性的运用深度学习进行隐写分析的过程如下:
![1506386-20190413224054627-1455961622.jpg](https://i-blog.csdnimg.cn/blog_migrate/a4c35200beecadd0055e2edda9cfaf33.jpeg)
2.学习中遇到的问题及解决
- 问题1:什么是空域图像?
- 问题1解决方案:经傅立叶变换的图像空间称为空域,经过傅立叶变换的图像空间称为频域,图像增强可以在空域内进行,也可以在频域内进行,分别形成空域增强技术和频域增强技术。
- 问题2:鲁棒水印具体指什么?
- 问题2解决方案: 用于版权保护的数字水印一般称为鲁棒水印(Robust Watermarking),利用这种水印技术在多媒体内容的数据中嵌入创建者或所有者的标示信息,或者嵌入购买者的标示(即序列号)。在发生版权纠纷时,创建者或所有者的信息用于标示数据的版权所有者,而序列号用于标示违反协议而为盗版提供多媒体数据的用户。用于版权保护的数字水印要求有很强的鲁棒性,除了要求在一般图象处理(如:滤波、加噪声、替换、压缩等)中生存外,还需能抵抗一些恶意攻击。目前,尚无能十分有效用于实际版权保护的鲁棒水印算法。
3.本次讲座的学习感悟、思考等
信息隐藏这方面的内容在之前的学会或者生活中其实一直被我忽视了,但现在想想信息隐藏其实占有很重要的地位,有很大的发展空间和应用前景,首先就是版权保护方面,数字水印技术如果能得到有效发展和应用,对于版权法追权十分重要;当今互联网的发展状况无论是云存储还是各种新媒体的出现都位隐藏信息的传播提供了十分便捷的途径,这也为我们对有害隐藏信息的检测提出了更高的要求。更广义的信息隐藏,如之前出现过的植入xcode和易语言编译器的后门程序,如果不能被有效检测将带来很大的安全威胁,再比如我们从网上下载资料,会不会不知不觉就成为了病毒或者违法信息的传播者?
4.隐写分析最新研究现状
科技永远是把双刃剑,信息隐藏技术的发展也对我们对隐藏信息的检测提出了更高的要求。
Detection based Defense against Adversarial Examples from the SteganalysisPoint of View
作者信息:
- Jiayang Liu, Weiming Zhang, Yiwei Zhang, Dongdong Hou, Yujia Liu, Hongyue Zha and Nenghai
- YuCAS Key Laboratory of Electromagnetic Space InformationUniversity of
- Science and Technology of China
- Hefei, China
近年深度神经网络(DNN)最近在许多领域取得了显着的进步。 然而,DNN易受对抗性的例子的攻击,这些例子是具有难以察觉的扰动,因此显著地误导了DNN。 此外,对抗性示例可用于对各种基于DNN的系统进行攻击,即使攻击者无法访问基础模型。目前已经提出了许多防御方法,例如网络的渐变或检测对抗性问题。 然而,这些方法已被证明无效或无法抵抗次要对抗性攻击。本文指出隐写分析可以应用于对抗性实例检测,并提出一种通过估计对抗性攻击引起的概率更改来增强隐写分析特征的方法。实验结果表明,该方法能够准确地检测出对抗性的例子。 此外,由于本文的方法不是基于神经网络而是基于高维人工特征和FLD(Fisher LinearDiscriminant)集合,因此不受次要对抗攻击。实验结果显示,增强方案可以准确地检测各种对抗性攻击,包括C&W方法。 此外,次级对抗攻击(Carlini和Wagner 2017a)不能直接攻击本文的方法,因为本文的检测模型的结构不是神经网络。
![1506386-20190413224101779-164237200.png](https://i-blog.csdnimg.cn/blog_migrate/3304c0c302b43d0dc0f53238781747d4.png)
Improving Blind Steganalysis in Spatial Domain Using a Criterion to Choose the Appropriate Steganalyzer Between CNN and SRM+EC
本文收入32nd IFIP TC 11 International Conference, SEC 2017。
作者信息:
- Jean-Francois CouchotRaphaël CouturierMichel Salomon
- FEMTO-ST Institute, CNRS Univ. Bourgogne Franche-Comt ́e(UBFC),Belfort, France
现有技术的图像隐写分析方法通常是由富图像模型提供的特征训练的分类器。 由于特征提取和分类步骤都完美地体现在卷积神经网络(CNN)的深度学习架构中,因此有许多不同的研究尝试设计基于CNN的隐写分析器,或者用于输入图像的空间丰富模型(SRM)和集合分类器(EC)的组合。 本文的方法采用三种隐写空间域算法进行研究:S-UNIWARD,MiPOD和HILL,并且比单独的每种方法都具有更好的检测能力。 由于SRM + EC和CNN仅使用MiPOD进行训练,因此可以将所提出的方法视为盲隐写分析的方法。
由于CNN的TensorFlow实现给出了与S-UNIWARD和HILL的原始Caffe几乎相同的检测性能,本文作者发现了一个与CNN分类性能密切相关的度量。 该度量包括由所考虑的用于输入图像的隐写算法的失真函数ρρ提供的成本矩阵中的所有元素的均值。 本文已经证明,对于S-UNIWARD,后者值ρ,对于S-UNIWARD来说,CNN无法正确检测图像是覆盖还是隐写。 幸运的是,CNN和SRM + EC检测错误根据度量函数以不同方式发展。 通过计算相应曲线的交点,能够定义可靠的标准,允许为输入图像决定何时使用CNN或SRM + EC来获得最准确的预测。 考虑到隐写算法S-UNIWARD,HILL和MiPOD所做的实验已经验证了所提出的标准,因为无论嵌入有效载荷值如何,它总是获得改进的检测性能。 这项工作的另一个贡献是设计了一个对嵌入过程(盲检测)不敏感的隐写分析器。
Deep Learning Hierarchical Representations for Image Steganalysis
本文收入IEEE Transactions on Information Forensics and Security
作者信息:
- Jian Ye
- Affiliation
- School of Electronic and Information Technology
- Sun Yat-Sen University
- Guangzhou, China
- Jiangqun Ni
- Also published under: J. Q. Ni
- Affiliation
- School of Data and Computer Science
- Sun Yat-sen University
- Guangzhou, China
- Yang Yi
- Affiliation
- School of Data and Computer Science
- Sun Yat-Sen University
- Guangdong, China
如今,数字图像中隐含的隐写通信检测器主要包括三个步骤,即差分计算,特征提取和二进制分类。 本文提出了一种基于卷积神经网络(CNN)的数字图像隐写分析的替代方法,该方法被证明能够在统一的框架中很好地复制和优化这些关键步骤,并直接从原始图像中提取分层表示。 本文所提出的CNN具有与传统计算机视觉任务中使用的结构完全不同的结构。 使用在空间丰富模型(SRM)中计算差分映射的基本高通滤波器组来初始化所提出的CNN的第一层中的权重,而不是使用随机策略。 为了更好地捕获嵌入信号的结构,通常具有极低的SNR(隐秘信号到图像内容),在本文的CNN模型中采用了称为截断线性单元的新激活函数。 最后,本文通过结合选择通道的知识,进一步提高了所提出的基于CNN的隐写分析仪的性能。 本文使用空间域中的三种最先进的隐写算法,例如WOW,S-UNIWARD和HILL,用于评估模型的有效性。 与SRM及其选择通道感知变体maxSRMd2相比,本文的模型在各种测试算法中实现了针对各种有效载荷的卓越性能。
TS-CNN: Text Steganalysis from Semantic Space Based on Convolutional Neural Network
本文收入 AAAI2019
作者信息:
- Zhongliang Yang, Nan Wei, Junyi Sheng, Yongfeng Huang, Yu-Jin Zhang
- Department of Electronic Engineering, Tsinghua University, Beijing, 100084, China.
- National Key Laboratory for Novel Software Technology, Nanjing University, Nanjing 210023, China
- College of Software Engineering, Sichuan University, Sichuan, 610065, China.
- E-mail: yangzl15@mails.tsinghua.edu.cn, yfhuang@tsinghua.edu.cn
隐写分析已成为网络中一个重要的研究课题,有助于识别公共网络中的隐蔽攻击。随着近两年自然语言处理技术的迅速发展,无掩盖隐写技术得到了极大的发展。 以前的文本隐写分析方法在这种新的隐写术技术上显示出不令人满意的结果,仍然是一个未解决的挑战。 本文提出了一种基于语义分析的文本隐写分析方法(TS-CNN),该方法采用卷积神经网络(CNN)提取文本的高级语义特征,并采用不同的文本隐写分析方法。 在嵌入秘密信息之前和之后,找出语义空间中的细微分布差异。 为了训练和测试所提出的模型,本文作者收集并发布了一个大型的文本分析(CT-Steg)数据集,其中包含216,000个具有不同长度和各种嵌入的文本的总数。 实验结果表明,该模型能够实现近100%的精度和召回率,优于以往的所有方法。 此外,所提出的模型可以估计内部隐藏信息的容量。 这些结果表明在嵌入秘密信息之前和之后利用语义空间的微妙变化进行文本隐写分析是可行和有效的。
文中不同方法的检测结果如下:
![1506386-20190413224432783-1870507237.png](https://i-blog.csdnimg.cn/blog_migrate/03e6b1630595adec11b68220ce92b3c6.png)
Steganalysis of LSB matching using differences between nonadjacent pixels
本文被引次数347次,为2015年来发表的论文中最高的。
作者信息:
- Zhihua Xia
- School of Computer & SoftwareNanjing University of Information Science & TechnologyNanjingChina
- Xinhui Wang
- School of Computer & SoftwareNanjing University of Information Science & TechnologyNanjingChina
- Quansheng Liu
- UMR6205, LMBA, Campus de TohannicUniversité de Bretagne-SudVannesFrance
- Naixue Xiong
- School of Computer ScienceColorado Technical UniversityColorado SpringUSA
本文将空间最低有效位(LSB)匹配嵌入的消息建模为覆盖图像的独立噪声,并揭示尽管像素之间距离较大,但是隐藏位平滑了像素灰度值之间差异的直方图。 本文利用差分直方图(DHCF)的特征函数,证明了嵌入消息后DHCF(DHCF COM)的质心减小。 DHCF COM被计算为与具有不同距离的像素对的区别特征。 通过平均操作生成的图像校准特征,然后用于训练支持向量机(SVM)分类器。 本文实验结果证明,从非相邻像素之间的差异中提取的特征也有助于解决LSB匹配问题。
参考资料
- Robust Watermarking - ResearchGate
- 空域图像
- Detection based Defense against Adversarial Examples from the SteganalysisPoint of View
- Steganalysis of LSB matching using differences between nonadjacent pixels
- TS-CNN: Text Steganalysis from Semantic Space Based on Convolutional Neural Network
- Deep Learning Hierarchical Representations for Image Steganalysis
- Improving Blind Steganalysis in Spatial Domain Using a Criterion to Choose the Appropriate Steganalyzer Between CNN and SRM+EC