spatial-based steganography
در نشریات گروه فناوری اطلاعات-
نهاننگاری، هنر مکاتبات پنهانی است که در آن یک پیام به صورت مخفیانه منتقل میشود و نهانکاوی، هنر کشف حضور اطلاعات پنهان است. شبکه های عصبی پیچشی برخلاف روش های نهانکاوی سنتی، با استخراج خودکار ویژگیها، وجود داده را تشخیص میدهند. در مقالات مختلف، عملکرد مدلهای موجود بر روی تعداد محدودی از روش های نهاننگاری حوزه مکان گزارش شده است. هدف اصلی این مقاله، ارایه یک شبکه عصبی پیچشی و بررسی جامع عملکرد آن در کشف روش های حوزه مکان مختلف است. مدل پیشنهادی از سه قسمت پیش پردازش، ماژول پیچشی و طبقهبند تشکیل شده است. در لایه ماژول پیچشیلایه تمام متصل تشکیلشده است. از روش های جاسازی در بیت کم ارزش، 3 بلوک و طبقه بند از 5 از جاسازی در مقدار اختلاف پیکسلها و جاسازی مبتنی بر ایده تطبیقی برای تست استفاده شده است. روش وجود داده های با طولهای حتی بسیار کم در روش های دو گروه 97٪ پیشنهادی میتواند با دقت بالاتر از اول را شناسایی کند. عملکرد روش پیشنهادی در کشف درصد جاسازی های بسیار کم روش تطبیقی با دقت بسیار مناسب است و این ویژگی نقطه تمایز مدل پیشنهادی نسبت به روش های سنتی است. زیرا 70٪ بالای موفقیت روش های استخراج ویژگی دستی به دلیل کم بودن تغییرات ویژگیهای آماری در سطوح جاسازی پایین، بسیار کمتر است.
کلید واژگان: نهاننگاری، نهانکاوی، نهاننگاری مبتنی بر حوزه مکان، یادگیری عمیق، شبکه عصبی پیچشیSteganalysis is the art of detecting the existence of hidden data. Recent research has revealed that convolutional neural networks (CNNs) can detect data through automatic feature extraction. Several studies investigated the performance of existing models using a limited number of spatial steganography methods. This study aims to propose a CNN and comprehensively investigate its efficiency in detecting different spatial methods. The proposed model comprises three modules: preprocessing, convolutional (five blocks), and classifier (three fully connected layers). The test results for the least-significant-bit (LSB) and pixel-value differencing (PVD) based methods indicate that the proposed method can detect data of even concise length with high accuracy and a low error. The proposed method also detects complexity-based LSB-M (CBL) as an adaptive approach. Lower embedding rates make this success even more impressive. Manual feature extraction has much lower success rates due to low variations of statistical features at low embedding rates than the proposed model.
Keywords: Steganalysis, Spatial-based steganography, Deep learning, Convolutional neural network
- نتایج بر اساس تاریخ انتشار مرتب شدهاند.
- کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شدهاست. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
- در صورتی که میخواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.