Введение 4
ГЛАВА 1. МОДЕЛИ, МЕТОДЫ И АЛГОРИТМЫ
СТЕГАНОГРАФИЧЕСКОГО СОКРЫТИЯ И ОБНАРУЖЕНИЯ СКРЫТОЙ ИНФОРМАЦИИ 7
1.1 Основные сведения о стеганографии 7
1.1.1. Классификация стеганографических систем 9
1.1.2. Классификация методов компьютерной стеганографии 12
1.2. Алгоритмы стеганографического сокрытия информации в графических
файлах 13
1.2.1 Алгоритм HUGO 13
1.2.2 Алгоритм WOW 16
1.2.3 Алгоритм UNIWARD 20
1.3. Методы выявления стеганографически скрытой информации 26
1.3.1. Основные принципы стегоанализа 26
1.4. Статистические методы выявления стеганографического скрытия
информации 28
1.4.1 Гистограммный анализ 28
1.4.2 RS-анализ 32
1.5. Использование машинного обучения для стегоанализа 35
ГЛАВА 2. ПРОЕКТИРОВАНИЕ МОДЕЛИ НЕЙРОННОЙ СЕТИ 39
2.1. Модель свёрточной нейронной сети для стегоанализа 39
2.1.1 Слой обработки изображения 41
2.1.2 Свёрточный слой 42
2.1.3 Классификационный слой 48
ГЛАВА 3. ПРОГРАММНАЯ РЕАЛИЗАЦИЯ И ТЕСТИРОВАНИЕ СИСТЕМЫ 50
3.1. Выбор средств реализации 50
3.1.1. Выбор языка реализации 50
3.1.2. Выбор среды разработки 54
3.2. Реализация системы 58
3.3. Анализ результатов экспериментов 64
Заключение 66
Список использованных источников 67
Приложение 1. Листинг главного модуля 74
Приложение 2. Листинг фильтра верхних частот 78
Приложение 3. Листинг гауссовой функции активации 83
Цифровая стеганография - наука о скрытой передаче информации, которая часто осуществляется за счет встраивания передаваемого сообщения в некий не вызывающий подозрения цифровой объект путем незначительной его модификации. Результат встраивания передается по каналу связи получателю, который извлекает встроенное сообщение. Это эффективное средство защиты информации, становящееся особенно актуальным в случае, когда применение криптографических методов невозможно или ограничено. Наиболее популярным направлением в стеганографии является развитие методов встраивания сообщений в изображения. В противовес стеганографии развивается стегоанализ.
Стеганализ широко изучался в последнее десятилетие. Его основная цель - обнаружить присутствие секретных сообщений в цифровых контейнерах, таких как цифровые изображения, поступающие из известного источника. Обычно эта задача формулируется как задача двоичной классификации, чтобы различать пустой и стего контейнер. В общем случае существующие методы в основном делятся на два этапа: выделение признаков и классификация. На этапе выделения из каждого изображения извлекается набор вручную подобранных признаков, чтобы зафиксировать влияние операций внедрения. Успех стегоанализа в целом зависит от подбора признаков. Однако отсутствие точных моделей естественных изображений усложняет эту работу. Поэтому предлагаются различные эвристические методы. С увеличением сложности методов стеганографии учитываются более сложные статистические зависимости между отдельными элементами. В последние годы именно направление статистического стегоанализа развивается интенсивнее всего.
На этапе классификации методы, такие как метод опорных векторов или ансамбль классификаторов, обучаются на основе подобранных признаков. Поскольку этапы извлечения признаков и классификации разделены, они не могут быть оптимизированы одновременно. Это означает, что на этапе извлечения признака невозможно собирать полезную информацию.
Это обусловливает актуальность задачи построения автоматизированной системы для стегоанализа на основе свёрточной нейронной сети. В данной системе реализуется возможность объединения и автоматизации этапов извлечения признаков и классификации.
Глубокие модели обучения - это такой класс моделей, который может автоматически извлекать признаки. Вдохновленные тем фактом, что человеческий мозг обрабатывает информацию иерархически с глубокой архитектурой, исследователи ожидали в течение десятилетий обучать глубокие многослойные нейронные сети. Но не было достигнуто никакого успеха до 2006 года, когда Джефф Хинтон сделал прорыв[1]. В этой работе Хинтон представил Deep Belief Networks (DBNs) с жадной поэтапной неконтролируемой предварительной подготовкой, которая может изучить иерархию признаков на одном уровне, за раз. Аналогичным образом были предложены многие другие модели глубокого обучения, такие как Глубинные Машины Больцмана[2], глубокие автоэнкодеры[3] и свёрточные нейронные сети (СНС)[4]. Эти модели имеют глубокие архитектуры, которые состоят из нескольких уровней нелинейных операций и могут обучаться с использованием либо контролируемых, либо неконтролируемых подходов для изучения иерархических представлений путем создания высокоуровневых признаков из низкоуровневых. Как правило, глубокие архитектуры могут представлять некоторые признаки, которые не могут быть эффективно представлены с помощью неглубоких архитектур. Они фактически оказались более мощными обучающими схемами для многих задач искусственного интеллекта (ИИ), таких как распознавание объектов и обработка естественного языка.
Целью данной диссертационной работы является разработка и реализация автоматизированной системы для анализа изображений на предмет скрытой информации на основе модели СНС разработанной для стегоанализа. Для достижения этой цели были поставлены и решены следующие задачи:
1) Исследовать и проанализировать существующие методы стеганографии и обнаружение скрытых сообщений в рамках статистического и нейросетевого подходов в стегоанализе.
2) Разработать архитектуру свёрточной нейронной сети для нужд стегоанализа и архитектуру системы для анализа изображений.
3) Создать программный продукт.
4) Провести анализ эффективности системы по сравнению с сущетвующими методами статистического стегоанализа.
Объектом исследования является применение глубокого обучения в стегоанализе.
Предметом исследования является применение свёрточной нейронной сети для стегоанализа изображений.
Научная новизна данной работы состоит в предложенной архитектуре свёрточной нейронной сети.
Научно-практическая ценность результатов диссертации заключается в возможности применения предложенной архитектуры нейронной сети при практической разработке стегоаналитических систем, обладающих большей точностью и надёжностью. Например, систем фильтрации трафика для выявления и устранения скрытых каналов передачи информации.
При выполнении данной магистерской диссертации были выполнены следующие задачи:
1) Исследованы и проанализированных существующие методы стеганографии и обнаружение скрытых сообщений в рамках статистического и нейросетевого подходов в стегоанализе.
2) Разработана архитектуру свёрточной нейронной сети для нужд стегоанализа и архитектура системы для анализа изображений.
3) На основании разработанной архитектуры создан программный продукт.
4) Проведён анализ эффективности системы по сравнению с существующими методами.
В ходе работы над диссертацией была разработана архитектура свёрточной нейронной сети для стегоанализа. Данная архитектура позволяет решить проблему выработки признаков при противодействии сложным алгоритмам встраивания. Также был разработанный программный продукт реализующий преимущества архитектуры при решении задачи классификации контейнера. В дальнейшем данная система может быть расширена добавлением функционала проведения атак на выделение секретного сообщения.
Помощь студентам и аспирантам в выполнении работ от наших партнеров
