[論文レビュー] Can Machine Learn Steganography? - Implementing LSB Substitution and Matrix Coding Steganography with Feed-Forward Neural Networks

Hanzhou Wu, Hongxia Wang+1 more|arXiv (Cornell University)|Jun 16, 2016

Advanced Steganography and Watermarking Techniques参考文献 4被引用数 10

ひとこと要約

この論文は、フィードフォワードニューラルネットワーク（FNN）が、データ埋め込みおよび回収関数を学習することで、古典的なステガノグラフィー技法—LSB埋め込みとマトリクスコーディング—を効果的に実装できることを示している。主な貢献は、人工ニューラルネットワーク（ANN）をステガノグラフィック操作に用いる可能性を証明したことであり、今後のエンドツーエンドのニューラルステガノグラフィー・システムの基盤を築いた。

ABSTRACT

In recent years, due to the powerful abilities to deal with highly complex tasks, the artificial neural networks (ANNs) have been studied in the hope of achieving human-like performance in many applications. Since the ANNs have the ability to approximate complex functions from observations, it is straightforward to consider the ANNs for steganography. In this paper, we aim to implement the well-known LSB substitution and matrix coding steganography with the feed-forward neural networks (FNNs). Our experimental results have shown that, the used FNNs can achieve the data embedding operation of the LSB substitution and matrix coding steganography. For steganography with the ANNs, though there may be some challenges to us, it would be very promising and valuable to pay attention to the ANNs for steganography, which may be a new direction for steganography.

研究の動機と目的

• 人工ニューラルネットワーク（ANN）が、古典的なステガノグラフィック埋め込みおよび回収関数を学習・実行できるかどうかを調査すること。
• フィードフォワードニューラルネットワーク（FNN）が、LSB埋め込みやマトリクスコーディングといった有名なステガノグラフィック方式を実装できるかどうかを実証すること。
• ANNを、手動でのアルゴリズム設計を必要としない、適応的でエンドツーエンドのステガノグラフィックシステム設計の新しいパラダイムとしての可能性を検討すること。
• 将来のニューラルネットワークベースのステガノグラフィー研究の基盤を築くこと、特にポリシー・ネットワークと埋め込みネットワークの統合を含む。

提案手法

• 単層のFNNを用いて、入力ピクセルのLSBを出力ステガピクセルのLSBに写像するように学習された重みを通じて、LSB埋め込みを実装した。
• シグモイド活性化関数を用いた多層FNNを設計し、XORに類似した非線形埋め込み操作を可能にするマトリクスコーディングを実行した。
• バックプロパゲーションと勾配降下法を用いて、FNNを訓練し、与えられたカバーデータおよびシークレットデータに対して正しいステガ出力を得られるように、埋め込み関数を近似させた。
• LSB埋め込みの埋め込み関数を y_k = x_k - LSB(x_k) + m_k として定式化し、マトリクスコーディングにおける必要なビット反転操作を多層FNN構造で計算した。
• 2つの別個のニューラルネットワークからなるフレームワークを提案した：埋め込み位置の最適選択を担当するポリシー・ネットワーク（PN）と、実際のデータ挿入を担当する埋め込みネットワーク（EN）。
• 学習タスクを単純化するために、入力および出力をバイナリーベクトルとして扱い、カバーやステガ画像をLSBのシーケンスとして扱った。

実験結果

リサーチクエスチョン

• RQ1 フィードフォワードニューラルネットワークは、LSB埋め込みやマトリクスコーディングといった古典的ステガノグラフィー手法のデータ埋め込みプロセスを学習・再現できるか？
• RQ2 正しいおよび安定した埋め込み・回収動作を達成するために、どのようなFNNアーキテクチャとトレーニング戦略が必要か？
• RQ3 ハードコードされたルールなしに、ニューラルネットワークがどのようにステガノグラフィック埋め込み関数をモデル化できるか？
• RQ4 ポリシー・ネットワークと埋め込みネットワークの統合により、ステガノグラフィーにおける適応的・知能的なデータ隠匿が可能になるか？
• RQ5 ビットエラー率などの課題が、ANNを用いたステガノグラフィーにおいて生じる可能性があり、それらをどのように緩和できるか？

主な発見

• 単層FNNは、カバーデータのLSBからステガデータのLSBへのマッピングを学習し、ほぼ完璧な正確性でLSB埋め込みを成功裏に実装した。
• 非線形活性化関数（例：シグモイド）を備えた多層FNNは、XORに類似した操作を模倣することで、マトリクスコーディングを正しく実行できた。
• 適切な入出力ペairを用いてトレーニングされたFNNは、LSBおよびマトリクスコーディング方式の両方において、正しいステガベクトルを生成できた。
• 本研究では、複数のFNNアーキテクチャが同じステガノグラフィック関数を達成できることを確認した。これは、ネットワーク構造における設計の柔軟性と非一意性を示している。
• 著者らは、ビット埋め込みおよび回収のエラー率が発生するのを観察し、今後のシステムでは、耐障害性の高いトレーニングやエラー訂正メカニズムの導入が不可欠であると示唆した。
• ポリシー・ネットワーク（領域選択用）と埋め込みネットワーク（データ挿入用）を分離するフレームワークは、将来的な研究において有望な方向性であると提案された。