[論文レビュー] Destruction of Image Steganography using Generative Adversarial Networks

Isaac Corley, Jonathan Lwowski+1 more|arXiv (Cornell University)|Dec 20, 2019

Advanced Steganography and Watermarking Techniques参考文献 29被引用数 14

ひとこと要約

本稿では、画像からステガノグラフィックなコンテンツを除去しながらも高い知覚的品質を維持する、生成対抗ネットワーク（GAN）ベースのモデルであるDeep Digital Steganography Purifier（DDSP）を提案する。複数のステガノグラフィー手法およびファイル形式で評価した結果、最先端の手法と比較して、ステガノグラフィー破壊率が最も高く、視覚的忠実度も優れている。また、未学習のステガノグラフィー技術や音声ステガノグラフィーへの転移学習にも成功している。

ABSTRACT

Digital image steganalysis, or the detection of image steganography, has been studied in depth for years and is driven by Advanced Persistent Threat (APT) groups', such as APT37 Reaper, utilization of steganographic techniques to transmit additional malware to perform further post-exploitation activity on a compromised host. However, many steganalysis algorithms are constrained to work with only a subset of all possible images in the wild or are known to produce a high false positive rate. This results in blocking any suspected image being an unreasonable policy. A more feasible policy is to filter suspicious images prior to reception by the host machine. However, how does one optimally filter specifically to obfuscate or remove image steganography while avoiding degradation of visual image quality in the case that detection of the image was a false positive? We propose the Deep Digital Steganography Purifier (DDSP), a Generative Adversarial Network (GAN) which is optimized to destroy steganographic content without compromising the perceptual quality of the original image. As verified by experimental results, our model is capable of providing a high rate of destruction of steganographic image content while maintaining a high visual quality in comparison to other state-of-the-art filtering methods. Additionally, we test the transfer learning capability of generalizing to to obfuscate real malware payloads embedded into different image file formats and types using an unseen steganographic algorithm and prove that our model can in fact be deployed to provide adequate results.

研究の動機と目的

• 従来のステガノグラフィー解析手法が、高い誤検出率と画像タイプやステガノグラフィー手法の間での一般化性能の低さという限界を抱えることに対処する。
• 画像品質を損なわずステガノグラフィックなコンテンツを破壊するフィルタリング手法を開発し、怪しい画像をブロックする非現実的な方法を回避する。
• 再トレーニングなしに、未学習のステガノグラフィー手法やファイル形式（音声を含む）に対しても一般化できるモデルを構築する。
• ディープラーニングを活用して、ステガノグラフィー破壊を最適化するとともに、知覚的画像品質を維持する。
• APTによる画像ベースのマルウェアデータ漏洩に対する実世界のネットワーク防御に実用的かつ導入可能なソリューションを提供する。

提案手法

• DDSPモデルは、ステガノグラフィックに埋め込まれた画像を、知覚的に区別がつかないクリアな出力に変換するように条件付きGANとして学習される。
• 生成器ネットワークは隠しデータを除去し、識別器は出力が視覚的に現実的で、ステガノグラフィックなアーティファクトを含まないことを保証する。
• 本モデルは、LSB、Deep Steganography、ISGANなど、さまざまなステガノグラフィー手法を用いてペイロードを埋め込んだ多様な画像データセットで学習される。
• 転移学習は、再トレーニングなしに、未学習のステガノグラフィー手法（例：LSB）やファイル形式（例：PGM、音声）に対して、事前学習済みのDDSPモデルをテストすることで実施される。
• 音声ステガノグラフィーの場合は、入力信号を2次元行列に再形状し、DDSPモデルで処理した後、1次元ベクトルに復元し、アーティファクト低減のためバターワースローパassフィルタとハニング窓を用いてフィルタリングする。
• 性能評価には、ビット誤り率（BER）、平均二乗誤差（MSE）、ピークサイナリオ比（PSNR）、構造的類似性（SSIM）、ユニバーサル画像品質インデックス（UQI）などの指標が用いられる。

実験結果

リサーチクエスチョン

• RQ1 GANベースのモデルは、高い知覚的画像品質を維持したまま、画像内のステガノグラフィックなコンテンツを効果的に破壊できるか？
• RQ2 DDSPモデルは、明示的にトレーニングされていないステガノグラフィー手法や画像形式に対し、どのように性能を発揮するか？
• RQ3 DDSPモデルは、音声ファイルのような非画像データに対しても、どの程度一般化できるか？
• RQ4 DDSPモデルは、ウェーブレットやバイキュービック補間といった従来のフィルタリング手法よりも、ステガノグラフィー除去性能と視覚的忠実度の両面で優れているか？
• RQ5 本モデルは、再トレーニングなしに、実世界の未学習のステガノグラフィーペイロードやファイルタイプを処理できるか？

主な発見

• LSB埋め込み画像を含むBOSSBaseデータセットにおいて、DDSPはBER 0.82、MSE 5.09、PSNR 41.05、SSIM 0.98、UQI 0.99を達成し、すべてのベースラインを上回った。
• 事前学習済みオートエンコーダーおよびウェーブレットフィルタ手法は、それぞれBERが0.78および0.53と低かったが、画像品質は悪く、MSE値は5.63および6935.08であった。
• バイキュービック補間は性能が低く、PSNRはたったの9.83、MSEは6763.73にとどまり、顕著な画像劣化が生じた。
• VoxCeleb1データセットを用いた音声ステガノグラフィーへの転移学習では、DDSPはBER 0.67、MSE 650.12、PSNR 37.28を達成し、オートエンコーダーと同等の性能を示し、バイキュービック補間（PSNR: 35.54）を上回った。
• ウェーブレットノイズ除去フィルタはPSNR（37.65 vs. 37.28）でわずかにDDSPを上回ったが、DDSPはモダリティをまたがる一般化性と適応性に優れていた。
• 結果から、DDSPは再トレーニングなしに、未学習のステガノグラフィー手法やファイル形式、音声を含む、多様な分野へ一般化できることを確認した。これは、強力なロバストネスと転送可能性を示している。