[論文レビュー] Optimized Image Steganalysis through Feature Selection using MBEGA

S. Geetha, N. Kamaraj|arXiv (Cornell University)|Aug 17, 2010

Advanced Steganography and Watermarking Techniques参考文献 11被引用数 6

ひとこと要約

本稿では、画像ステガノグラフィーにおける特徴選択を最適化するため、MBEGA（マーカフ・ブラケット埋め込み遺伝的アルゴリズム）を提案する。MBEGAは分類器の精度を向上させるとともに、計算コストと特徴数を低減する。マーカフ・ブラケットに基づくメミティック作用素を遺伝的アルゴリズムに統合することで、ステゴ感度の高い特徴を効率的に同定し、6つのステガノグラフィー・アナライザーにおいて、精度、特徴削減、効率性の面で従来手法を上回る性能を発揮する。

ABSTRACT

Feature based steganalysis, an emerging branch in information forensics, aims at identifying the presence of a covert communication by employing the statistical features of the cover and stego image as clues/evidences. Due to the large volumes of security audit data as well as complex and dynamic properties of steganogram behaviours, optimizing the performance of steganalysers becomes an important open problem. This paper is focussed at fine tuning the performance of six promising steganalysers in this field, through feature selection. We propose to employ Markov Blanket-Embedded Genetic Algorithm (MBEGA) for stego sensitive feature selection process. In particular, the embedded Markov blanket based memetic operators add or delete features (or genes) from a genetic algorithm (GA) solution so as to quickly improve the solution and fine-tune the search. Empirical results suggest that MBEGA is effective and efficient in eliminating irrelevant and redundant features based on both Markov blanket and predictive power in classifier model. Observations show that the proposed method is superior in terms of number of selected features, classification accuracy and computational cost than their existing counterparts.

研究の動機と目的

• 画像ステガノグラフィーにおける高次元的かつノイズの多い特徴空間の課題に対処すること。
• 最も関連性が高く重複のない特徴のみを選択することで、ステガノグラファーの性能を向上させること。
• 知的な特徴選択により、計算コストと分類誤差を低減すること。
• 遺伝的アルゴリズムとマーカフ・ブラケット理論を組み合わせたハイブリッド最適化手法を考案し、探索効率を向上させること。
• 6つの既存のステガノグラフィー・アナライザーを対象に、MBEGAフレームワークの堅牢性とスケーラビリティを評価すること。

提案手法

• 各クロモソームが特徴の部分集合を表す遺伝的アルゴリズム（GA）フレームワークをMBEGAが採用する。
• マーカフ・ブラケットに基づくメミティック作用素をGAに埋め込み、直接的な確率的依存関係を特定することで特徴選択をガイドする。
• 予測力とマーカフ・ブラケット理論を用いて、特徴の関連性を評価し、重複する特徴を削除する。
• 選択、交差、突然変異の操作を、マーカフ・ブラケット解析による局所探索で強化し、収束を加速する。
• 適応度関数は、選択された特徴上で教師あり分類器を用いて分類精度を評価する。
• 反復的に特徴部分集合を進化させ、検出精度を最大化するとともに、特徴数を最小限に抑える。

実験結果

リサーチクエスチョン

• RQ1 MBEGAは、画像ステガノグラフィーの分類精度において、従来の特徴選択手法を上回ることができるか？
• RQ2 MBEGAは、既存のアプローチと比較して、選択された特徴数をどの程度削減できるか？
• RQ3 計算コストと収束速度の面で、MBEGAは他の最適化手法と比較してどのように差をつけるか？
• RQ4 マーカフ・ブラケット理論を統合することで、選択された特徴の関連性と独立性が向上するか？
• RQ5 MBEGAは、特徴セットが異なる複数のステガノグラフィー・アナライザーに効果的に適用可能か？

主な発見

• MBEGAは、テストされた6つのステガノグラフィー・アナライザーすべてにおいて、選択された特徴数を顕著に削減しながら、分類精度を維持または向上させた。
• ベースラインの特徴選択手法よりも高い検出精度を達成し、ステゴ画像を識別する能力が優れていることが示された。
• マーカフ・ブラケットによる局所探索に起因する高速な収束のおかげで、計算コストが顕著に低減された。
• マーカフ・ブラケット理論の統合により、重複および不関連な特徴が効果的に排除され、モデルの一般化能力が向上した。
• 実験的結果から、MBEGAは特徴削減と分類効率の両面で、既存の手法を上回っていることが確認された。
• 多様なステガノグラフィー・アルゴリズムにわたり一貫した改善が得られたため、堅牢性とスケーラビリティが裏付けられた。