[論文レビュー] Secure Detection of Image Manipulation by means of Random Feature Selection

Zhipeng Chen, Benedetta Tondi+4 more|arXiv (Cornell University)|Feb 2, 2018

Digital Media Forensic Detection参考文献 36被引用数 4

ひとこと要約

本論文は、攻撃者が検出器の正確な設定を限定的に把握している状況下でも、データ駆動型画像改ざん検出器のセキュリティを向上させるために、ランダムな特徴選択手法を提案する。事前に定義された特徴空間 $\mathcal{V}$ から特徴のサブセットをランダムに選択することで、検出器は全特徴セットを標的とするユニバーサルな攻撃に対して耐性を示し、攻撃が発生しない状況では性能損失が最小限に抑えられる大きなセキュリティ向上を達成する。

ABSTRACT

We address the problem of data-driven image manipulation detection in the presence of an attacker with limited knowledge about the detector. Specifically, we assume that the attacker knows the architecture of the detector, the training data and the class of features V the detector can rely on. In order to get an advantage in his race of arms with the attacker, the analyst designs the detector by relying on a subset of features chosen at random in V. Given its ignorance about the exact feature set, the adversary attacks a version of the detector based on the entire feature set. In this way, the effectiveness of the attack diminishes since there is no guarantee that attacking a detector working in the full feature space will result in a successful attack against the reduced-feature detector. We theoretically prove that, thanks to random feature selection, the security of the detector increases significantly at the expense of a negligible loss of performance in the absence of attacks. We also provide an experimental validation of the proposed procedure by focusing on the detection of two specific kinds of image manipulations, namely adaptive histogram equalization and median filtering. The experiments confirm the gain in security at the expense of a negligible loss of performance in the absence of attacks.

研究の動機と目的

• 攻撃者が検出器の正確な設定を限定的に把握している場合に、データ駆動型画像フォレンジックス検出器が直面する脆弱性に対処すること。
• 通常（攻撃なし）の状況下でも検出精度を損なわず、検出器のセキュリティを向上させること。
• 攻撃者が全特徴空間を標的にするが、実際には検出器が使用するサブセットとは異なる場合でも、検出フレームワークが依然として有効であるように設計すること。
• ランダムな特徴選択が攻撃者に対する不確実性をもたらすことで、セキュリティが向上することを理論的および実験的に検証すること。

提案手法

• 検出器は、攻撃者には未知の事前に定義された特徴空間 $\mathcal{V}$ からランダムに選択された特徴サブセットで訓練される。
• 攻撃者は正確なサブセットを把握していないため、検出器が全特徴を用いると仮定し、全特徴空間 $\mathcal{V}$ を標的にする。
• この手法は、全特徴空間で検出器を攻撃しても、実際にはランダムに選択された縮小された特徴セットに対しては成功しないという原則に依存する。
• 理論的分析により、攻撃者が実際の特徴サブセットを知らないことによって、検出器のセキュリティが顕著に向上することが証明される。
• 本手法は、2種類の画像改ざんタイプ（アダプティブヒストグラムエクイタリゼーションとメディアンフィルタリング）に対して実験的に検証された。
• 攻撃時と非攻撃時の両方のシナリオで性能を評価し、セキュリティと検出精度のトレードオフを測定する。

実験結果

リサーチクエスチョン

• RQ1 ランダムな特徴選択は、攻撃者が限定的な知識を持つ状況下でも、画像改ざん検出器のセキュリティを有効に高めることができるか？
• RQ2 ランダム化の影響にもかかわらず、攻撃が発生しない状況で、本手法は高い検出性能を維持できるか？
• RQ3 実際の検出器がランダムなサブセットのみを使用する場合、全特徴空間を標的にする攻撃がどれほど失敗するか？
• RQ4 ランダム化による理論的セキュリティ向上は、実画像改ざんにおける実験的結果とどの程度一致するか？

主な発見

• 理論的分析により、ランダムな特徴選択が攻撃者に対する不確実性をもたらすことで、検出器のセキュリティが顕著に向上することが確認された。
• 攻撃が発生しない状況では性能損失がほとんどなく、通常の条件下でも高い検出精度を維持した。
• アダプティブヒストグラムエクイタリゼーションおよびメディアンフィルタリングに対する実験結果から、全特徴空間を標的にする攻撃が、縮小された特徴を用いる検出器に対して失敗することが示された。
• 本手法は、全特徴空間を標的にするユニバーサルな反フォレンジックス戦略を効果的に防ぐことができた。