[論文レビュー] Synchronized Detection and Recovery of Steganographic Messages with Adversarial Learning

Haichao Shi, Xiaoyu Zhang|arXiv (Cornell University)|Jan 31, 2018

Advanced Steganography and Watermarking Techniques参考文献 13被引用数 3

ひとこと要約

本論文は、画像内の情報隠しメッセージを同時に検出および回復できる、生成器、識別器、ステガナライザーを共同で訓練する画期的な敵対的学習フレームワークを提案する。3つのモジュール間の相互作用をゲームとモデル化することで、従来手法よりも安全性と検出精度に優れた、堅牢な情報隠し通信を実現した。公開データセット上での実験で、両性能面で優れた結果を示した。

ABSTRACT

In this work, we mainly study the mechanism of learning the steganographic algorithm as well as combining the learning process with adversarial learning to learn a good steganographic algorithm. To handle the problem of embedding secret messages into the specific medium, we design a novel adversarial modules to learn the steganographic algorithm, and simultaneously train three modules called generator, discriminator and steganalyzer. Different from existing methods, the three modules are formalized as a game to communicate with each other. In the game, the generator and discriminator attempt to communicate with each other using secret messages hidden in an image. While the steganalyzer attempts to analyze whether there is a transmission of confidential information. We show that through unsupervised adversarial training, the adversarial model can produce robust steganographic solutions, which act like an encryption. Furthermore, we propose to utilize supervised adversarial training method to train a robust steganalyzer, which is utilized to discriminate whether an image contains secret information. Numerous experiments are conducted on publicly available dataset to demonstrate the effectiveness of the proposed method.

研究の動機と目的

• デジタル画像内の情報隠しメッセージを同時に検出および回復できる統合フレームワークの開発。
• 埋め込みおよび検出プロセスに敵対的学習を統合することで、情報隠し通信の耐性を向上させること。
• 教師あり敵対的学習を用いて、隠しメッセージを高精度で同定できるステガナライザーの設計。
• 情報隠し埋め込み、検出、敵対的学習の相互作用をゲーム理論的フレームワークとして形式化すること。
• 実際の状況を想定した条件下で、公開利用可能な画像データセットを用いて手法の有効性を評価すること。

提案手法

• 本フレームワークは、3つの共同訓練モジュールで構成される：画像に秘密メッセージを埋め込む生成器、隠しデータの存在を検出しようとする識別器、画像が情報隠しコンテンツを含むかどうかを分析するステガナライザー。
• 3つのモジュールは、生成器と識別器がメッセージの埋め込みと検出を共同で行い、ステガナライザーが隠し情報の存在を検出する敵対的役割を果たすゲーム理論的設定で訓練される。
• 生成器と識別器の最適化には、暗号化に類似した堅牢な情報隠しソリューションを生成するための非教師あり敵対的学習が用いられる。
• ステガナライザーの性能を向上させるために、教師あり敵対的学習が適用され、情報隠しコンテンツの検出能力が強化される。
• 埋め込みおよび検出の両方において、画像データの複雑な非線形パターンを学習するため、深層ニューラルネットワークが活用される。
• 訓練プロセスは、生成器-識別器ペアとステガナライザーの最適化を交互に繰り返すことで、バランスの取れた学習と検出能力の向上が保証される。

実験結果

リサーチクエスチョン

• RQ1 統合された敵対的フレームワークは、画像内の情報隠しメッセージを同時に検出および回復できるか？
• RQ2 生成器、識別器、ステガナライザーの共同学習は、情報隠し通信のセキュリティおよび検出耐性をどのように向上させるか？
• RQ3 教師あり敵対的学習は、ステガナライザーの隠しメッセージ検出能力をどの程度向上させるか？
• RQ4 3つのモジュール間のゲーム理論的相互作用は、情報隠し通信の性能にどのように影響を与えるか？
• RQ5 標準ベンチマーク上での比較において、提案手法は既存の情報隠しおよび検出技術に比べてどの程度の性能を示すか？

主な発見

• 提案された敵対的フレームワークは、従来手法に比べ、情報隠しメッセージの検出および回復の両面で優れた性能を達成した。
• 非教師あり敵対的学習プロセスにより、暗号通信に類似した非常に堅牢な情報隠しソリューションが得られた。
• 教師ありステガナライザーは、洗練された埋め込み手法でさえも、隠しメッセージを高精度で検出する能力を示した。
• 公開データセットを用いた広範な実験により、さまざまな攻撃シナリオ下でも、提案手法の有効性と耐性が確認された。
• ゲーム理論的訓練フレームワークにより、同期的な検出と回復が可能となり、全体のシステムセキュリティと信頼性が向上した。
• 検出精度およびステガナリシスに対する耐性の観点から、ベースライン手法に比べて本手法が優れた性能を示した。