[論文レビュー] Weakening the Detecting Capability of CNN-based Steganalysis

Sai Ma, Qingxiao Guan+2 more|arXiv (Cornell University)|Mar 29, 2018

Advanced Steganography and Watermarking Techniques参考文献 10被引用数 6

ひとこと要約

本稿では、スティガノグラフィー検出器の特徴マップに従って勾配に基づくピクセル反転を駆動することで、スティガノグラフィー画像を摂動させ、CNNベースのスティガノグラフィー検出を回避するための新規手法を提案する。この手法により、スティガノグラフィー検出器の再訓練を必要とせず、検出誤り率を顕著に向上させ、既存の適応的スティガノグラフィー方式のセキュリティを強化する。

ABSTRACT

Recently, the application of deep learning in steganalysis has drawn many researchers' attention. Most of the proposed steganalytic deep learning models are derived from neural networks applied in computer vision. These kinds of neural networks have distinguished performance. However, all these kinds of back-propagation based neural networks may be cheated by forging input named the adversarial example. In this paper we propose a method to generate steganographic adversarial example in order to enhance the steganographic security of existing algorithms. These adversarial examples can increase the detection error of steganalytic CNN. The experiments prove the effectiveness of the proposed method.

研究の動機と目的

• 既存の適応的スティガノグラフィー暗号化アルゴリズムを、ディープラーニングベースのスティガノグラフィー検出から保護するためのセキュリティ強化。
• スティガノグラフィーの文脈において、BPベースのCNNが敵対的例に対して脆弱であるという問題に取り組む。
• 新しいニューラルネットワークをトレーニングすることなく、敵対的スティガノグラフィー画像を生成する手法を開発すること。
• 最新のスティガノグラフィー検出器に対して、スティガノグラフィー画像がカバー画像と区別不能になるようにすることで、スティガノグラフィーのロバスト性を向上させること。

提案手法

• 訓練済みのスティガノグラフィー検出CNNのカバー画像における勾配特徴マップを計算することで、敵対的例を生成する。
• ピクセル反転の方向は、勾配特徴マップの符号に基づき決定され、検出を最小限に抑えるために±1の摂動が適用される。
• 歪みコストに基づいて最適なピクセルを特定するため、単層STC（SL-STC）を用いてスティガノグラフィー埋め込みを行う。
• 境界制約を保つ方向にのみ、ウェットピクセル（0または255）を反転させる。
• 敵対的例は、スティガノグラフィー埋め込みプロセスを介して、カバー画像に勾配誘導摂動を適用することで形成される。
• このアプローチではスティガノグラフィー検出器を再訓練または変更しない。代わりに、その勾配情報のみを活用して欺瞞的なスティガノグラフィー画像を生成する。

実験結果

リサーチクエスチョン

• RQ1 再訓練を伴わず、CNNベースのスティガノグラフィー検出器を特定的に欺く敵対的例を生成することは可能か？
• RQ2 勾配に基づくピクセル摂動は、スティガノグラフィー検出器の検出誤り率をどの程度向上させ得るか？
• RQ3 提案手法は、既存の適応的スティガノグラフィー方式のセキュリティを、ディープラーニングベースの検出から強化するか？
• RQ4 この手法は、CNNベースおよび特徴ベースのモデルを含む、さまざまなスティガノグラフィー検出器に効果を発揮するか？
• RQ5 敵対的例生成手法は、DMフレームワークやSTCといった標準的なスティガノグラフィーフレームワークと互換性があるか？

主な発見

• 提案手法は、スティガノグラフィー検出器の平均検出誤り率（P̄E）を顕著に向上させ、検出回避能力が向上していることを示している。
• XuのCNNでは、全パケットレート（0.05から0.4）において検出誤り率が上昇し、特に高パケットレートで最大の向上が観察された。
• maxSRM + エンsemble分類器においても、検出誤り率に顕著な上昇が確認され、CNNベースのモデルを超えて有効性が裏付けられた。
• 敵対的スティガノグラフィー画像は一貫してカバー画像として誤分類されたため、検出回避に成功した。
• スティガノグラフィー検出器が敵対的でないデータでトレーニングされた場合でも、本手法は有効であることが示され、標準的な検出パイプラインに対してロバストであることが証明された。
• 新しい生成モデルのトレーニングを必要としないため、計算効率が高く、既存のスティガノグラフィーシステムに容易に統合可能である。