[논문 리뷰] AAG-Stega: Automatic Audio Generation-based Steganography

Zhongliang Yang, Xingjian Du외 3명|arXiv (Cornell University)|2018. 09. 10.

Advanced Steganography and Watermarking Techniques참고 문헌 27인용 수 13

한 줄 요약

이 논문은 기존 캐리어를 수정하지 않고도 기밀 비트스트림에서 직접 고품질 오디오 커버를 생성하는 새로운 오디오 스테가노그래피 방법인 AAG-Stega를 제안한다. 조건부 자동회귀 모델을 사용하여, 비밀 데이터를 오디오 생성의 잠재 확률 공간에 인코딩함으로써 높은 임bedding 용량과 강력한 은폐성을 달성한다. 주관적 테스트 결과, 다양한 임베딩 비율에서 무작위 추측 수준을 초월해 식별이 거의 불가능한 것으로 나타났다.

ABSTRACT

Steganography, as one of the three basic information security systems, has long played an important role in safeguarding the privacy and confidentiality of data in cyberspace. Audio is one of the most common means of information transmission in our daily life. Thus it's of great practical significance to using audio as a carrier of information hiding. At present, almost all audio-based information hiding methods are based on carrier modification mode. However, this mode is equivalent to adding noise to the original signal, resulting in a difference in the statistical feature distribution of the carrier before and after steganography, which impairs the concealment of the entire system. In this paper, we propose an automatic audio generation-based steganography(AAG-Stega), which can automatically generate high-quality audio covers on the basis of the secret bits stream that needs to be embedded. In the automatic audio generation process, we reasonably encode the conditional probability distribution space of each sampling point and select the corresponding signal output according to the bitstream to realize the secret information embedding. We designed several experiments to test the proposed model from the perspectives of information imperceptibility and information hidden capacity. The experimental results show that the proposed model can guarantee high hidden capacity and concealment at the same time.

연구 동기 및 목표

• 기존 캐리어를 수정하는 전통적 오디오 스테가노그래피 방법의 한계를 해결하기 위해, 통계적 분포를 변화시켜 탐지 위험을 유발하는 방식을 피하고자 한다.
• 기존 캐리어를 수정하지 않고 기밀 비트스트림에서 자연스러운 청취감을 갖춘 오디오 커버를 생성하는 스테가노그래피 프레임워크를 개발하고자 한다.
• 강력한 청취 불가지각성과 탐지에 대한 저항성을 유지하면서도 높은 정보 은닉 용량을 달성하고자 한다.
• 생성 모델 기반 오디오 스테가노그래피가 기존의 캐리어 수정 기반 기법보다 용량과 은폐성 측면에서 뛰어나다는 것을 입증하고자 한다.

제안 방법

• 모델은 각 오디오 샘플의 확률 분포가 기밀 비트스트림에 조건부로 설정된 조건부 자동회귀 모델을 사용하여 오디오 샘플을 생성한다.
• 기밀 비트는 오디오 생성 과정의 조건부 확률 공간에 인코딩되며, 각 샘플링 지점의 분포는 비트스트림에 따라 조정되어 정보를 임베딩한다.
• 생성된 스테고 오디오가 훈련 데이터의 분포와 얼마나 유사한지를 평가하기 위해 가능도 기반 스코어링 메커니즘을 사용하여 통계적 일관성을 확보한다.
• 프레임워크는 조건부 확률 분해를 사용한다: $ p(x_j | x_1, ..., x_{j-1}) $, 여기서 조건부 확률은 기밀 비트에 의해 조절되어 정보를 임베딩한다.
• 모델은 통계적 분포의 이질성을 최소화하기 위해 의미적으로 일관되고 자연스러운 오디오를 생성하도록 훈련된다.
• 청각적 불가지각성을 평가하기 위해 A/B/X 주관적 테스트를 사용하며, 평가자는 스테고 오디오와 정제된 오디오를 구별하려고 시도한다.

실험 결과

연구 질문

• RQ1 생성 모델을 사용해 기존 캐리어 수정 없이 기밀 비트스트림에서 직접 오디오 커버를 생성할 수 있는가?
• RQ2 제안된 방법은 강력한 통계적 및 청각적 은폐성을 유지하면서도 높은 임베딩 용량을 달성하는가?
• RQ3 AAG-Stega의 은폐 성능은 기존 스테가노그래피 기법과 비교해 탐지 가능성 측면에서 어떻게 다른가?
• RQ4 임베딩 비율이 생성된 오디오의 청각적 및 통계적 불가지각성에 어떤 영향을 미치는가?
• RQ5 높은 임베딩 비율에서도 손상 없이 생성된 오디오를 신뢰성 있게 복호화할 수 있는가?

주요 결과

• 모든 CPS 값에서 평균 가능도 스코어는 합리적인 범위 내에 유지되었으며, CPS=2일 경우 0.306에서 CPS=64일 경우 0.783까지의 스코어를 기록하여 생성된 스테고 오디오와 훈련 데이터 간의 통계적 유사성이 높음을 나타냈다.
• 주관적 A/B/X 테스트 결과, 모든 그룹의 평균 정확도는 44.0%였고, F1 스코어는 약 0.54로, 랜덤 추측 수준을 초월해 식별이 거의 불가능한 것으로 나타났다.
• 가장 낮은 임베딩 비율(CPS=2)에서 스테고 오디오 식별 실패율은 61.2%에 달했으며, 낮은 비율에서 강력한 은폐성을 입증했다.
• 임베딩 비율이 증가함에 따라 실패율은 약 50% 수준에서 안정을 유지하여, 다양한 페이로드 수준에서도 일관된 탐지 불가능성을 확인했다.
• 모델은 청각 품질을 유지하면서도 높은 임베딩 용량을 달성했으며, 다양한 평가 지표에서 일관된 성능을 보였다.
• 결과적으로 AAG-Stega는 통계적 이상 징후나 청각적 잡음 없이 기밀 정보를 성공적으로 임베딩했음을 확인했다.