[논문 리뷰] Can Machine Learn Steganography? - Implementing LSB Substitution and Matrix Coding Steganography with Feed-Forward Neural Networks

Hanzhou Wu, Hongxia Wang외 1명|arXiv (Cornell University)|2016. 06. 16.

Advanced Steganography and Watermarking Techniques참고 문헌 4인용 수 10

한 줄 요약

이 논문은 피드포워드 신경망(FNNs)이 데이터 삽입 및 회수 함수를 학습함으로써 고전적 스테가노그래피 기법—LSB 치환과 행렬 코드화—을 성공적으로 구현할 수 있음을 보여준다. 주요 기여는 인공신경망(ANNs)을 스테가노그래픽 작업에 활용할 수 있음을 입증함으로써 향후 엔드 투 엔드 신경망 기반 스테가노그래피 시스템의 기초를 마련한 데 있다.

ABSTRACT

In recent years, due to the powerful abilities to deal with highly complex tasks, the artificial neural networks (ANNs) have been studied in the hope of achieving human-like performance in many applications. Since the ANNs have the ability to approximate complex functions from observations, it is straightforward to consider the ANNs for steganography. In this paper, we aim to implement the well-known LSB substitution and matrix coding steganography with the feed-forward neural networks (FNNs). Our experimental results have shown that, the used FNNs can achieve the data embedding operation of the LSB substitution and matrix coding steganography. For steganography with the ANNs, though there may be some challenges to us, it would be very promising and valuable to pay attention to the ANNs for steganography, which may be a new direction for steganography.

연구 동기 및 목표

• 인공신경망(ANNs)이 고전적 스테가노그래픽 삽입 및 회수 함수를 학습하고 수행할 수 있는지 조사하기.
• 피드포워드 신경망(FNNs)이 잘 알려진 스테가노그래픽 기법인 LSB 치환과 행렬 코드화를 실제로 구현할 수 있음을 입증하기.
• ANNs를 새로운 패러다임으로 삼아 수동적인 알고리즘 설계 없이 적응형 엔드 투 엔드 스테가노그래피 시스템을 설계할 잠재력을 탐색하기.
• 신경망 기반 스테가노그래피에 대한 향후 연구의 기초를 다지기 위해 정책 네트워크와 삽입 네트워크의 통합을 포함한 연구 방향을 마련하기.

제안 방법

• 입력 픽셀의 LSB를 출력 스테고(LSB)로 매핑하는 데 단일층 FNN을 사용하여 LSB 치환을 구현함. 이는 학습된 가중치를 통해 이루어진다.
• 시그모이드 활성화 함수를 사용한 다층 FNN을 설계하여 행렬 코드화를 수행함으로써 XOR과 유사한 비선형 삽입 연산을 가능하게 하였다.
• 백프로파게이션과 경사하강법을 활용하여 FNN을 훈련시켜 삽입 함수를 근사함으로써, 주어진 커버 및 비밀 데이터에 대해 정확한 스테고 출력을 보장하였다.
• LSB의 경우 삽입 함수를 y_k = x_k - LSB(x_k) + m_k로 수식화하였고, 행렬 코드화의 경우 비트 뒤집기 연산을 수행하기 위해 다층 FNN 구조를 사용하였다.
• 정책 네트워크(PN)는 최적의 삽입 위치를 선택하고, 삽입 네트워크(EN)는 실제 데이터 삽입을 수행하는 두 개의 별도 신경망으로 구성된 프레임워크를 제안하였다.
• 학습 과제를 단순화하기 위해 입력과 출력으로 이진 벡터를 사용하였으며, 커버 이미지와 스테고 이미지를 각각 LSB의 순서로 간주하였다.

실험 결과

연구 질문

• RQ1 피드포워드 신경망은 LSB 치환과 행렬 코드화와 같은 고전적 스테가노그래픽 방법의 데이터 삽입 과정을 학습하고 재현할 수 있는가?
• RQ2 정확하고 안정적인 삽입 및 회수 행동을 달성하기 위해 필요한 FNN 아키텍처와 훈련 전략는 무엇인가?
• RQ3 하드코딩된 규칙 없이 신경망을 어떻게 활용하여 스테가노그래픽 삽입 함수를 모델링할 수 있는가?
• RQ4 정책 네트워크와 삽입 네트워크의 통합은 스테가노그래피에서 적응형·지능적인 데이터 은닉을 가능하게 하는가?
• RQ5 ANN을 사용할 경우 발생할 수 있는 도전 과제, 예를 들어 비트 오류율 등의 문제들은 무엇이며, 이를 어떻게 완화할 수 있는가?

주요 결과

• 단일층 FNN은 커버 LSB에서 스테고 LSB로의 매핑을 거의 완벽한 정확도로 학습함으로써 LSB 치환을 성공적으로 구현하였다.
• 비선형 활성화 함수(예: 시그모이드)를 사용한 다층 FNN은 XOR과 유사한 연산을 모ulating함으로써 행렬 코드화를 정확히 수행할 수 있었다.
• 적절한 입력-출력 쌍을 사용해 훈련한 FNN은 LSB 및 행렬 코드화 기법 모두에 대해 정확한 스테고 벡터를 생성할 수 있었다.
• 다양한 FNN 아키텍처가 동일한 스테가노그래픽 기능을 달성할 수 있음을 확인함으로써, 네트워크 구조에 대한 설계의 유연성과 비유일성을 입증하였다.
• 저자들은 비트 삽입 및 회수 오류율이 발생할 수 있음을 관찰하였으며, 이는 향후 시스템에서 강건한 훈련 또는 오류 수정 메커니즘의 필요성을 시사한다.
• 정책 네트워크(PN, 영역 선택용)와 삽입 네트워크(EN, 데이터 삽입용)를 분리한 프레임워크는 향후 연구에 있어 유망한 방향으로 제안되었다.