[논문 리뷰] Deep Learning for Steganalysis of Diverse Data Types: A review of methods, taxonomy, challenges and future directions

Hamza Kheddar, Mustapha Hemis외 3명|arXiv (Cornell University)|2023. 08. 08.

Advanced Steganography and Watermarking Techniques참고 문헌 244인용 수 4

한 줄 요약

이 논문은 다양한 디지털 미디어인 이미지, 오디오, 비디오, 텍스트에서 숨겨진 데이터를 탐지하기 위한 딥 러닝 기반 스테고그래피 분석 기법에 대한 종합적인 리뷰를 제시한다. 더 나아가 검출 성능 향상을 위해 딥 트랜스퍼 러닝(DTL)과 딥 강화 학습(DRL)을 평가하며, 체계적인 분류 체계, 데이터셋 및 메트릭 분석, 그리고 안전한 디지털 통신 분야의 향후 연구 방향에 대한 통찰을 제공한다.

ABSTRACT

Steganography and steganalysis are two interrelated aspects of the field of information security. Steganography seeks to conceal communications, whereas steganalysis is aimed to either find them or even, if possible, recover the data they contain. Steganography and steganalysis have attracted a great deal of interest, particularly from law enforcement. Steganography is often used by cybercriminals and even terrorists to avoid being captured while in possession of incriminating evidence, even encrypted, since cryptography is prohibited or restricted in many countries. Therefore, knowledge of cutting-edge techniques to uncover concealed information is crucial in exposing illegal acts. Over the last few years, a number of strong and reliable steganography and steganalysis techniques have been introduced in the literature. This review paper provides a comprehensive overview of deep learning-based steganalysis techniques used to detect hidden information within digital media. The paper covers all types of cover in steganalysis, including image, audio, and video, and discusses the most commonly used deep learning techniques. In addition, the paper explores the use of more advanced deep learning techniques, such as deep transfer learning (DTL) and deep reinforcement learning (DRL), to enhance the performance of steganalysis systems. The paper provides a systematic review of recent research in the field, including data sets and evaluation metrics used in recent studies. It also presents a detailed analysis of DTL-based steganalysis approaches and their performance on different data sets. The review concludes with a discussion on the current state of deep learning-based steganalysis, challenges, and future research directions.

연구 동기 및 목표

• 이미지, 오디오, 비디오, 텍스트를 포함한 다양한 데이터 유형에 걸쳐 딥 러닝 기반 스테고그래피 분석 방법에 대한 체계적인 리뷰를 제공하는 것.
• 딥 트랜스퍼 러닝(DTL)과 딥 강화 학습(DRL)과 같은 고급 딥 러닝 기법이 스테고그래피 분석 성능 향상에 미치는 역할를 분석하는 것.
• 연구 탐색을 향상시키기 위해 캐리어 유형과 기법 유형을 기반으로 스테고그래피 분석 방법에 대한 체계적인 분류 체계를 수립하는 것.
• 최근 스테고그래피 분석 연구에서 사용된 기존 데이터셋, 벤치마크 메트릭, 성능 평가 프로토콜을 평가하는 것.
• 실제 적용에 있어 장애가 되는 주요 과제를 규명하고, 강력하고 일반화 가능하며 해석 가능한 스테고그래피 분석 시스템을 발전시키기 위한 향후 연구 방향을 제안하는 것.

제안 방법

• 연구는 연구 선택, 품질 평가, 문헌정보학적 분석를 위한 명확한 기준을 설정한 체계적 문헌 리뷰 방법론을 활용한다.
• 캐리어 유형(이미지, 오디오, 비디오, 텍스트)과 기법 유형(DTL, DRL, 하이브리드, 기타 딥 러닝 모델)을 기반으로 스테고그래피 분석 접근법을 분류한다.
• 특징 추출 및 탐지에 사용되는 딥 신경망(DNN), 컨볼루션 신경망(CNN), 잔차 네트워크(ResNet), CBAM 및 SPP와 같은 주의 메커니즘을 평가한다.
• 제한된 레이블이 있는 데이터에서 성능을 향상시키기 위해 소스 도메인에서의 지식을 타겟 스테고그래피 기법으로 이전시키는 데에 효과적인 딥 트랜스퍼 러닝(DTL)을 분석한다.
• 스테고그래피 환경과의 상호작용을 통해 최적의 의사결정 정책을 학습하는 데에 적합한 적응형 탐지 전략을 제공하기 위해 딥 강화 학습(DRL)을 분석한다.
• BOSSBase, AMR, TID2013 등의 데이터셋, AUC, DR, FAR, FPR, PSNR, SSIM 등의 평가 메트릭, 벤치마크 프로토콜을 포함한 체계적 검토를 수행한다.

Figure 1 : Steganalysis process.

실험 결과

연구 질문

• RQ1 딥 러닝 모델은 이미지, 오디오, 비디오, 텍스트와 같은 다양한 캐리어 유형에서 스테고그래피 탐지 작업에서 어떻게 성능을 발휘하는가?
• RQ2 다양한 스테고그래피 기법과 데이터 도메인 간 일반화를 위해 딥 트랜스퍼 러닝(DTL)이 얼마나 스테고그래피 분석 성능 향상에 기여하는가?
• RQ3 딥 강화 학습(DRL)은 변화하는 스테고그래피 전략이나 캐리어 유형이 존재하는 동적 또는 미지의 스테고그래피 환경에서 스테고그래피 시스템의 적응성과 강건성을 어떻게 향상시키는가?
• RQ4 디지털 미디어에서 미세한 스테고그래피 신호를 탐지하기 위해 가장 효과적인 딥 러닝 아키텍처와 손실 함수는 무엇인가?
• RQ5 실제 스테고그래피 분석 시스템 구현을 저해하는 데이터 가용성, 모델의 해석 가능성, 적대적 강건성, 프라이버시 등의 주요 과제는 무엇인가?

주요 결과

• 딥 러닝 기반 스테고그래피 분석 모델은 전통적 방법에 비해 탐지 정확도에서 뚜렷한 우월성을 보이며, 최신 기술 모델들은 높은 AUC 점수와 낮은 탐지 오류 비율을 기록한다.
• 딥 트랜스퍼 러닝(DTL)은 소스 도메인에서의 지식을 타겟 스테고그래피 기법으로 이전시켜 저데이터 환경에서도 효과적인 탐지 성능을 달성함으로써 일반화 능력을 향상시킨다.
• 딥 강화 학습(DRL)은 변화하는 스테고그래피 전략과 캐리어 유형에 적응하는 동적 의사결정 정책을 학습할 수 있는 잠재력을 보이며, 향후 응용 가능성이 높다.
• CBAM과 같은 주의 메커니즘을 CNN 또는 ResNet과 융합한 하이브리드 모델은 복잡한 스테고그래피 신호에서 뛰어난 특징 표현 능력과 탐지 성능을 보인다.
• ChatGPT와 같은 대규모 언어 모델은 합성 스테고그래피 콘텐츠 생성과 언어 패턴 분석에 기여하여 데이터셋 구축 및 알고리즘 평가에 도움을 줄 수 있다.
• 다른 성과에도 불구하고, 모델의 해석 가능성, 적대적 강건성, 하드웨어 제약, 프라이버시 보장 학습 등의 과제가 여전히 실용적 구현을 제한하고 있다.

Figure 2 : Interpretation of steganograms in AWGN channel.