[논문 리뷰] Destruction of Image Steganography using Generative Adversarial Networks

Isaac Corley, Jonathan Lwowski외 1명|arXiv (Cornell University)|2019. 12. 20.

Advanced Steganography and Watermarking Techniques참고 문헌 29인용 수 14

한 줄 요약

이 논문은 고도로 자연스러운 시각 품질을 유지하면서 이미지에 숨겨진 스테가노그래피 콘텐츠를 제거하는 GAN 기반 모델인 딥 디지털 스테가노그래피 퓌리피어(DDSP)를 제안한다. 다양한 스테가노그래피 알고리즘과 파일 포맷에서 평가한 결과, 최신 기술 대비 가장 높은 스테가노그래피 파괴율과 가장 뛰어난 시각적 정밀도를 확보하였으며, 미리 훈련된 모델을 사용해 알려지지 않은 스테가노그래피 기법과 오디오 스테가노그래피에까지 성공적으로 전이 학습한 바 있다.

ABSTRACT

Digital image steganalysis, or the detection of image steganography, has been studied in depth for years and is driven by Advanced Persistent Threat (APT) groups', such as APT37 Reaper, utilization of steganographic techniques to transmit additional malware to perform further post-exploitation activity on a compromised host. However, many steganalysis algorithms are constrained to work with only a subset of all possible images in the wild or are known to produce a high false positive rate. This results in blocking any suspected image being an unreasonable policy. A more feasible policy is to filter suspicious images prior to reception by the host machine. However, how does one optimally filter specifically to obfuscate or remove image steganography while avoiding degradation of visual image quality in the case that detection of the image was a false positive? We propose the Deep Digital Steganography Purifier (DDSP), a Generative Adversarial Network (GAN) which is optimized to destroy steganographic content without compromising the perceptual quality of the original image. As verified by experimental results, our model is capable of providing a high rate of destruction of steganographic image content while maintaining a high visual quality in comparison to other state-of-the-art filtering methods. Additionally, we test the transfer learning capability of generalizing to to obfuscate real malware payloads embedded into different image file formats and types using an unseen steganographic algorithm and prove that our model can in fact be deployed to provide adequate results.

연구 동기 및 목표

• 기존 스테가노그래피 분석 기법이 이미지 유형과 스테가노그래피 알고리즘 간 일반화 능력이 떨어지고 고율의 오진 양성률을 보이는 데 기인한 한계를 해결하기 위해.
• 이미지 품질을 떨어뜨리지 않고 스테가노그래픽 콘텐츠를 파괴하는 필터링 솔루션을 개발하여, 의심스러운 이미지를 차단하는 데 비현실적인 방법을 피하기 위해.
• 재훈련 없이도 알려지지 않은 스테가노그래피 알고리즘과 파일 포맷(오디오 포함)으로 일반화할 수 있는 모델을 구축하기 위해.
• 딥 러닝을 통해 스테가노그래피 파괴 성능을 최적화하면서도 시각적 품질을 유지하기 위해.
• APT 공격에 의한 이미지 기반 악성 소프트웨어 유출을 방지하기 위한 실질적이고 구현 가능한 네트워크 방어 솔루션을 제공하기 위해.

제안 방법

• DDSP 모델은 스테가노그래피로 삽입된 이미지를 시각적으로 구분 불가능한 깔끔한 출력으로 변환하도록 조건부 GAN으로 훈련된다.
• 생성자 네트워크는 숨겨진 데이터를 제거하고, 구분자 네트워크는 출력이 실제감을 유지하고 스테가노그래피 아티팩트가 없는지 확인한다.
• LSB, 딥 스테가노그래피, ISGAN 등을 포함한 다양한 스테가노그래피 기법을 사용해 페이로드를 삽입한 다양한 이미지 데이터셋을 기반으로 모델을 훈련한다.
• 전이 학습은 재훈련 없이도 알려지지 않은 스테가노그래피 기법(예: LSB)과 파일 포맷(예: PGM, 오디오)에 대해 사전 훈련된 DDSP 모델을 테스트함으로써 적용된다.
• 오디오 스테가노그래피의 경우 입력 신호를 2차원 행렬로 재구성하여 DDSP 모델이 처리한 후, 1차원 벡터로 복원하고 버터워스 저역통과 필터와 하닝 윈도우를 사용해 아티팩트를 감소시킨다.
• 성능 평가는 비트 오류율(BER), 평균 제곱 오차(MSE), 신호 대비 노이즈 비율(PSNR), 구조적 유사도(SSIM), 유니버설 이미지 품질 지수(UQI) 등의 지표를 사용한다.

실험 결과

연구 질문

• RQ1 GAN 기반 모델이 시각적 품질을 유지하면서도 이미지 내 스테가노그래픽 콘텐츠를 효과적으로 파괴할 수 있는가?
• RQ2 DDSP 모델은 명시적으로 훈련되지 않은 스테가노그래피 알고리즘과 이미지 포맷에서 어떻게 성능을 발휘하는가?
• RQ3 DDSP 모델은 오디오 파일과 같은 비이미지 데이터에 대해 어느 정도 일반화할 수 있는가?
• RQ4 DDSP 모델은 웨이블릿 필터링과 이중선형 보간과 같은 전통적 필터링 방법보다 스테가노그래피 제거 성능과 시각적 정밀도에서 뛰어나지 않는가?
• RQ5 재훈련 없이도 실세계에서의 알려지지 않은 스테가노그래픽 페이로드와 파일 유형을 처리할 수 있도록 모델을 구현할 수 있는가?

주요 결과

• LSB가 삽입된 이미지로 구성된 BOSSBase 데이터셋에서 DDSP는 BER 0.82, MSE 5.09, PSNR 41.05, SSIM 0.98, UQI 0.99를 기록하여 모든 기준 모델을 압도했다.
• 사전 훈련된 오토에인코드르 및 웨이블릿 필터 방법은 각각 BER 0.78과 0.53을 기록했지만, MSE 값이 각각 5.63과 6935.08로 이미지 품질이 떨어졌다.
• 이중선형 보간은 성능이 열악했으며, PSNR는 단지 9.83, MSE는 6763.73로 심각한 이미지 열화가 발생했다.
• VoxCeleb1 데이터셋을 사용해 오디오 스테가노그래피로의 전이 학습을 수행한 결과, DDSP는 BER 0.67, MSE 650.12, PSNR 37.28을 기록했으며, 오토에인코드르와 유사한 성능을 보였고, 이중선형 보간(PSNR: 35.54)을 능가했다.
• 웨이블릿 노이즈 제거 필터는 PSNR에서 약간 우수한 성능(37.65 vs. 37.28)을 보였지만, DDSP는 다양한 모odal 간 일반화 능력과 적응성에서 뛰어난 성능을 보였다.
• 결과적으로 DDSP는 재훈련 없이도 알려지지 않은 스테가노그래피 기법과 파일 포맷, 오디오까지 효과적으로 일반화함을 확인하였으며, 강력한 내구성과 전이 가능성(transferability)을 보여주었다.