[논문 리뷰] Generative Steganography with Kerckhoffs' Principle based on Generative Adversarial Networks.

Yan Ke, Minqing Zhang외 3명|arXiv (Cornell University)|2017. 11. 14.

Advanced Steganography and Watermarking Techniques참고 문헌 9인용 수 19

한 줄 요약

이 논문은 코팅 이미지를 수정하지 않고도 비밀 메시지를 임베딩할 수 있도록 설계된 GAN 기반의 방법인 Kerckhoffs 원칙을 적용한 생성형 스테가노그래피(GSK)를 제안한다. 이 방법은 생성기(GAN)가 코팅 이미지와 데이터 은닉 키를 동시에 제공받을 때만 스테가노그래픽 콘텐츠를 생성하도록 훈련시켜, 보안을 Kerckhoffs 원칙에 따라 보장한다. 이는 키와 코팅 이미지가 모두 존재할 때만 의미 있는 출력이 생성되고, 그렇지 않으면 의미 없는 출력이 생성되므로, 왜곡 없이 키 및 코팅 이미지에 의존하는 스테가노그래픽 생성이 성공적으로 이루어짐을 보여준다.

ABSTRACT

The distortion in steganography comes from the modification or recoding on the cover image during the embedding process. The changes of the cover always leave the steganalyzer with possibility of discriminating. Therefore, we propose to use a cover to send out secret messages without any modification by training the cover image to generate the secret messages. To ensure the security of such a generative scheme, we require the generator to meet Kerckhoffs' principle. Based on above proposal, we propose generative steganography with Kerckhoffs' principle (GSK) in this letter. In GSK, we use a generator based on generative adversarial networks (GAN) to output the secret messages if and only if the data-hiding key and the cover image are both inputted. Without the data-hiding key or the cover image, only meaningless results would be outputted. We detail the framework and the internal structure of GSK. In our training procedures, there are two GANs, Key-GAN and Cover-GAN, designed to work jointly making the generated results under the control of the data-hiding key and the cover image. Experimental results concentrate on the training process and the working performance of GSK which demonstrate that GSK can use any image to realize steganography with Kerckhoffs' principle without any modification.

연구 동기 및 목표

• 임베딩 과정에서 이미지 수정으로 인해 발생하는 감지 가능한 왜곡 문제를 해결하기 위해.
• 코팅 이미지가 수정되지 않은 채로 유지되어 수정 유도형 아티팩트가 발생하지 않는 스테가노그래픽 시스템을 개발하기 위해.
• 생성기가 데이터 은닉 키와 코팅 이미지가 모두 제공될 때만 의미 있는 스테가노그래픽 콘텐츠를 생성하도록 하여 Kerckhoffs 원칙에 따라 보안을 강화하기 위해.
• 모델 아키텍처가 공개되어도, 정확한 키와 코팅 이미지 없이선 안전하고 제어 가능한 출력을 생성할 수 있는 프레임워크를 설계하기 위해.

제안 방법

• 프레임워크는 키-GAN과 코팅-GAN이라는 두 개의 GAN을 포함하며, 이들은 함께 훈련되어 생성기의 출력을 데이터 은닉 키와 코팅 이미지 양쪽에 따라 제어한다.
• 생성기는 데이터 은닉 키와 코팅 이미지가 모두 입력될 때만 스테가노그래픽 콘텐츠를 생성하여, 둘 중 하나가 누락되면 의미 없는 출력이 생성됨을 보장한다.
• 키-GAN은 데이터 은닉 키가 콘텐츠 생성 과정을 제어하도록 하며, 코팅-GAN은 코팅 이미지가 출력의 공간적 및 구조적 특성을 이끌도록 한다.
• 생성기는 스테가노그래픽 출력이 자연스러운 이미지와 구분되지 않도록 훈련되어, 스테가노그래피 분석기의 감지 가능성을 최소화한다.
• 키-GAN과 코팅-GAN의 공동 훈련을 통해 생성기의 출력이 양쪽 입력에 조건부로 의존하도록 하여 Kerckhoffs 원칙을 충족시킨다.
• 모델 아키텍처가 공개되어도, 정확한 키와 코팅 이미지 없이선 비밀이 유출되지 않도록 시스템을 설계하였다.

실험 결과

연구 질문

• RQ1 생성 모델이 코팅 이미지를 수정하지 않고도 스테가노그래픽 콘텐츠를 생성할 수 있는가? 이는 임베딩 과정에서 발생하는 왜곡과 관련된 감지 위험을 제거할 수 있는가?
• RQ2 딥 러닝 생성 모델을 사용하는 스테가노그래픽 시스템에서 Kerckhoffs 원칙을 어떻게 구현할 수 있는가?
• RQ3 GAN 기반 시스템이 코팅 이미지와 비밀 키가 모두 제공될 때만 의미 있는 스테가노그래픽 출력을 생성하도록 훈련할 수 있는가?
• RQ4 이러한 시스템의 임베딩 보안성과 자연스러운 이미지와의 구분 불가능성 측면에서의 성능은 어떠한가?
• RQ5 키-GAN과 코팅-GAN의 공동 훈련이 생성된 스테가노그래픽 콘텐츠의 제어 가능성과 보안성에 어떤 기여를 하는가?

주요 결과

• 제안된 GSK 프레임워크는 코팅 이미지를 수정하지 않고도 스테가노그래픽 콘텐츠를 성공적으로 생성하여, 임베딩 과정에서 발생하는 왜곡을 제거한다.
• 데이터 은닉 키와 코팅 이미지가 모두 제공될 경우에만 생성기는 의미 있는 스테가노그래픽 출력을 생성하여 Kerckhoffs 원칙에 따른 보안을 확보한다.
• 정확한 키 또는 코팅 이미지가 없을 경우 생성기는 오직 의미 없는 출력만 생성되어, 무단 접근을 방지한다.
• 키-GAN과 코팅-GAN의 공동 훈련을 통해 조건부 생성이 가능해지며, 이는 제어 가능성과 보안성을 동시에 확보한다.
• 실험 결과 GSK는 눈에 띄는 왜곡 없이 안전한 스테가노그래픽 통신을 달성하여, 키 및 코팅 이미지에 의존하는 생성형 스테가노그래피의 실현 가능성을 입증한다.
• 시스템은 자연스러운 이미지와 높은 구분 불가능성을 유지하여, 스테가노그래피 분석기의 감지 위험을 줄인다.