[논문 리뷰] Synchronized Detection and Recovery of Steganographic Messages with Adversarial Learning

Haichao Shi, Xiaoyu Zhang|arXiv (Cornell University)|2018. 01. 31.

Advanced Steganography and Watermarking Techniques참고 문헌 13인용 수 3

한 줄 요약

이 논문은 이미지 내에 숨겨진 메시지를 동시에 탐지하고 복원할 수 있도록 생성자, 판별기, 스테고그래피 분석기의 공동 학습을 통해 새로운 적대적 학습 프레임워크를 제안한다. 세 모듈 간의 상호작용을 게임으로 모델링함으로써, 기존 방법에 비해 공개 데이터셋에서 보안성과 탐지 정확도 측면에서 뛰어난 강건한 스테고그래픽 통신 및 탐지 성능을 달성한다.

ABSTRACT

In this work, we mainly study the mechanism of learning the steganographic algorithm as well as combining the learning process with adversarial learning to learn a good steganographic algorithm. To handle the problem of embedding secret messages into the specific medium, we design a novel adversarial modules to learn the steganographic algorithm, and simultaneously train three modules called generator, discriminator and steganalyzer. Different from existing methods, the three modules are formalized as a game to communicate with each other. In the game, the generator and discriminator attempt to communicate with each other using secret messages hidden in an image. While the steganalyzer attempts to analyze whether there is a transmission of confidential information. We show that through unsupervised adversarial training, the adversarial model can produce robust steganographic solutions, which act like an encryption. Furthermore, we propose to utilize supervised adversarial training method to train a robust steganalyzer, which is utilized to discriminate whether an image contains secret information. Numerous experiments are conducted on publicly available dataset to demonstrate the effectiveness of the proposed method.

연구 동기 및 목표

• 디지털 이미지 내에 숨겨진 메시지를 동시에 탐지하고 복원할 수 있는 통합 프레임워크를 개발하는 것.
• 임bed딩 및 탐지 과정에 적대적 학습을 통합하여 스테고그래픽 통신의 강건성을 향상시키는 것.
• 감독된 적대적 학습을 통해 정확하게 숨겨진 메시지를 식별할 수 있는 스테고그래피 분석기 설계하는 것.
• 스테고그래픽 임베딩, 탐지, 적대적 학습 간의 상호작용을 게임 이론적 프레임워크로 형식화하는 것.
• 실제 조건에서 공개된 이미지 데이터셋을 활용해 방법의 효과성을 평가하는 것.

제안 방법

• 프레임워크는 세 가지 공동 학습 모듈로 구성된다: 이미지에 비밀 메시지를 임베딩하는 생성자, 숨겨진 데이터 존재 여부를 탐지하려는 시도를 하는 판별기, 이미지가 스테고그래픽 콘텐츠를 포함하고 있는지 분석하는 스테고그래피 분석기.
• 세 모듈은 생성자와 판별기가 메시지를 임베딩하고 탐지하는 데 협력하고, 스테고그래피 분석기는 숨겨진 정보 존재 여부를 탐지하는 적대자 역할을 하는 게임 이론적 환경에서 학습된다.
• 비지도 적대적 학습을 사용하여 생성자와 판별기를 암호화와 유사한 강건한 스테고그래픽 솔루션을 생성하도록 최적화한다.
• 스테고그래피 분석기를 향한 감독된 적대적 학습을 적용하여 숨겨진 콘텐츠를 고정밀도로 탐지할 수 있는 능력을 향상시킨다.
• 딥 신경망을 활용하여 임bedding 및 탐지 과정에서 이미지 데이터의 복잡한 비선형 패턴을 학습한다.
• 학습 과정은 생성자-판별기 쌍의 최적화와 스테고그래피 분석기의 최적화를 번갈아가며 수행하여 균형 잡힌 학습과 향상된 탐지 능력을 확보한다.

실험 결과

연구 질문

• RQ1 통합된 적대적 프레임워크는 이미지 내 스테고그래픽 메시지를 동시에 탐지하고 복원할 수 있는가?
• RQ2 생성자, 판별기, 스테고그래피 분석기의 공동 학습은 스테고그래픽 보안성과 탐지 강건성에 어떻게 기여하는가?
• RQ3 감독된 적대적 학습은 스테고그래피 분석기의 숨겨진 메시지 탐지 능력에 얼마나 기여하는가?
• RQ4 세 모듈 간의 게임 이론적 상호작용은 스테고그래픽 통신 성능에 어떻게 영향을 미치는가?
• RQ5 기존의 스테고그래픽 및 탐지 기법과 비교해 본다면, 제안된 방법의 표준 벤치마크에서의 성능은 어떠한가?

주요 결과

• 제안된 적대적 프레임워크는 기존 방법에 비해 스테고그래픽 메시지 탐지 및 복원 성능에서 뛰어난 성능을 달성한다.
• 비지도 적대적 학습 과정을 통해 생성된 스테고그래픽 솔루션은 매우 강건하며 암호화 통신과 유사한 특성을 띤다.
• 감독된 스테고그래피 분석기는 심오한 임베딩 기법이 적용된 경우에도 숨겨진 메시지를 고정밀도로 탐지할 수 있다.
• 공개 데이터셋을 대상으로 수행된 광범위한 실험을 통해 제안된 방법의 효과성과 다양한 공격 시나리오 하에서의 강건성이 확인되었다.
• 게임 이론적 학습 프레임워크는 동기화된 탐지 및 복원을 가능하게 하여 전체 시스템의 보안성과 신뢰성을 향상시켰다.
• 탐지 정확도와 스테고그래픽 분석에 대한 저항성 측면에서 기준 방법에 비해 제안된 방법이 뛰어난 성능을 보였다.