[논문 리뷰] The Reincarnation of Grille Cipher: A Generative Approach

Jia Liu, Yan Ke외 6명|arXiv (Cornell University)|2018. 04. 18.

Advanced Steganography and Watermarking Techniques참고 문헌 31인용 수 5

한 줄 요약

이 논문은 스테고그래피에서 콘텐츠 보안과 채널 보안을 동시에 확보하기 위해 딥러닝을 활용하는 생성적 프레임워크를 제안한다. 의미적 이미지 보정과 새로운 손실 함수를 적용한 생성적 적대 신경망을 사용함으로써, 명시적인 커버 없이도 현실적인 암호문을 생성하며, 젠슨-셜라흐 분산과 함께 높은 보안성을 달성한다. 이는 메시지 복원 정확도를 향상시킨다.

ABSTRACT

In order to keep the data secret, various techniques have been implemented to encrypt and decrypt the secret data. Cryptography is committed to the security of content, i.e. it cannot be restored with a given ciphertext. Steganography is to hiding the existence of a communication channel within a stego. However, it has been difficult to construct a cipher (cypher) that simultaneously satisfy both channel and content security for secure communication. Inspired by the Cardan grille, this paper presents a new generative framework for grille cipher. A digital cardan grille is used for message encryption and decryption. The ciphertext is directly sampled by a powerful generator without an explicit cover. Message loss and prior loss are proposed for penalizing message extraction error and unrealistic ciphertext. Jensen-Shannon Divergence is introduced as new criteria for channel security. A simple practical data-driven grille cipher is proposed using semantic image inpainting and generative adversarial network. Experimental results demonstrate the promising of the proposed method.

연구 동기 및 목표

• 스테고그래픽 커뮤니케이션에서 오랫동안 해결되지 않은 콘텐츠 보안과 채널 보안을 동시에 확보하는 데 도전한다.
• 현대적인 딥 생성 모델을 활용해 고전적인 카르다노 그릴 개념을 부활시킨다.
• 명시적인 커버 이미지를 필요로 하지 않고 직접 현실적인 암호문을 생성함으로써 이를 제거한다.
• 메시지 추출 오류와 비현실적인 출력을 방지하기 위한 새로운 손실 함수를 도입한다.
• 제한-셜라흐 분산(Jensen-Shannon Divergence)을 새로운 지표로 사용하여 채널 보안을 평가한다.

제안 방법

• 디지털 카르다노 그릴을 마스크로 사용하여 생성 모델의 잠재 공간에서 메시지를 직접 암호화한다.
• 기존 커버가 필요 없이 현실적인 암호문 이미지를 생성하기 위해 생성적 적대 신경망(GAN)을 훈련한다.
• 재구성 오차를 최소화하고 생성 출력의 의미 일관성을 유지하기 위해 메시지 손실과 사전 손실을 도입한다.
• 제한-셜라흐 분산(Jensen-Shannon Divergence)을 사용하여 생성된 암호문의 분포를 무작위 노이즈와 비교함으로써 채널 보안을 측정하는 기준으로 삼는다.
• 의미적 이미지 보정을 적용하여 비밀 메시지를 숨긴 시각적으로 신뢰할 수 있는 스테고 오브제를 생성한다.
• 생성적 적대 손실, 지각적 손실, 그리고 제안된 메시지 손실 및 사전 손실의 조합을 통해 엔드 투 엔드로 프레임워크를 훈련한다.

실험 결과

연구 질문

• RQ1 딥 생성 모델은 커버 이미지를 필요로 하지 않고도 안전하고 탐지 불가능한 스테고 이미지를 생성할 수 있는가?
• RQ2 스테고그래픽 시스템에서 메시지 복원 정확도와 생성된 암호문의 현실성은 어떻게 함께 최적화할 수 있는가?
• RQ3 제한-셜라흐 분산은 생성적 스테고그래피에서 채널 보안에 대한 신뢰할 수 있는 지표로 얼마나 유용한가?
• RQ4 의미적 보정의 통합은 생성된 스테고 오브제의 현실성과 보안성을 향상시키는 데 기여하는가?
• RQ5 메시지 손실과 사전 손실은 추출 오차를 줄이고 보안을 향상시키는 데 어떻게 기여하는가?

주요 결과

• 제안된 방법은 효과적인 메시지 손실 정규화 덕분에 낮은 추출 오차로 높은 메시지 재구성 정확도를 달성한다.
• 사전 손실의 사용은 생성된 암호문의 의미 일관성과 현실성에 있어 뚜렷한 향상을 이룬다.
• 제한-셜라흐 분산 결과는 강력한 채널 보안을 보여주며, 생성된 암호문이 통계적으로 무작위 노이즈와 구분되지 않음을 시사한다.
• 이 프레임워크는 외부 커버 이미지를 전혀 필요로 하지 않고도 시각적으로 현실적인 스테고 이미지를 성공적으로 생성하여 자연 이미지 자원 의존도를 감소시킨다.
• 실험 결과는 콘텐츠 보안(낮은 메시지 오류)과 채널 보안(낮은 JSD 점수)을 균형 있게 확보하는 데에 이 방법의 효과성을 확인한다.
• 시각적 품질과 보안 지표 측면에서 전통적 스테고그래픽 방법에 비해 생성적 접근이 뛰어난 성능을 보인다.