[논문 리뷰] Weakening the Detecting Capability of CNN-based Steganalysis

Sai Ma, Qingxiao Guan외 2명|arXiv (Cornell University)|2018. 03. 29.

Advanced Steganography and Watermarking Techniques참고 문헌 10인용 수 6

한 줄 요약

이 논문은 기존의 적응형 스테가노그래픽 기법의 보안을 향상시키기 위해, 감지 회피를 위해 스테고그래픽 이미지를 왜곡시키는 적대적 예제를 생성하는 새로운 방법을 제안한다. 이 방법은 스테고그래픽 분석기의 특징 맵을 기반으로 한 기울기 기반 픽셀 뒤집기를 활용하여, 스테고그래픽 분석기를 재학습하지 않고도 탐지 오류율을 크게 증가시킨다.

ABSTRACT

Recently, the application of deep learning in steganalysis has drawn many researchers' attention. Most of the proposed steganalytic deep learning models are derived from neural networks applied in computer vision. These kinds of neural networks have distinguished performance. However, all these kinds of back-propagation based neural networks may be cheated by forging input named the adversarial example. In this paper we propose a method to generate steganographic adversarial example in order to enhance the steganographic security of existing algorithms. These adversarial examples can increase the detection error of steganalytic CNN. The experiments prove the effectiveness of the proposed method.

연구 동기 및 목표

• 기존의 적응형 스테고그래픽 알고리즘을 딥러닝 기반의 스테고그래픽 분석으로부터 보다 안전하게 보호하기 위해.
• 스테고그래픽 환경에서 BP 기반의 CNN이 적대적 예제에 취약한 문제를 해결하기 위해.
• 새로운 신경망을 학습하지 않고도 적대적 스테고그래픽 이미지를 생성하는 방법을 개발하기 위해.
• 최신 스테고그래픽 분석기들에 의해 스테고그래픽 이미지가 커버 이미지와 구분되지 않도록 하여 스테고그래픽의 강건성을 향상시키기 위해.

제안 방법

• 학습된 스테고그래픽 분석 CNN의 기울기 특징 맵을 커버 이미지에서 계산하여 적대적 예제를 생성한다.
• 픽셀 뒤집기 방향은 기울기 특징 맵의 부호에 따라 결정되며, 탐지 최소화를 위해 ±1의 왜곡을 적용한다.
• 왜곡 비용을 고려하여 단일층 STC(SL-STC)를 사용해 수정에 적합한 최적의 픽셀을 식별한다.
• 경계 제약 조건을 유지하는 방향으로만 습기 있는 픽셀(0 또는 255)을 뒤집는다.
• 스테고그래픽 임베딩 과정을 통해 커버 이미지에 기울기 유도 왜곡을 적용하여 적대적 예제를 구성한다.
• 이 접근법은 스테고그래픽 분석기를 재학습하거나 수정하지 않으며, 오직 그 기울기 정보만을 활용해 속임수를 가로질 수 있는 스테고그래픽 이미지를 만든다.

실험 결과

연구 질문

• RQ1 재학습 없이도 CNN 기반 스테고그래픽 분석기를 특별히 속이기 위한 적대적 예제를 생성할 수 있는가?
• RQ2 기울기 기반 픽셀 왜곡이 스테고그래픽 분석기의 탐지 오류율을 얼마나 효과적으로 증가시키는가?
• RQ3 제안된 방법이 기존의 적응형 스테고그래픽 기법에 대해 딥러닝 기반 탐지로부터 보안을 향상시키는가?
• RQ4 이 방법은 CNN 기반 모델뿐 아니라 특징 기반 모델을 포함한 다양한 스테고그래픽 분석기들에 효과가 있는가?
• RQ5 이 적대적 예제 생성 방법은 DM 프레임워크나 STC와 같은 표준 스테고그래픽 프레임워크와 호환되는가?

주요 결과

• 제안된 방법은 스테고그래픽 분석기의 평균 탐지 오류율(P̄E)을 크게 증가시켜 탐지 회피 능력 향상을 입증한다.
• Xu의 CNN에서, 모든 페이로드 비율(0.05에서 0.4)에서 탐지 오류율이 증가했으며, 높은 페이로드에서 가장 뚜렷한 향상이 관찰되었다.
• maxSRM + 앙상블 분류기의 경우에도 탐지 오류율이 뚜렷이 증가하여, 이 방법이 CNN 기반 모델을 초월해 효과가 있음을 확인했다.
• 적대적 스테고그래픽 이미지는 일관되게 커버 이미지로 오분류되었으며, 탐지 회피가 성공적으로 이루어졌음을 시사한다.
• 스테고그래픽 분석기가 비적대적 데이터로 학습된 경우에도 이 방법은 효과를 유지하여 표준 탐지 파이프라인에 대한 강건성을 입증했다.
• 새로운 생성 모델을 학습할 필요가 없어 계산적으로 효율적이며, 기존의 스테고그래픽 시스템과 쉽게 통합될 수 있다.