[논문 리뷰] Coverless information hiding based on Generative Model

Xintao Duan, Haoxian Song|arXiv (Cornell University)|2018. 02. 10.

Advanced Steganography and Watermarking Techniques참고 문헌 3인용 수 24

한 줄 요약

이 논문은 생성 모델을 사용한 새로운 커버리스 이미지 스테가노그래피 방법을 제안하며, 기밀 이미지 대신 의미적으로 관련 없는 이미지를 전송한다. 수신자는 공유된 생성 모델 데이터베이스를 사용하여 원본과 시각적으로 동일한 기밀 이미지를 복원한다. 기밀 데이터를 임bed하지 않음으로써 모든 기존의 스테가노그래피 분석 도구에 저항할 수 있는 높은 보안성을 달성한다.

ABSTRACT

A new coverless image information hiding method based on generative model is proposed, we feed the secret image to the generative model database, and generate a meaning-normal and independent image different from the secret image, then, the generated image is transmitted to the receiver and is fed to the generative model database to generate another image visually the same as the secret image. So we only need to transmit the meaning-normal image which is not related to the secret image, and we can achieve the same effect as the transmission of the secret image. This is the first time to propose the coverless image information hiding method based on generative model, compared with the traditional image steganography, the transmitted image does not embed any information of the secret image in this method, therefore, can effectively resist steganalysis tools. Experimental results show that our method has high capacity, safety and reliability.

연구 동기 및 목표

• 기존 스테가노그래피 기법이 스테가노그래피 분석에 취약한 점을 해결하기 위해 수신 매체에 임베딩된 수정을 제거한다.
• 기밀 이미지와 관련된 데이터를 전송하지 않는 커버리스 정보 은폐 방법을 개발한다.
• 생성 모델을 활용해 통계적 이상 징후 없이 안전하고 고용량의 이미지 전송을 가능하게 한다.
• 전송된 이미지가 기밀 내용과 무관하고 의미적으로 유의미하여 실용성과 보안성을 향상시킨다.

제안 방법

• 이 방법은 데이터셋(예: CelebA)을 기반으로 훈련된 공유된 생성 모델 데이터베이스를 사용하여 임의의 잠재 벡터를 실제와 유사한 이미지로 매핑한다.
• 송신자는 기밀 이미지를 생성 모델에 입력하여 의미적으로 관련 없지만 자연스러운 이미지(예: 'Lena'에서 'Baboon' 생성)를 생성하고 전송한다.
• 수신자는 동일한 생성 모델 데이터베이스와 전송된 이미지를 사용하여 기밀 이미지를 원본과 시각적으로 동일하게 재구성한다.
• 이 시스템은 훈련된 생성 모델(예: WGAN)이 서로 다른 잠재 코드를 사용해 기밀 이미지와 시각적으로 동일한 이미지를 생성할 수 있다는 성질에 기반한다.
• 이 방법은 전송된 이미지에 기밀 정보가 임베딩되어 있지 않아 스테가노그래피 분석 도구가 통계적 이상 징후를 감지할 수 없도록 한다.
• 이 접근법은 송신자와 수신자가 동일한 모델 가중치와 사전 훈련된 생성 모델 데이터베이스를 공유한다는 가정에 기반한다.

실험 결과

연구 질문

• RQ1 생성 모델을 사용해 수신 매체에 정보를 임베딩하지 않고 기밀 이미지를 전송할 수 있는가?
• RQ2 의미적으로 관련 없고 유의미한 이미지를 어떻게 사용하여 원본과 시각적으로 동일한 기밀 이미지를 재구성할 수 있는가?
• RQ3 기존 스테가노그래피와 비교해 이 방법은 스테가노그래피 분석 도구에 얼마나 잘 저항하는가?
• RQ4 이 커버리스 스테가노그래피 방법은 실생활에서 얼마나 높은 용량과 신뢰성을 가지는가?
• RQ5 공유된 모델 데이터베이스를 사용해 다양한 기밀 이미지에 대해 이 방법을 일반화할 수 있는가?

주요 결과

• 이 방법은 기밀 이미지와 관련 없고 의미적으로 관련 있는 전송 이미지를 성공적으로 생성하여 커버리스 스테가노그래피를 구현한다.
• 수신자는 전송된 이미지와 공유된 생성 모델 데이터베이스만을 사용하여 기밀 이미지를 높은 시각적 정확도로 재구성할 수 있다.
• 전송된 이미지에 기밀 데이터가 임베딩되어 있지 않아 스테가노그래피 분석 도구가 통계적 이상 징후를 감지할 수 없어 보안성이 높다.
• CelebA 데이터셋을 사용한 실험에서 'Lena'를 'Baboon'에서, 반대로 'Baboon'을 'Lena'에서 성공적으로 재구성하는 데 성공했다.
• 동일한 생성 모델을 여러 기밀 이미지에 대해 반복 사용할 수 있으므로, 해당 모델 매핑을 저장함으로써 높은 용량과 높은 신뢰성을 달성한다.
• 전송된 이미지가 자연스럽고 악성 요소가 아닌 것으로 간주되어 고도의 스테가노그래피 분석에도 불구하고 보안성이 유지된다.