[논문 리뷰] Data Hiding with Deep Learning: A Survey Unifying Digital Watermarking and Steganography

Zihan Wang, Olivia Byrnes외 6명|arXiv (Cornell University)|2021. 07. 20.

Advanced Malware Detection Techniques참고 문헌 91인용 수 15

한 줄 요약

이 종합 검토는 딥러닝 기반 디지털 워터마킹과 스테가노그래피를 공통 목표, 모델 아키텍처, 노이즈 주입 방법, 평가 프레임워크 측면에서 분석함으로써 통합한다. 딥러닝이 이미지, 오디오, 비디오 전반에서 강력하고 적응적이며 눈에 띄지 않는 데이터 숨기기 기술을 가능하게 하여 책임감 있는 AI 및 디지털 보안 분야를 선도하고 있음을 보여준다.

ABSTRACT

The advancement of secure communication and identity verification fields has significantly increased through the use of deep learning techniques for data hiding. By embedding information into a noise-tolerant signal such as audio, video, or images, digital watermarking and steganography techniques can be used to protect sensitive intellectual property and enable confidential communication, ensuring that the information embedded is only accessible to authorized parties. This survey provides an overview of recent developments in deep learning techniques deployed for data hiding, categorized systematically according to model architectures and noise injection methods. The objective functions, evaluation metrics, and datasets used for training these data hiding models are comprehensively summarised. Additionally, potential future research directions that unite digital watermarking and steganography on software engineering to enhance security and mitigate risks are suggested and deliberated. This contribution furthers the creation of a more trustworthy digital world and advances Responsible AI.

연구 동기 및 목표

• 최근 딥러닝 기반 데이터 은닉 기법을 체계적으로 분류하여 워터마킹과 스테가노그래피에 중점을 둔다.
• 최신 모델에서 사용하는 모델 아키텍처, 노이즈 주입 전략, 목적 함수, 평가 지표, 학습 데이터셋을 분석한다.
• 딥러닝 기반 데이터 은닉 기법에서 공통적으로 나타나는 과제와 한계, 특히 적대적 공격에 대한 내성과 백도어 위험을 규명한다.
• 워터마킹과 스테가노그래피를 통합하여 AI 시스템의 보다 향상된 보안성과 책임성 향상을 위한 미래 연구 방향을 탐색한다.
• 이러한 기법의 双용(이중용도) 잠재력을 부각시키며, 디지털 지적 재산권 보호와 은밀한 백도어나 악성 소프트웨어 스테가노그래피와 같은 악성 응용 프로그램을 위한 가능성까지 다룬다.

제안 방법

• 모델 아키텍처(예: 오토인코더, GAN, CNN)와 노이즈 주입 기법(예: 가감성 노이즈, 적대적 편향)에 따라 딥러닝 기반 데이터 은닉 방법을 분류한다.
• 시각적 품질과 내성 향상을 위해 인지 손실, 적대적 손실, 재구성 손실 등의 목적 함수를 검토한다.
• 임bed딩, 추출, 내성 테스트 성능 평가를 위해 PSNR, SSIM, BER(비트 오류율), 탐지 정확도 등의 평가 지표를 분석한다.
• COCO, ImageNet, 그리고 고유의 오디오/비디오 데이터셋과 같은 벤치마크 데이터셋을 비교 분석하여 데이터 은닉 모델의 학습 및 테스트에 활용한다.
• 임베딩 및 추출 네트워크를 동시에 최적화하는 엔드 투 엔드 프레임워크(예: GAN 기반 스테가노그래피 및 워터마킹 시스템)를 분석한다.
• 스테가노그래피 분석 및 탐지 메커니즘을 악성코드 탐지 및 딥페이크 탐지 시스템과 같은 보안 파이프라인에 통합하는 방안을 논의한다.

실험 결과

연구 질문

• RQ1 딥러닝 아키텍처는 전통적인 공간 도메인 및 주파수 도메인 방법에 비해 데이터 은닉의 내성과 눈에 띄지 않는 성능을 어떻게 향상시키는가?
• RQ2 딥러닝 프레임워크에서 워터마킹과 스테가노그래피 간의 목적 함수 및 평가 지표의 주요 차이점은 무엇인가?
• RQ3 딥러닝 모델은 어떻게 적대적 공격과 워터마크 제거 기법에 대한 저항성을 강화할 수 있는가?
• RQ4 데이터 은닉 기법은 디지털 지적 재산권 보호 및 딥페이크 탐지와 같은 책임감 있는 AI에 어떻게 활용될 수 있는가?
• RQ5 눈에 띄지 않는 백도어나 스테가노그래피 기반 악성 소프트웨어 배포와 같은 이중용도 응용의 위험은 무엇이며, 이를 어떻게 완화할 수 있는가?

주요 결과

• 딥러닝 기반 데이터 은닉 모델은 전통적 방법에 비해 일반적인 공격에 대해 훨씬 뛰어난 내성을 보이며, 눈에 띄지 않는 성능을 유지한다.
• GAN 기반 프레임워크는 낮은 비트 오류율과 탐지에 대한 강력한 저항력을 바탕으로 매우 현실적인 스테가노그래픽 임베딩을 가능하게 한다.
• 인지 손실과 적대적 손실을 조합한 목적 함수는 임베딩된 데이터의 시각적 품질과 내성을 동시에 향상시킨다.
• 합성 미디어 생성 파이프라인에 워터마킹을 통합하면, GAN 기반 왜곡 이후에도 추적성과 원천 식별이 가능해진다.
• 스테가노그래픽 기법은 이제 이미지와 오디오에 거의 눈에 띄지 않는 방식으로 데이터를 임베딩할 수 있게 되어, 인간 또는 자동화된 시스템에 의한 탐지가 점점 더 어려워지고 있다.
• 악성 사용 위험은 점점 증가하고 있으며, 머신러닝 모델에 은밀한 백도어 공격이나 스테가노그래피 기반 악성 소프트웨어 배포가 가능해져 보안 시스템 내에서 사전적 스테가노그래피 분석이 필수적이다.