[논문 리뷰] Generating Steganographic Images via Adversarial Training

Jamie Hayes, George Danezis|arXiv (Cornell University)|2017. 03. 01.

Advanced Steganography and Watermarking Techniques참고 문헌 10인용 수 212

한 줄 요약

본 논문은 신경망(Alice, Bob, Eve)이 이미지 안에 비밀 메시지를 삽입하고 복원하도록 학습하는 비지도 대립 학습 프레임워크를 제시하며, 스테가나리자가 숨겨진 데이터를 탐지하려고 시도한다; 감독의 경우 Eve가 최첨단 스테가나 분석기와 경쟁할 수 있다.

ABSTRACT

Adversarial training was recently shown to be competitive against supervised learning methods on computer vision tasks, however, studies have mainly been confined to generative tasks such as image synthesis. In this paper, we apply adversarial training techniques to the discriminative task of learning a steganographic algorithm. Steganography is a collection of techniques for concealing information by embedding it within a non-secret medium, such as cover texts or images. We show that adversarial training can produce robust steganographic techniques: our unsupervised training scheme produces a steganographic algorithm that competes with state-of-the-art steganographic techniques, and produces a robust steganalyzer, which performs the discriminative task of deciding if an image contains secret information. We define a game between three parties, Alice, Bob and Eve, in order to simultaneously train both a steganographic algorithm and a steganalyzer. Alice and Bob attempt to communicate a secret message contained within an image, while Eve eavesdrops on their conversation and attempts to determine if secret information is embedded within the image. We represent Alice, Bob and Eve by neural networks, and validate our scheme on two independent image datasets, showing our novel method of studying steganographic problems is surprisingly competitive against established steganographic techniques.

연구 동기 및 목표

• 도메인 지식 없이 기계 학습이 스테가노그래픽 임베딩을 학습할 수 있는지 조사한다.
• Alice, Bob, Eve의 세 플레이어로 구성된 학습 게임을 개발하여 은닉 데이터를 임베드, 해독, 탐지한다.
• 학습된 스테가노그래픽 기법의 내성을 최첨단 방법에 대해 평가한다.
• CelebA 및 BOSS 데이터셋에서의 실험을 통해 실용성을 시연한다.
• 확립된 스테가나lysis 방법과 비교하기 위해 스테가분석기의 감독 학습을 탐구한다.

제안 방법

• 세 개의 신경망이 역할을 구현한다: Alice(인코더), Bob(디코더), Eve(스테가나 분석가).
• Alice가 암호화된 임의 메시지를 커버 이미지에 삽입하여 스테가노그래픽 이미지 C′를 생성한다.
• Bob은 C′에서 메시지 M을 복원하려 하고, Eve는 C와 C′를 구분하려 한다.
• 손실은 가중합이다: LA = λA d(C,C′) + λB LB + λE LE, LB = d(M,M′) 이고 LE는 Eve의 출력에 대한 시그모이드 교차 엔트로피이다.
• Eve의 목표는 판별기에 상응하며; Bob은 메시지 재구성 오차를 최소화하고; Alice는 이미지 충실도, 성공적인 디코딩 및 Eve를 피하는 균형을 맞춘다.
• 아키텍처: Alice는 정보를 삽입하기 위해 업샘플링 합성곱을 사용하고; Bob은 내장 비트를 추출하기 위해 합성곱 계층을 사용하며; Eve는 유사한 CNN에 시그모이드 최종 계층으로 확률을 출력한다.

실험 결과

연구 질문

• RQ1 인간이 설계한 규칙 없이 비지도적 대립 학습 시스템이 효과적인 스테가노그래픽 임베딩을 학습할 수 있는가?
• RQ2 학습된 임베딩은 탐지 가능성과 데이터 용량 측면에서 최첨단 기법(HUGO, WOW, S-UNIWARD)과 비교하여 어떤가?
• RQ3 Eve의 감독 버전이 ATS에 대해 경쟁력 있는 스테가나lysis 성능을 보이는가?
• RQ4 이 스킴은 서로 다른 이미지 데이터셋(CelebA 및 BOSS)과 임베딩 비율에서 실용적인가?
• RQ5 비볼록 학습에도 불구하고 두 대의 머신이 임베딩 및 해독에 대해 동일한 모델을 신뢰성 있게 학습할 수 있는가?

주요 결과

• 세 네트워크 학습 체계는 높은 정확도로 메시지를 임베드하고 복원하는 법을 학습한다(예: CelebA 0.1bpp에서 충분한 단계 후 100% 해독).
• 0.1bpp의 임베딩은 최소한의 지각적 영향으로 쉽게 달성되며; 0.4bpp는 탐지 가능성이 높아지고 수렴 문제를 야기한다.
• CelebA에서 Bob은 약 150번의 학습 단계 후 0.1bpp 및 0.4bpp 모두에서 메시지의 100%를 해독하고, Eve의 손실은 무작위 추정 수준에 근접한 상태를 유지한다(약 ~1.4).
• BOSS에서 Bob은 0.1bpp에서 99.8%의 해독 정확도를 달성하여 데이터셋 간의 강건성을 보여준다.
• HUGO, WOW 및 S-UNIWARD와 비교해도 Alice와 Eve는 경쟁력이 있으며, 감독 학습된 Eve는 ATS와 경쟁하여 학습 방법이 전통적 기법에 대응할 수 있음을 시사한다.
• 학습된 모델을 다른 기계로 전이할 때 100번의 시도에서 99.1%의 메시지 복구를 보여주는 실용적 시연이다.