[论文解读] Weakening the Detecting Capability of CNN-based Steganalysis

Sai Ma, Qingxiao Guan+2 more|arXiv (Cornell University)|Mar 29, 2018

Advanced Steganography and Watermarking Techniques参考文献 10被引用 6

一句话总结

本文提出了一种新颖的方法，通过生成对抗性样本扰动含密图像以逃避检测，从而削弱基于CNN的隐写分析。该方法利用基于梯度的像素翻转技术，结合隐写分析器的特征图，显著提高检测错误率，且无需重新训练隐写分析器，从而增强了现有自适应隐写方案的安全性。

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.

研究动机与目标

• 增强现有自适应隐写算法对基于深度学习的隐写分析的抗性。
• 解决基于BP的CNN在隐写背景下对对抗性样本的脆弱性问题。
• 开发一种无需训练新神经网络即可生成对抗性含密图像的方法。
• 通过使含密图像在最先进隐写分析器下与原始图像难以区分，提升隐写的鲁棒性。

提出的方法

• 该方法通过计算在原始图像上训练好的隐写分析CNN的梯度特征图来生成对抗性样本。
• 像素翻转方向由梯度特征图的符号决定，通过施加±1的扰动以最小化检测概率。
• 隐写嵌入使用单层STC（SL-STC）来基于失真代价确定最优修改像素。
• 仅在保持边界约束的前提下，对处于0或255的像素执行翻转操作。
• 通过隐写嵌入过程将基于梯度引导的扰动应用于原始图像，形成对抗性样本。
• 该方法不重新训练或修改隐写分析器，仅利用其梯度信息来构造欺骗性含密图像。

实验结果

研究问题

• RQ1 能否在不重新训练隐写分析器的前提下，生成专门用于欺骗基于CNN的隐写分析器的对抗性样本？
• RQ2 基于梯度的像素扰动在提高隐写分析器检测错误率方面的效果如何？
• RQ3 所提出的方法是否能增强现有自适应隐写方案对基于深度学习检测的抗性？
• RQ4 该方法在不同隐写分析器（包括基于CNN和基于特征的模型）上是否均有效？
• RQ5 该对抗性样本生成方法是否与标准隐写框架（如DM框架和STC）兼容？

主要发现

• 所提方法显著提高了隐写分析器的平均检测错误率（P̄E），证明了其更强的逃避检测能力。
• 在Xu的CNN上，所有载荷率（0.05至0.4）下的检测错误率均上升，且在高载荷下提升最为显著。
• 对于maxSRM + 集成分类器，该方法也实现了显著的检测错误率提升，证实其在基于CNN的模型之外同样有效。
• 对抗性含密图像始终被错误分类为原始图像，表明成功实现了对检测的规避。
• 即使隐写分析器在非对抗性数据上进行训练，该方法依然有效，证明其对标准检测流程具有鲁棒性。
• 该方法无需训练新的生成模型，因此计算效率高，且可无缝集成至现有隐写系统中。