[论文解读] A Graph-theoretic Model to Steganography on Social Networks

Hanzhou Wu, Wei Wang+3 more|arXiv (Cornell University)|Dec 11, 2017

Advanced Steganography and Watermarking Techniques参考文献 21被引用 3

一句话总结

本文提出一种图论模型，通过将参与者表示为顶点、通信链路表示为加权边来分析社交网络中的隐写通信，其中权重反映通信风险。该模型将隐写路由形式化为路径优化问题以最小化总风险，证明了概率图与加权图在数学上的等价性，并提供了针对隐写网络的检测策略。

ABSTRACT

Steganography aims to conceal the very fact that the communication takes place, by embedding a message into a digit object such as image without introducing noticeable artifacts. A number of steganographic systems have been developed in past years, most of which, however, are confined to the laboratory conditions where the real-world use of steganography are rarely concerned. In this paper, we introduce an alternative perspective to steganography. A graph-theoretic model to steganography on social networks is presented to analyze real-world steganographic scenarios. In the graph, steganographic participants are corresponding to the vertices with meaningless unique identifiers. Each edge allows the two vertices to communicate with each other by any steganographic algorithm. Meanwhile, the edges are associated with weights to quantize the corresponding communication risk (or say cost). The optimization task is to minimize the overall risk, which is modeled as additive over the social network. We analyze different scenarios on a social network, and provide the suited solutions to the corresponding optimization tasks. We prove that a multiplicative probabilistic graph is equivalent to an additive weighted graph. From the viewpoint of an attacker, he may hope to detect suspicious communication channels, the data encoder(s) and the data decoder(s). We present limited detection analysis to steganographic communication on a network.

研究动机与目标

• 使用图论对现实社交网络中的隐写通信进行建模，超越实验室环境下的隐写研究。
• 将隐写网络中的通信风险量化为边权重，并通过加法优化最小化总风险。
• 在风险约束下，为隐写通信提供优化的路由策略（点对点与多点通信）。
• 从攻击者视角分析检测策略，重点关注隐写网络中的结构与统计异常。
• 通过建模社交行为与网络动态，弥合理论隐写与现实部署之间的差距。

提出的方法

• 将社交网络参与者表示为图 G(V, E) 中的顶点，通信链路表示为边。
• 为边分配权重以表示通信风险（成本），并将整体风险建模为网络上的可加性总和。
• 证明乘法概率图在优化意义上与加法加权图数学等价。
• 将隐写路由形式化为最短路径或最小生成树问题，以最小化总风险。
• 应用结构化与数据驱动的检测方法：结构分析（基于拓扑）、行为分析（量化网络特征）以及内容分析（如SVM或神经网络等分类器）。
• 使用无监督学习技术——基于聚类与基于模型的方法——在无标签数据下进行异常检测。

实验结果

研究问题

• RQ1 如何将社交网络中的隐写通信建模为图论优化问题？
• RQ2 概率隐写信道模型与加权图之间存在何种关系？
• RQ3 如何识别最优通信路径以最小化隐写网络中的整体风险？
• RQ4 可应用哪些检测策略来识别社交网络中可疑的隐写通信？
• RQ5 在现实网络场景中，结构化方法与数据驱动方法在检测隐写异常方面有何比较优势？

主要发现

• 乘法概率图模型在数学上与加权图等价，从而可高效优化隐写通信路径。
• 最优的点对点隐写通信策略对应于加权图中的最短路径，从而最小化总通信风险。
• 对于多点通信，可通过在加权网络上使用最小生成树算法获得近似最优解。
• 基于网络拓扑的结构分析可在无需标签数据或实时通信特征的情况下检测异常。
• 数据驱动的检测方法——尤其是内容与行为分析——可受益于SVM和神经网络等监督分类器，尽管标签稀缺仍是挑战。
• 无监督学习方法（如聚类与基于模型的异常检测）在识别隐写网络中的可疑顶点或边方面表现有效。