[论文解读] AAG-Stega: Automatic Audio Generation-based Steganography

Zhongliang Yang, Xingjian Du+3 more|arXiv (Cornell University)|Sep 10, 2018

Advanced Steganography and Watermarking Techniques参考文献 27被引用 13

一句话总结

本文提出 AAG-Stega，一种新颖的音频隐写术方法，通过条件自回归模型直接从密钥比特流生成高质量音频载体，无需修改载体。通过将秘密数据编码至音频生成的潜在概率空间，该方法实现了高嵌入容量与强隐蔽性，主观测试显示在多种嵌入速率下，其检测性与随机猜测无显著差异。

ABSTRACT

Steganography, as one of the three basic information security systems, has long played an important role in safeguarding the privacy and confidentiality of data in cyberspace. Audio is one of the most common means of information transmission in our daily life. Thus it's of great practical significance to using audio as a carrier of information hiding. At present, almost all audio-based information hiding methods are based on carrier modification mode. However, this mode is equivalent to adding noise to the original signal, resulting in a difference in the statistical feature distribution of the carrier before and after steganography, which impairs the concealment of the entire system. In this paper, we propose an automatic audio generation-based steganography(AAG-Stega), which can automatically generate high-quality audio covers on the basis of the secret bits stream that needs to be embedded. In the automatic audio generation process, we reasonably encode the conditional probability distribution space of each sampling point and select the corresponding signal output according to the bitstream to realize the secret information embedding. We designed several experiments to test the proposed model from the perspectives of information imperceptibility and information hidden capacity. The experimental results show that the proposed model can guarantee high hidden capacity and concealment at the same time.

研究动机与目标

• 解决传统音频隐写术方法因修改现有载体而改变统计分布、存在被检测风险的局限性。
• 开发一种隐写框架，可从密钥比特流直接生成自然音质的音频载体，避免统计不一致。
• 在保持强不可感知性与抗检测能力的同时，实现高信息隐藏容量。
• 证明基于生成建模的音频隐写术可优于传统载体修改技术，在容量与隐蔽性方面均表现更优。

提出的方法

• 该方法使用条件自回归模型生成音频样本，其中每个音频样本的概率分布均基于密钥比特流进行条件化。
• 密钥比特被编码至音频生成过程的条件概率空间中，通过根据比特流调整每个采样点的概率分布以嵌入信息。
• 模型采用基于似然的评分机制，评估生成的隐写音频与训练数据分布的接近程度，确保统计一致性。
• 框架采用条件概率分解：$ p(x_j | x_1, ..., x_{j-1}) $，其中条件概率受密钥比特调制以实现信息嵌入。
• 系统训练目标为生成在语义上连贯且在统计上与自然音频无法区分的音频，最大限度减少分布偏移。
• 采用 A/B/X 主观测试评估感知不可区分性，评估者需区分隐写音频与原始音频。

实验结果

研究问题

• RQ1 能否利用生成模型直接从密钥比特流生成音频载体，从而绕过载体修改？
• RQ2 所提方法是否在保持强统计与感知隐蔽性的同时实现高嵌入容量？
• RQ3 AAG-Stega 的隐蔽性能与传统隐写术方法相比，在检测性方面表现如何？
• RQ4 嵌入速率在多大程度上影响生成音频的感知与统计不可区分性？
• RQ5 即使在高嵌入速率下，生成的音频是否仍能可靠解码且无退化？

主要发现

• 所有 CPS 值下的平均似然得分保持在合理范围内，得分介于 CPS=2 时的 0.306 至 CPS=64 时的 0.783 之间，表明生成的隐写音频与训练数据在统计上高度相似。
• 主观 A/B/X 测试显示，所有组别的平均准确率为 44.0%，F1 分数约为 0.54，表明检测性与随机猜测无显著差异。
• 在最低嵌入速率（CPS=2）下，识别隐写音频的失败率高达 61.2%，表明在低速率下具备极强的隐蔽性。
• 随着嵌入速率提升，失败率稳定在约 50%，证实了在不同载荷水平下均保持一致的不可检测性。
• 该模型在保持感知质量的同时实现了高嵌入容量，多个评估指标的持续表现证明了这一点。
• 结果证实，AAG-Stega 能够成功嵌入秘密信息，且未引入可检测的统计异常或感知伪影。