[论文解读] Applying statistical methods to text steganography

Ivan Nechta, Andrei Fionov|arXiv (Cornell University)|Oct 12, 2011

Advanced Steganography and Watermarking Techniques参考文献 3被引用 4

一句话总结

本文综述了用于检测文本隐写术中隐藏信息的统计方法，重点研究了句法、语义及基于语言的隐写技术。研究表明，统计隐写分析——特别是使用支持向量机（SVM）结合词频、熵、压缩率和词距方差等特征——在文本大小超过400字节时，对Nicetext和Texto等主要隐写系统可实现超过99%的检测准确率。

ABSTRACT

This paper presents a survey of text steganography methods used for hid- ing secret information inside some covertext. Widely known hiding techniques (such as translation based steganography, text generating and syntactic embed- ding) and detection are considered. It is shown that statistical analysis has an important role in text steganalysis.

研究动机与目标

• 分析并分类现有的文本隐写技术，包括句法、语义及生成式方法。
• 评估统计隐写分析在检测自然语言文本中隐藏信息方面的有效性。
• 识别能够可靠区分隐写文本与自然文本的关键统计特征。
• 评估基于机器学习的隐写分析方法（特别是SVM）在不同隐写系统和文本大小下的性能。
• 为开发适用于网络环境中实际部署的自动化、高精度隐写分析工具提供基础。

提出的方法

• 将文本隐写术分为三类：句法类（如空格或拼写错误编码）、语义类（如T-Lex中的同义词替换）和生成类（如基于语法或马尔可夫链的文本生成）。
• 采用支持向量机（SVM）作为主要分类引擎，结合词频、方差、熵和字母分布等统计特征进行隐写分析。
• 采用基于压缩的隐写分析方法，通过比较疑似载体在压缩前后的大小；由于嵌入数据导致熵值增加，隐写文本压缩率更低。
• 利用词距方差和句子结构分析检测隐写文本中不自然的“噪声”模式，与自然语言的流畅性形成对比。
• 利用大规模语料库构建自然词频词典，实现对基于翻译的隐写术的盲检测，无需事先了解隐写方法。
• 将平均词长、空格频率和首字母分布等多特征整合进单一SVM分类器，以提升检测鲁棒性。

实验结果

研究问题

• RQ1 统计特征在不同隐写系统中区分隐写文本与自然语言文本方面的有效性如何？
• RQ2 在不同文本大小下，基于SVM的隐写分析方法在Nicetext、Texto及马尔可夫链隐写系统中的检测准确率如何？
• RQ3 基于压缩的隐写分析能否通过测量熵值增加导致的可压缩性变化，可靠检测嵌入信息？
• RQ4 使用诸如词距方差和同义词替换模式等语言学特征在多大程度上提升了隐写分析性能？
• RQ5 在不了解隐写技术或翻译规则的前提下，盲检测方法在多大程度上能有效检测基于翻译的隐写术？

主要发现

• 使用SVM的统计隐写分析在文本大小超过400字节时，对Nicetext的检测准确率超过99.6%，在400字节、1 Kb和5 Kb时分别为99.61%。
• 基于压缩的方法在文本大小超过400字节时，对Texto隐写文本的检测准确率超过99.98%，这是由于嵌入数据导致可压缩性降低。
• 对于基于马尔可夫链的隐写系统，检测准确率在5 Kb时达到99.46%，在500字节时为84.42%，表明在大文本上表现优异。
• 基于词频和词距方差的方法在10 Kb、15 Kb和20 Kb文本大小下的检测准确率分别为97.65%、98.88%和99.69%。
• 基于自然词频词典的翻译型隐写术盲检测方法在20 Kb时达到87.7%的准确率，表明无需事先了解隐写技术即可实现有效盲检测。
• 同义词替换型隐写分析的误报率和漏报率较高（分别为38.6%和15.1%），表明其可靠性低，不适用于实际应用。