[论文解读] Can Machine Learn Steganography? - Implementing LSB Substitution and Matrix Coding Steganography with Feed-Forward Neural Networks

Hanzhou Wu, Hongxia Wang+1 more|arXiv (Cornell University)|Jun 16, 2016

Advanced Steganography and Watermarking Techniques参考文献 4被引用 10

一句话总结

本文证明了前馈神经网络（FNNs）可以通过学习数据嵌入和提取函数，成功实现经典的隐写技术——最低有效位替换（LSB）和矩阵编码。其主要贡献在于证明了使用人工神经网络（ANNs）进行隐写操作的可行性，为未来端到端神经隐写系统奠定了基础。

ABSTRACT

In recent years, due to the powerful abilities to deal with highly complex tasks, the artificial neural networks (ANNs) have been studied in the hope of achieving human-like performance in many applications. Since the ANNs have the ability to approximate complex functions from observations, it is straightforward to consider the ANNs for steganography. In this paper, we aim to implement the well-known LSB substitution and matrix coding steganography with the feed-forward neural networks (FNNs). Our experimental results have shown that, the used FNNs can achieve the data embedding operation of the LSB substitution and matrix coding steganography. For steganography with the ANNs, though there may be some challenges to us, it would be very promising and valuable to pay attention to the ANNs for steganography, which may be a new direction for steganography.

研究动机与目标

• 探究人工神经网络（ANNs）是否能够学习并执行经典的隐写嵌入与提取函数。
• 证明使用前馈神经网络（FNNs）实现知名隐写方案（如LSB替换和矩阵编码）的可行性。
• 探索ANNs作为设计自适应、端到端隐写系统的新型范式潜力，无需人工算法设计。
• 为未来基于神经网络的隐写研究奠定基础，包括策略网络与嵌入网络的整合。

提出的方法

• 使用单层FNN通过学习权重，将输入像素的LSB映射到输出伪影LSB，实现LSB替换。
• 设计具有S型激活函数的多层FNN，以执行矩阵编码，支持如XOR等非线性嵌入操作。
• 采用反向传播与梯度下降训练FNN，以逼近嵌入函数，确保给定载体与秘密数据时输出正确的伪影。
• 将嵌入函数表述为 y_k = x_k - LSB(x_k) + m_k（LSB情形），并使用多层FNN结构计算矩阵编码中的所需比特翻转操作。
• 提出一个包含两个独立神经网络的框架：策略网络（PN）用于选择最优嵌入位置，嵌入网络（EN）用于实际数据插入。
• 使用二值向量作为输入与输出以简化学习任务，将载体与伪影图像视为LSB序列。

实验结果

研究问题

• RQ1 前馈神经网络能否学习并复现LSB替换和矩阵编码等经典隐写方法的数据嵌入过程？
• RQ2 实现正确且稳定的嵌入与提取行为，需要何种FNN架构与训练策略？
• RQ3 如何利用神经网络建模隐写嵌入函数，而无需硬编码规则？
• RQ4 策略网络与嵌入网络的整合能否实现自适应、智能化的数据隐藏？
• RQ5 在使用ANN进行隐写时可能遇到的挑战（如比特误码率）有哪些，应如何缓解？

主要发现

• 单层FNN通过学习从载体LSB到伪影LSB的映射，近乎完美地实现了LSB替换。
• 使用非线性激活函数（如S型）的多层FNN能够正确执行矩阵编码，通过模拟XOR类操作。
• 在使用适当输入-输出对进行训练后，FNN能够为LSB与矩阵编码方案生成正确的伪影向量。
• 研究证实，多种FNN架构可实现相同的隐写功能，表明网络结构具有设计灵活性与非唯一性。
• 作者观察到可能存在比特嵌入与提取错误率，提示未来系统需采用鲁棒训练或纠错机制。
• 提出将策略网络（用于区域选择）与嵌入网络（用于数据插入）分离的框架，作为未来研究的有前景方向。