[论文解读] Deep Learning for Steganalysis of Diverse Data Types: A review of methods, taxonomy, challenges and future directions

Hamza Kheddar, Mustapha Hemis+3 more|arXiv (Cornell University)|Aug 8, 2023

Advanced Steganography and Watermarking Techniques参考文献 244被引用 4

一句话总结

本文全面综述了基于深度学习的隐写分析技术，用于检测图像、音频、视频和文本等多种数字媒体中的隐藏数据。研究评估了深度迁移学习（DTL）和深度强化学习（DRL）在提升检测性能方面的应用，提供了系统的分类体系、数据集与指标分析，并对安全数字通信领域的未来研究方向提出见解。

ABSTRACT

Steganography and steganalysis are two interrelated aspects of the field of information security. Steganography seeks to conceal communications, whereas steganalysis is aimed to either find them or even, if possible, recover the data they contain. Steganography and steganalysis have attracted a great deal of interest, particularly from law enforcement. Steganography is often used by cybercriminals and even terrorists to avoid being captured while in possession of incriminating evidence, even encrypted, since cryptography is prohibited or restricted in many countries. Therefore, knowledge of cutting-edge techniques to uncover concealed information is crucial in exposing illegal acts. Over the last few years, a number of strong and reliable steganography and steganalysis techniques have been introduced in the literature. This review paper provides a comprehensive overview of deep learning-based steganalysis techniques used to detect hidden information within digital media. The paper covers all types of cover in steganalysis, including image, audio, and video, and discusses the most commonly used deep learning techniques. In addition, the paper explores the use of more advanced deep learning techniques, such as deep transfer learning (DTL) and deep reinforcement learning (DRL), to enhance the performance of steganalysis systems. The paper provides a systematic review of recent research in the field, including data sets and evaluation metrics used in recent studies. It also presents a detailed analysis of DTL-based steganalysis approaches and their performance on different data sets. The review concludes with a discussion on the current state of deep learning-based steganalysis, challenges, and future research directions.

研究动机与目标

• 提供对基于深度学习的隐写分析方法在多种数据类型（包括图像、音频、视频和文本）中系统性综述。
• 分析先进深度学习技术（如深度迁移学习（DTL）和深度强化学习（DRL））在提升隐写分析性能方面的作用。
• 基于载体类型和方法类型，建立结构化的隐写分析方法分类体系，以提升研究导航效率。
• 评估近期隐写分析研究中使用的现有数据集、基准指标和性能评估协议。
• 识别关键挑战，并提出未来研究方向，以推动构建鲁棒、可泛化且可解释的隐写分析系统。

提出的方法

• 本研究采用系统性文献综述方法，设定明确的研究选择标准、质量评估方法和文献计量分析流程。
• 根据载体类型（图像、音频、视频、文本）和方法类型（DTL、DRL、混合模型、其他深度学习模型）对隐写分析方法进行分类。
• 评估深度神经网络（DNN）、卷积神经网络（CNN）、残差网络（ResNets）以及注意力机制（如CBAM和SPP）在特征提取与检测中的应用。
• 研究深度迁移学习（DTL）在跨领域和跨隐写技术之间迁移知识的能力，以在标注数据有限的情况下提升检测性能。
• 分析深度强化学习（DRL）在动态交互环境中学习最优决策策略方面的潜力，实现自适应检测策略。
• 方法论包括对数据集（如BOSSBase、AMR、TID2013）、评估指标（AUC、DR、FAR、FPR、PSNR、SSIM）和基准测试协议的批判性分析。

Figure 1 : Steganalysis process.

实验结果

研究问题

• RQ1 在图像、音频、视频和文本等不同载体类型中，深度学习模型在隐写分析任务中的表现如何？
• RQ2 当在不同隐写技术与数据领域之间进行泛化时，深度迁移学习（DTL）在多大程度上能提升隐写分析性能？
• RQ3 深度强化学习（DRL）如何增强隐写分析系统在动态或未知隐写环境中的适应性与鲁棒性？
• RQ4 在数字媒体中检测细微隐写信号方面，最有效的深度学习架构与损失函数是什么？
• RQ5 在数据可得性、模型可解释性、对抗鲁棒性及隐私保护方面存在的关键挑战，为何会阻碍真实世界隐写分析系统的部署？

主要发现

• 基于深度学习的隐写分析模型在检测准确率方面显著优于传统方法，最先进模型实现了高AUC值与低检测错误率。
• 深度迁移学习（DTL）通过将源领域知识迁移至目标隐写技术，有效提升了小样本场景下的检测性能，增强了泛化能力。
• 深度强化学习（DRL）在学习能够动态响应演化隐写策略与载体类型的自适应检测策略方面展现出巨大潜力。
• 结合注意力机制（如CBAM）与CNN或ResNets的混合模型，在复杂隐写信号的特征表示与检测性能方面表现更优。
• 使用大型语言模型（如ChatGPT）可辅助生成合成隐写内容并分析语言模式，有助于数据集构建与算法评估。
• 尽管已取得进展，模型可解释性、对抗鲁棒性、硬件资源限制以及隐私保护训练等挑战仍限制真实世界系统的部署。

Figure 2 : Interpretation of steganograms in AWGN channel.