[论文解读] Destruction of Image Steganography using Generative Adversarial Networks

Isaac Corley, Jonathan Lwowski+1 more|arXiv (Cornell University)|Dec 20, 2019

Advanced Steganography and Watermarking Techniques参考文献 29被引用 14

一句话总结

本文提出深度数字隐写净化器（DDSP），一种基于生成对抗网络（GAN）的模型，可在保持高感知质量的同时从图像中去除隐写内容。在多种隐写算法和文件格式上评估，DDSP在隐写内容破坏率和视觉保真度方面均优于现有最先进方法，包括成功实现对未见过的隐写技术及音频隐写的迁移学习。

ABSTRACT

Digital image steganalysis, or the detection of image steganography, has been studied in depth for years and is driven by Advanced Persistent Threat (APT) groups', such as APT37 Reaper, utilization of steganographic techniques to transmit additional malware to perform further post-exploitation activity on a compromised host. However, many steganalysis algorithms are constrained to work with only a subset of all possible images in the wild or are known to produce a high false positive rate. This results in blocking any suspected image being an unreasonable policy. A more feasible policy is to filter suspicious images prior to reception by the host machine. However, how does one optimally filter specifically to obfuscate or remove image steganography while avoiding degradation of visual image quality in the case that detection of the image was a false positive? We propose the Deep Digital Steganography Purifier (DDSP), a Generative Adversarial Network (GAN) which is optimized to destroy steganographic content without compromising the perceptual quality of the original image. As verified by experimental results, our model is capable of providing a high rate of destruction of steganographic image content while maintaining a high visual quality in comparison to other state-of-the-art filtering methods. Additionally, we test the transfer learning capability of generalizing to to obfuscate real malware payloads embedded into different image file formats and types using an unseen steganographic algorithm and prove that our model can in fact be deployed to provide adequate results.

研究动机与目标

• 解决传统隐写分析方法存在的高误报率及在不同图像类型和隐写算法间泛化能力差的局限性。
• 开发一种过滤解决方案，可在不降低图像质量的前提下破坏隐写内容，避免因阻断可疑图像而带来的不切实际性。
• 构建一种能够泛化至未见过的隐写算法和文件格式（包括音频）而无需重新训练的模型。
• 通过深度学习优化隐写内容破坏，同时保持感知图像质量。
• 为现实世界中针对高级持续性威胁（APT）的图像型恶意软件外渗提供实用且可部署的防御方案。

提出的方法

• DDSP模型是一种条件生成对抗网络（GAN），训练目标是将隐写嵌入的图像转换为干净、在感知上无法区分的输出。
• 模型使用生成器网络去除隐藏数据，判别器网络确保输出保持视觉真实且无隐写痕迹。
• 模型在包含多种隐写技术（如LSB、Deep Steganography、ISGAN）嵌入的多样化图像数据集上进行训练。
• 通过在未见过的隐写算法（如LSB）和文件格式（如PGM、音频）上测试预训练的DDSP模型，应用迁移学习而无需微调。
• 对于音频隐写，输入信号被重塑为2D矩阵，经DDSP模型处理后，再还原为1D向量，并使用巴特沃斯低通滤波器和汉宁窗进行滤波以减少伪影。
• 性能通过比特错误率（BER）、均方误差（MSE）、信噪比峰值（PSNR）、结构相似性（SSIM）和通用图像质量指数（UQI）等指标进行评估。

实验结果

研究问题

• RQ1 基于GAN的模型能否在保持高感知图像质量的同时有效破坏图像中的隐写内容？
• RQ2 DDSP模型在未明确训练过的隐写算法和图像格式上的表现如何？
• RQ3 DDSP模型在非图像数据（如含隐写载荷的音频文件）上的泛化能力达到何种程度？
• RQ4 与传统滤波方法（如小波变换和双三次插值）相比，DDSP在隐写内容去除和视觉保真度方面是否表现更优？
• RQ5 该模型是否可在无需重新训练的情况下部署以处理现实世界中未见过的隐写载荷和文件类型？

主要发现

• 在BOSSBase数据集上，针对LSB嵌入的图像，DDSP实现BER为0.82，MSE为5.09，PSNR为41.05，SSIM为0.98，UQI为0.99，优于所有基线方法。
• 预训练自编码器和小波滤波方法的BER较低（分别为0.78和0.53），但图像质量更差，MSE值分别为5.63和6935.08。
• 双三次插值性能较差，PSNR仅为9.83，MSE为6763.73，表明存在显著图像失真。
• 在VoxCeleb1数据集上对音频隐写进行迁移学习时，DDSP实现BER为0.67，MSE为650.12，PSNR为37.28，与自编码器性能相当，优于双三次插值（PSNR：35.54）。
• 小波去噪滤波器在PSNR上略优于DDSP（37.65 vs. 37.28），但DDSP在跨模态场景下展现出更优的泛化能力和适应性。
• 结果证实，DDSP无需重新训练即可有效泛化至未见过的隐写算法和文件格式（包括音频），表明其具备强大的鲁棒性和迁移能力。