[论文解读] Generative Steganography with Kerckhoffs' Principle based on Generative Adversarial Networks.

Yan Ke, Minqing Zhang+3 more|arXiv (Cornell University)|Nov 14, 2017

Advanced Steganography and Watermarking Techniques参考文献 9被引用 19

一句话总结

本文提出了一种基于Kerckhoffs原则的生成式隐写术（GSK），一种基于生成对抗网络（GAN）的方法，通过仅在同时提供载体图像和数据隐藏密钥时训练生成器产生隐写内容，从而在不修改载体图像的情况下嵌入秘密信息。该方案在Kerckhoffs原则下确保安全性，因为生成器仅在同时拥有两个输入时才产生有意义的输出，否则产生无意义输出，从而实现了无需失真的密钥与载体依赖的隐写生成。

ABSTRACT

The distortion in steganography comes from the modification or recoding on the cover image during the embedding process. The changes of the cover always leave the steganalyzer with possibility of discriminating. Therefore, we propose to use a cover to send out secret messages without any modification by training the cover image to generate the secret messages. To ensure the security of such a generative scheme, we require the generator to meet Kerckhoffs' principle. Based on above proposal, we propose generative steganography with Kerckhoffs' principle (GSK) in this letter. In GSK, we use a generator based on generative adversarial networks (GAN) to output the secret messages if and only if the data-hiding key and the cover image are both inputted. Without the data-hiding key or the cover image, only meaningless results would be outputted. We detail the framework and the internal structure of GSK. In our training procedures, there are two GANs, Key-GAN and Cover-GAN, designed to work jointly making the generated results under the control of the data-hiding key and the cover image. Experimental results concentrate on the training process and the working performance of GSK which demonstrate that GSK can use any image to realize steganography with Kerckhoffs' principle without any modification.

研究动机与目标

• 解决传统隐写术因嵌入过程中图像修改而导致的可检测失真问题。
• 开发一种载体图像保持不变的隐写系统，消除因修改引起的伪影。
• 通过确保生成器仅在同时提供载体图像和数据隐藏密钥时才生成有意义的隐写内容，实现Kerckhoffs原则下的安全性。
• 设计一种框架，使生成器的输出在模型架构公开的情况下依然可控且安全。

提出的方法

• 该框架采用两个GAN：密钥-GAN和载体-GAN，二者联合训练，以根据数据隐藏密钥和载体图像共同控制生成器的输出。
• 生成器仅在同时输入数据隐藏密钥和载体图像时才产生隐写内容，确保缺少任一输入时输出均无意义。
• 密钥-GAN确保数据隐藏密钥控制内容生成过程，而载体-GAN确保载体图像引导输出的空间与结构特征。
• 生成器被训练为生成与自然图像难以区分的隐写输出，从而最小化隐写分析器的检测能力。
• 密钥-GAN与载体-GAN的联合训练确保生成器输出依赖于两个输入，满足Kerckhoffs原则。
• 系统设计使得即使模型架构公开，只要缺少正确的密钥和载体图像，秘密信息依然安全。

实验结果

研究问题

• RQ1 生成式模型能否在不修改载体图像的情况下生成隐写内容，从而消除与失真相关的检测风险？
• RQ2 如何在基于深度生成模型的隐写系统中强制实施Kerckhoffs原则？
• RQ3 能否训练一个基于GAN的系统，使其仅在同时提供载体图像和秘密密钥时才生成有意义的隐写输出？
• RQ4 该系统在嵌入安全性与输出与自然图像的不可区分性方面表现如何？
• RQ5 密钥-GAN与载体-GAN的联合训练如何提升生成隐写内容的可控性与安全性？

主要发现

• 所提出的GSK框架成功在不修改载体图像的情况下生成隐写内容，彻底消除了嵌入过程中的失真。
• 当同时提供数据隐藏密钥和载体图像时，生成器仅生成有意义的隐写输出，确保在Kerckhoffs原则下的安全性。
• 缺少正确的密钥或载体图像时，生成器仅产生无意义输出，防止未授权访问。
• 密钥-GAN与载体-GAN的联合训练实现了条件生成，兼具可控性与安全性。
• 实验结果证实，GSK实现了无可见失真的安全隐写通信，验证了密钥与载体依赖的生成式隐写术的可行性。
• 该系统与自然图像高度难以区分，显著降低了被隐写分析器检测的风险。