[论文解读] Real-Time Steganalysis for Stream Media Based on Multi-channel Convolutional Sliding Windows

Zhongliang Yang, Hao Yang+3 more|arXiv (Cornell University)|Feb 4, 2019

Advanced Steganography and Watermarking Techniques参考文献 184被引用 5

一句话总结

本文提出一种基于多通道卷积滑动窗口（CSW）的实时VoIP隐写分析方法，用于检测流式语音信号中的低速率隐写。通过结合使用双特征提取通道与滑动窗口处理的卷积神经网络（CNN），该模型在低嵌入速率下实现了最先进（SOTA）的检测性能，并具备接近实时的处理效率，在准确率与速度方面均优于先前方法。

ABSTRACT

Previous VoIP steganalysis methods face great challenges in detecting speech signals at low embedding rates, and they are also generally difficult to perform real-time detection, making them hard to truly maintain cyberspace security. To solve these two challenges, in this paper, combined with the sliding window detection algorithm and Convolution Neural Network we propose a real-time VoIP steganalysis method which based on multi-channel convolution sliding windows. In order to analyze the correlations between frames and different neighborhood frames in a VoIP signal, we define multi channel sliding detection windows. Within each sliding window, we design two feature extraction channels which contain multiple convolution layers with multiple convolution kernels each layer to extract correlation features of the input signal. Then based on these extracted features, we use a forward fully connected network for feature fusion. Finally, by analyzing the statistical distribution of these features, the discriminator will determine whether the input speech signal contains covert information or not.We designed several experiments to test the proposed model's detection ability under various conditions, including different embedding rates, different speech length, etc. Experimental results showed that the proposed model outperforms all the previous methods, especially in the case of low embedding rate, which showed state-of-the-art performance. In addition, we also tested the detection efficiency of the proposed model, and the results showed that it can achieve almost real-time detection of VoIP speech signals.

研究动机与目标

• 解决在VoIP流中检测低速率隐写的挑战，因为现有方法在准确性方面表现不佳。
• 克服以往隐写分析模型因计算成本过高而无法支持实时检测的低效问题。
• 开发一种能有效捕捉流式音频中帧间相关性的方法，以提升检测的鲁棒性。
• 实现在真实VoIP通信环境中隐写分析的实用化部署。
• 在保持低延迟的同时实现高检测准确率，以支持在线处理。

提出的方法

• 采用多通道卷积滑动窗口（CSW）框架，分析VoIP信号中帧之间的时序相关性。
• 在每个滑动窗口内设计两条并行的CNN分支：一条用于提取低级特征，另一条用于提取高级特征，每层使用多个卷积核。
• 使用全连接网络融合来自两条通道的提取特征，以提升表征学习能力。
• 对融合后的特征进行统计分析，训练一个判别器以区分信号是纯净的还是隐写后的。
• 采用滑动窗口方法实时处理连续的VoIP流，实现在线检测。
• 通过批量提取每窗口内的帧间相关性，减少迭代处理开销，从而优化计算效率。

实验结果

研究问题

• RQ1 基于深度学习的隐写分析模型能否在低嵌入速率下对VoIP信号实现高检测准确率？
• RQ2 在处理连续流式音频时，所提出的方法能否保持实时性能？
• RQ3 与逐帧处理或单通道方法相比，多通道卷积滑动窗口设计如何提升特征提取能力？
• RQ4 在AUC和检测延迟方面，该模型与先前最先进方法相比存在多大性能差距？
• RQ5 当语音信号长度和嵌入速率变化时，该模型的可扩展性如何？

主要发现

• 所提出的CSW模型在检测VoIP隐写方面实现了最先进性能，尤其在低嵌入速率下（例如10%–30%）表现优异，全面超越所有先前方法。
• 在0.1秒语音片段长度与10%嵌入速率下，模型AUC达到0.733，显著高于竞争方法。
• 在10秒片段与40%嵌入速率下，模型AUC达到0.992，表明在高比率条件下仍具备强大的检测能力。
• 与RNN-SM模型相比，该模型在10秒片段下的检测时间减少超过13倍，延迟仅为2.876ms ± 0.784ms。
• 检测时间随语音长度线性增长，但增速远低于RNN-SM，证实其具备更优的可扩展性与实时处理能力。
• 即使在极短片段（0.1秒）与低嵌入速率下，模型仍保持高性能，而此前方法在此类条件下失效，充分证明了其实际可行性。