[论文解读] Spec-ResNet: A General Audio Steganalysis scheme based on Deep Residual Network of Spectrogram

Yanzhen Ren, Dengkai Liu+3 more|arXiv (Cornell University)|Jan 21, 2019

Digital Media Forensic Detection参考文献 37被引用 17

一句话总结

本文提出Spec-ResNet，一种通用的音频隐写分析框架，以频谱图作为输入，利用深度残差神经网络检测AAC和MP3音频在多个嵌入域中的隐写术。通过捕捉多尺度频谱图窗口中的通用隐写分析特征并利用残差学习，该方法实现了最先进的检测准确率，在AAC和MP3Stego方案中均优于现有的手工设计与基于CNN的方法。

ABSTRACT

The widespread application of audio and video communication technology make the compressed audio data flowing over the Internet, and make it become an important carrier for covert communication. There are many steganographic schemes emerged in the mainstream audio compression data, such as AAC and MP3, followed by many steganalysis schemes. However, these steganalysis schemes are only effective in the specific embedded domain. In this paper, a general steganalysis scheme Spec-ResNet (Deep Residual Network of Spectrogram) is proposed to detect the steganography schemes of different embedding domain for AAC and MP3. The basic idea is that the steganographic modification of different embedding domain will all introduce the change of the decoded audio signal. In this paper, the spectrogram, which is the visual representation of the spectrum of frequencies of audio signal, is adopted as the input of the feature network to extract the universal features introduced by steganography schemes; Deep Neural Network Spec-ResNet is well-designed to represent the steganalysis feature; and the features extracted from different spectrogram windows are combined to fully capture the steganalysis features. The experiment results show that the proposed scheme has good detection accuracy and generality. The proposed scheme has better detection accuracy for three different AAC steganographic schemes and MP3Stego than the state-of-arts steganalysis schemes which are based on traditional hand-crafted or CNN-based feature. To the best of our knowledge, the audio steganalysis scheme based on the spectrogram and deep residual network is first proposed in this paper. The method proposed in this paper can be extended to the audio steganalysis of other codec or audio forensics.

研究动机与目标

• 开发一种可泛化的隐写分析框架，能够检测压缩音频格式（如AAC和MP3）中多种嵌入域的隐写术。
• 克服现有隐写分析方法仅在特定嵌入域中有效这一局限性。
• 探索将频谱图作为通用表示形式，以捕捉音频信号中细微的隐写修改。
• 利用深度残差网络，有效从频谱图表示中提取微弱的隐写分析特征。
• 通过不同频谱图窗口尺寸的多尺度特征融合，提升检测准确率。

提出的方法

• 该方法使用频谱图——音频频谱内容的视觉表示——作为深度神经网络的输入，以捕捉压缩音频中的频谱-时间关系。
• 采用深度残差网络（ResNet）学习分层隐写分析特征，缓解深度网络中常见的梯度消失问题。
• 模型处理多种窗口尺寸（N=512, 1024, 2048）的频谱图，以提取多尺度特征，随后进行融合以提升检测性能。
• 在CDB_MP3和SDB_MP3数据集的1500个音频样本的频谱图上进行训练，使用独立的训练集与测试集以避免数据泄露。
• 采用交叉熵损失进行端到端训练，并通过带有学习率衰减的随机梯度下降进行优化。
• 通过组合多个窗口尺寸的预测结果，构建混合分类模型，以增强鲁棒性与准确率。

实验结果

研究问题

• RQ1 频谱图能否作为跨不同音频压缩域检测隐写术的通用特征表示？
• RQ2 深度残差网络能否有效学习压缩音频信号中细微的隐写失真？
• RQ3 与单尺度分析相比，基于频谱图的多尺度特征融合是否能提升隐写分析检测准确率？
• RQ4 在AAC和MP3隐写术方案中，所提出的Spec-ResNet方法在准确率与泛化能力方面与最先进隐写分析方案相比如何？
• RQ5 该方法是否可泛化至其他音频编解码器或超越隐写分析的其他法医学应用场景？

主要发现

• 在MP3Stego上，使用N=1024窗口尺寸的混合模型，Spec-ResNet检测准确率达到0.9993，显著优于Wang [25]（0.9250）和Luo [32]（0.9786）。
• 在AAC隐写术中，Spec-ResNet在三种方案（LSB-EE、MIN、SIGN）上的平均检测准确率为0.8829，超越了先前最先进方法。
• 使用N=1024窗口尺寸的模型在MP3Stego上实现了100%真正例率（TPR）和99.87%真负例率（TNR），表明检测性能接近完美。
• 结合多个窗口尺寸的混合模型达到最高准确率（0.9993），证明了多尺度特征融合的有效性。
• 在AAC的LSB-EE方案中，Spec-ResNet检测准确率达到0.9531，比次佳方法（0.8819）高出超过7个百分点。
• 据作者所知，这是首篇将频谱图与深度残差网络结合用于音频隐写分析的公开发表工作，为该领域建立了新基准。