ステガノグラフィーは、伝達の事実そのものを隠すことによって、情報を密かに伝達する科学です。そして、ステガノグラフィーという言葉自体はギリシャ語から来ています。στεγανός「隠された」+γράφω「私は書く」そして文字通り「秘密の書き込み」を意味します。この分野では、他の多くの分野と同様に、特に近年、機械学習手法、特に生成的敵対ネットワーク（GAN）が普及しています。
次のメニュー：
- ダミーのための伝統的なステガノグラフィー
- GANとは何ですか？彼らは何と一緒に食べられますか？
- では、GANはどのように適用されますか？
- GANの未来：ステガノグラフィーで私たちを待っているのは何ですか？
ダミーのための伝統的なステガノグラフィー
古くから、古典的なステガノグラフィーは、目に見えないインク、チベットの詩など、秘密のコミュニケーションの手段として人々によって使用されてきました。現代のステガノグラフィーは、電子通信とデジタル技術を使用してメッセージを隠します。最新のステゴシステムはすべて、注入アルゴリズムと抽出アルゴリズムの2つの主要コンポーネントで構成されています。したがって、インジェクションアルゴリズムは、秘密メッセージ、秘密鍵、およびメッセージの転送に使用されるコンテナを入力として受け取ります。彼の仕事の結果はステゴメッセージです。
通常、メッセージには、テキスト、画像、音声データなど、何でもかまいません。データの種類ごとに、独自の隠蔽アプローチが開発されています。そのため、テキストステガノグラフィーでは、テキスト内の文字の位置と数に仮定が使用されますが、人を読むときに考慮されません。たとえば、テクニックの1つはフォーマットです。その本質は、1つのスペースがたとえばビット0に対応し、2つのスペースがビット1に対応する場合に、単語間のスペースを増やすことによって行を分割することです。または、ネットワークステガノグラフィでは、隠された情報は、データ転送プロトコルの特性を使用してコンピュータネットワークを介して送信されます。典型的なネットワークステガノグラフィ技術は、ネットワークプロトコルの1つのプロパティを変更することを含みます。将来的には、画像内のステガノグラフィーのみを考慮します。それぞれ、送信されたステゴメッセージをステゴイメージと呼びます。
stegosystemsの詳細
画像ステガノグラフィでは、ステゴ画像を取得するさまざまな方法に従って、3つの異なる基本アーキテクチャが区別されます。
1）画像の変更
ステガノグラフィーには基本的に2種類の修正アプローチがあります。 最初のタイプ は統計モデルのサポートを扱い、 2番目のタイプ は特定の歪み関数を最小化した結果として埋め込みを実装します。
2）画像の選択
画像の選択とは、適切なコンテナを選択することであり、2つの主要なアプローチが含まれます。1つ目は、変更する候補画像を選択することです。この方法では、データベースで変更に適したコンテナを見つける必要があります。これらの方法は画像選択と呼ばれますが、基本的にはいくつかの追加手順を加えた変更です。しかし、将来的には、この方法を独立した方法とは見なしません。別のアプローチは、変更せずにコンテナをステゴイメージとして選択することです。このアプローチでは、メッセージとステゴ画像を照合するためのルールを確立することが重要です。
3）画像合成
3番目の戦略は、画像合成に基づいています。そしてここで私たちのアリス（ステガノグラファー）は必要な情報を含む新しい画像を作成しようとします。リアルな画像の合成は複雑な問題であるため、従来の方法では、テクスチャ や 指紋画像などの「不自然な」画像を作成することで、ステガノグラフィーの問題を解決し ます。
GANとは何ですか？彼らは何と一緒に食べられますか？
生成的敵対ネットワーク（略してGAN）は、2つのニューラルネットワークの組み合わせに基づいて構築された監視されていない機械学習アルゴリズムです。2014年に、それは Googleによって最初に 導入されました。GANシステムでは、ネットワークの1つがパターンを生成し、もう1つが「本物の」パターンを誤ったパターンから区別しようとします。
一連の待ち時間空間変数を使用する生成ネットワークは、常に、いくつかの元のサンプルを混合することによって新しいサンプルを形成しようとします。識別ネットワークDは、本物のサンプルと偽のサンプルを区別するようにトレーニングされています。同時に、その結果は生成ネットワークGの入力に送られるため、潜在的なパラメーターの最適なセットを選択でき、識別ネットワークは本物のサンプルと偽物のサンプルを区別できなくなります。ご覧のとおり、ネットワークGの目標は、ネットワークDのエラーの割合を増やすことであり、ネットワークDの目標は、逆に、認識精度を向上させることです。
GANは、コンピュータービジョンと自然言語処理 （画像とテキストの生成）で優れたアプリケーションを見つけました 。しかし同時に、ステガノグラフィーは免れませんでした。
では、GANはどのように適用されますか？
GAN機能は、さまざまな角度から見ることができます：競争力のあるプレイ、ジェネレーター、または表示機能。それらは、ステガノグラフィーの主な戦略の分類、すなわち修正、合成、および選択と一致しています。
1）画像の変更
GANベースの画像修正は、ステガノグラフとステガナイザーの間の敵対的なゲームに焦点を当てています。このメソッドは、さまざまな「キー」要素を構築するようにトレーニングされたジェネレーターを使用します。3つの主要な戦略があります。
ステゴ画像を作成する
Denis Volkhonsky、Ivan Nazarov、Evgeny Burnaev は 、ステゴ画像を作成するためのジェネレーターの設計を提案しました。このアプローチにより、標準のステガノグラフィアルゴリズムを使用してメッセージを伝達できる、よりステガナリシスに強いステゴメッセージが可能になります。実際、彼らは、ステガナリシスのジェネレーターG、ディスクリミネーターD、分類子Sの3つのネットワークで構成される生成的な敵対ネットワークを提示しました。
S分類子は、現実的な画像が分類された情報を隠すかどうかを決定します。
修正確率マトリックスを作成する
例として 、歪み関数を自動的に学習するASDL-GANがあります。このスキームは、現代のステガノグラフィーの伝統に従って機能し、加法歪み関数を最小限に抑えます。変化確率行列自体は、歪み関数の数学的期待値を最小化することによって得られます。それらのスキームのジェネレータGは、入力画像のPが変化する確率を認識するようにトレーニングされています。
敵対プレイ
3番目の戦略では、3人の参加者（アリス、ボブ、ウェンディ）の間で競争ゲームを直接使用して、修正アルゴリズムを研究します。ステガナリシス分類子をだましてメッセージを非表示にするように画像を変更しようとするADV-EMBメソッド 。
このアプローチでは、「候補画像」のピクセルを2つのグループに分割し、1つのグループのピクセルを変更に使用し、2番目のグループのピクセルを使用してアナライザーに抵抗するための外乱を作成します。
2）画像の選択
GAN選択ステガノグラフィーは、メッセージとステゴ画像の関係を確立することを目的としています。ただし、一部の作品 はこの方向で別々の試みを行っていますが、このトピックに関する情報源は多くありません。
1つのアイデアは、送信者がメッセージと選択した画像の間でジェネレーターを使用して表示タイプを設定することです。受信者の場合、メッセージは選択した画像から直接生成されます。この方法の本質は、コンテナが自然にステゴ画像に変わるように、画像と秘密のメッセージの関係を確立することです。修正操作自体が直接実行されないため、統計的ステガノグラフィック分析は機能しません。
3）画像合成
画像は通常、オーバートレーニングされたジェネレーターで作成され、いくつかの戦略がここで提案されています。
先生と学ぶ
ここでは、 著者はニューラルネットワークを使用して、3人のプレーヤー（アリス、ボブ、イブ）がニューラルネットワークを表す敵対的学習アルゴリズムを研究しています。
アリスはコンテナとシークレットメッセージを使用してステゴイメージを作成し、ボブはメッセージを復元しようとします。Eveは、画像内の秘密メッセージの確率Pを抽出します。同時に、アリスはイブが秘密のメッセージを含む画像を受信する確率が1/2になるバランスを達成しようとします。（つまり、イブはすでに任意に結果を推測しようとしています）。このアルゴリズムは、アリス、ボブ、イブがそれぞれ担当する3つの損失関数を導入します。
教師なしで学ぶ
変更なしのステガノグラフィ
この方法では、 秘密のメッセージがノイズベクトルに変換され、入力としてジェネレータに送信されて、ステゴイメージが作成されます。
まず、ジェネレータGはいくつかのデータセットでトレーニングされます。これにより、リアルな画像を作成できるジェネレーターが作成されます。第2フェーズでは、メッセージ抽出損失関数を使用してエクストラクタEがトレーニングされます。このステップの目標は、生成されたstegoイメージからメッセージを復元することです。
最後のステップでは、送信者がノイズとメッセージの関係を確立し、シークレットメッセージとノイズベクトルがセグメント化されてマッピングが作成されます。受信者はエクストラクタを使用してノイズベクトルを再構築でき、結果のマッピングを使用してシークレットメッセージが取得されます。
WGAN-GPステガノグラフィ
このアプローチでは、 メッセージエクストラクタとステゴイメージジェネレータが同時にトレーニングされます。WGAN-GPは、より高品質のステゴ画像を生成するように適合されています。提案された方法によれば、ジェネレーターGは、ディスクリミネーター（D）およびエクストラクター（E ）。
パートティーチャートレーニング
ACGAN Steganography
部分的なトレーニングを実行するには、タスク固有の補助ネットワークを元のGANに追加する必要があります。 このメソッド は、生成された画像クラスラベルと秘密情報の関係を確立し、クラスラベルとノイズをジェネレータに直接注入して、ステゴ画像を作成します。メッセージ抽出の段階で、ステゴ画像がディスクリミネーターに送られ、秘密情報の断片が取得されます。
限定サンプリングステガノグラフィ
この場合、 メッセージ埋め込み操作が画像選択の問題になります。この記事では、ステゴ画像の作成を、元の画像とステゴ画像の間の距離を最小化する問題と見なしています。
ガーナサイクルを使用したステガノグラフィー
一部の研究者は、ステゴ画像の合成を「画像から画像へ」の変換の問題と見なしています。画像変換の非常に有名なモデルは CycleGANです。このモデルは、敵対的損失関数とループ整合性損失関数を最小化することにより、画像をクラスXからクラスYに変換することを学習します。 この記事で は、CycleGANは情報を隠すためのエンコードプロセスと見なすことができると主張しています。
GANの未来：ステガノグラフィーで私たちを待っているのは何ですか？
GANベースの方法は非常に興味深く、省略形として有望です。このアプローチには現在、3つの主要な開発方向があります。GANの未来：ステガノグラフィーで私たちを待っているのは何ですか？
容量
GAN-CSYなどの方法では、生成されたピクセルが不安定になると、メッセージの取得精度が低下します。他の方法では、メッセージは通常の形式では存在しませんが、カテゴリ属性またはノイズベクトルです。欠点は、既存のメソッドのメッセージに多くの情報が含まれていないことです。したがって、注意が必要な領域の1つは、安定性の向上と送信データの量の増加です。
画質評価
合成画像の品質を定量化することは困難です。画像合成の分野では、生成された画像を評価するための基準は十分に信頼できません。
手動評価を使用するいくつかの方法は主観的であり、評価のための客観的な基準を欠いています。現在の評価基準は、主にIS（インセプションスコア）とFID（フレシェインセプションディスタンス）です。これらの評価では、画像の信頼性と品質のみが考慮されます。したがって、適切な見積もりを見つけることは、依然として重要で未開発の研究ラインです。
ステガナリシス
ステガナリシスのタスクは2つの段階に分かれています。最初の段階は、画像が偽物であるかどうかを示す画像の検査です。2番目のステップは、生成された画像に秘密のメッセージが含まれているかどうかを判断する画像のステガニゼーションです。現在、GANによって生成された画像は、
人間の目には区別できません。従来のステガノグラフィーでは、自然画像と生成画像を区別するために画像を検査する方法がたくさんあります。しかし、将来的には、記述されたアプローチの開発により、画像が生成されたかどうかを判断することが困難になります。したがって、ステガナリシスの効率を高めることは、最も有望な方向性として認識されるべきです。
資料はこの記事に基づいて作成されました 。