Новый высокоточный стегоанализ растровых изображений Текст научной статьи по специальности «Компьютерные и информационные науки»

метода [2], влияние помех на эффективность распознавания скрытых сообщений [3]. Предлагаются различные методы ослабления этого влияния.

ЛИТЕРАТУРА

1. Райхлин В. А., Вершинин И. С. Моделирование процессов двумерно-ассоциативного маскирования распределенных точечных объектов картографии // Нелинейный мир. 2010. №5. С. 288-296.

2. Вершинин И. С. Стойкость ассоциативной защиты распределенных объектов картографии // Нелинейный мир. 2011. №12. С. 822-825.

3. Вершинин И. С., Гибадуллин Р. Ф. Изменение результатов распознавания на множестве замаскированных бинарных матриц при действии аддитивных помех // Вестник КГТУ им. А.Н. Туполева. 2012. №4-1. С. 198-206.

УДК 003.26

НОВЫЙ ВЫСОКОТОЧНЫЙ СТЕГОАНАЛИЗ РАСТРОВЫХ ИЗОБРАЖЕНИЙ1

В. А. Монарев

Предложен новый подход для обнаружения информации в растровых изображениях. Предполагается, что для внедрения информации использовалась либо ±1-стеганография, либо LSB-замещение. Предлагается новый сценарий обнаружения информации, в котором наблюдателю известны пиксели изображения, куда производилось внедрение. Показано, что обнаружение информации возможно уже при 0,001 bpp (“bits per pixel”) внедрении.

Ключевые слова: стегоанализ, стеганография, LSB-внедрение.

Стегоанализ файлов изображений в форматах, не искажающих качество (bmp, pgm, tiff и др.), разделяется на два подхода: количественный (когда метод позволяет определить приблизительное количество внедрённой информации) и обычный (метод определяет факт наличия или отсутствия скрытой информации). К самым известным количественным методам относятся RS [1], simple pairs [2], WS [3], improved WS [4]. Все эти методы позволяют обнаружить скрытую информацию, если она была внедрена с помо-тттью LSB-замещения. Недавно предложен новый количественный стегоанализ, который обнаруживает скрытую информацию в цветных изображениях эффективнее, чем ранее существовавшие методы [6]. Для обнаружения же ± 1-стеганографии используется, как правило, обычный стегоанализ, который фактически производит классификацию изображений, разделяя их на два класса: пустые и непустые [5]. В случае LSB-внедрения возможно эффективно обнаружить до 0,1 bpp, и до 0,01 bpp — в случае LSB-замещения. Для классификации используются стандартные методы SVM и LDA.

В данной работе предполагается, что внедрение скрытой информации производится с помощью либо LSB-внедрения, либо ±1-стеганографии. Предполагается также, что известны пиксели, куда производилось внедрение, но неизвестны содержание и размер внедряемой информации, т. е. имеется устройство, с помощью которого производилось сокрытие информации (ключ для выбора случайных пикселей находится в устройстве). По заданному файлу необходимо определить, могла ли быть в него встроена информация с помощью данного устройства. Метод относится к количествен-

хРабота поддержана грантом РФФИ № 14-01-31484-мол_а.

ным методам. Из полученных экспериментальных результатов следует, что метод позволяет определять наличие информации, если внедрено более 0,001 Ьрр.

Пусть X = {х1, ... , хп}, где xi € {0, 1, ... , 255},— пиксели исходного изображения. Обозначим через Б (У) вектор яраш-характеристик, вычисленный для множества У С X (подробно см. [5]). Обозначим через Ур случайное множество (Ур С X), такое, что |Ур|/|Х| = р. Полагаем также, что обозначение Ур предполагает не только выбор случайного подмножества заданного размера, но и внедрение скрытой информации с помощью ± 1-стеганографии (или ЬБВ-замещения). Обозначим через D(•.•) евклидову метрику; Zp — множество (Zp С X) тех пикселей, куда производилось бы внедрение при внедрении р бит на пиксель.

Алгоритм 1. Оценка количества внедрённой информации

1: Вычисляем Б(X), Б^0,001), Б^0,0015), ..., Б^о,5).

2: Вычисляем по 10 векторов Б(У^), I = 0,... , 9, для каждого значения р = 0,001,

0,0015, ..., 0,5.

3: Находим

arg min =

v

D(S (X ),S (Zp))

d(s(X), £ S(Y')/10

\ i=0

4: Полагаем, что np равно количеству внедрённых бит информации.

Поясним принцип работы алгоритма. Хорошо известно, что spam-характеристики очень чувствительны к ± 1-стеганографии, и если предположить, что мы знаем, куда информация была внедрена, то легко понять, что spam-характеристики этих пикселей отличаются от spam-характеристик случайно выбранных пикселей (Y), если параметр p отличается от искомого параметра (количества внедрённой информации).

Для проверки эффективности метода были взяты 1000 черно-белых изображений с сайта [7]. Рассмотрены три варианта внедрения: 0,001 bpp, 0,005 bpp и 0,01 bpp (±1-стеганография и LSB-замещение). Для каждого из случаев подсчитана минимальная средняя ошибка. Ошибки равны 12, 6 и 4% соответственно для LSB-замещения и 7, 4 и 3% для ± 1-стеганографии. Таким образом, можно сделать вывод, что метод эффективно обнаруживает скрытую информацию для внедрения 0,001 bpp независимо от метода внедрения.

ЛИТЕРАТУРА

1. Fridrich J., Du R., and Long M. Steganalysis of LSB encoding in color images // Proc. ICME 2000, New York City, New York, 2000. V. 3. P. 1279-1282.

2. Dumitrescu S., Wu X., and Wang Z. Detection of LSB steganography via sample pair analysis // LNCS. 2002. V.2578. P. 355-372.

3. Fridrich J. and Gojan M. On estimation of secret message length in LSB steganography in spatial domain // Proc. SPIE, Electronic Imaging, Security, Steganography, and Watermarking of Multimedia Contents VI. San Jose, California, 2004. V. 5306. P. 23-34.

4. Ker A. and Bohme R. Revisiting weighted stego-image steganalysis // Proc. SPIE, Electronic Imaging, Security, Forensics, Steganography, and Watermarking of Multimedia Contents X. San Jose, 2008. V.6819. Doi: 10.1117/12.766820.

5. Pevny T., Bas P., and Fridrich J. Steganalysis by subtractive pixel adjacency matrix // IEEE Trans. Info. Forensics and Security. 2010. V. 5(2). P. 215-224.

6. Монарев В. А. Сдвиговый метод стегоанализа // Вестник СибГУТИ. 2012. №4. С. 62-68.

7. http://bows2.ec-lille.fr/ — The 2nd BOWS Contest (Break Our Watermarking System). 2007.

УДК 621.391.037.372

ОПРЕДЕЛЕНИЕ РАЗМЕРА СТЕГАНОГРАФИЧЕСКОГО СООБЩЕНИЯ В ЦИФРОВЫХ ИЗОБРАЖЕНИЯХ С ИСПОЛЬЗОВАНИЕМ БИНАРНОГО СТЕГОАНАЛИТИЧЕСКОГО КЛАССИФИКАТОРА

Е. В. Разинков, А. Н. Альмеев

Работа посвящена количественному стегоанализу — определению размера сообщения, встроенного в стеганографический контейнер. Предложен подход к определению размера скрытого сообщения с помощью бинарного стегоаналитическо-го классификатора, приведена формула вычисления математического ожидания ошибки стегоаналитика. Задача определения оптимальной стратегии стегоанали-тика сформулирована в виде задачи минимизации.

Ключевые слова: количественный стегоанализ, бинарная классификация.

Помимо задачи обнаружения скрытой информации, одна из актуальных задач, стоящих перед стегоаналитиком, —оценка размера скрытого стеганографического сообщения. Атаки, направленные на определение размера скрытого сообщения, называются количественными. Наилучшие на сегодняшний день методы обнаружения скрытой информации основаны на использовании бинарных универсальных классификаторов [1]. Современные количественные стегоаналитические атаки основываются на модификации этих методов [2].

Интерес представляет непосредственное применение бинарных стегоаналитических классификаторов для оценки размера скрытого сообщения. Разработка метода такого применения бинарного классификатора без модификации и исследование его свойств значительно упростили бы использование новых результатов, получаемых в области бинарной стегоаналитической классификации, в количественном стегоанализе.

Через C обозначим множество цифровых объектов, будем считать, что стегоана-литик располагает бинарным классификатором

Detect : C ^ {0,1},

для каждого цифрового объекта c Е C возвращающего 0, если объект классифицирован как неизменённый контейнер, или 1, если объект классифицирован как стего.

Задача состоит в построении на основе имеющегося бинарного классификатора количественной стегоаналитической атаки

Estimate : C ^ [0; 1],

возвращающей относительный размер скрытого сообщения, встроенного в цифровой объект с Е C, — отношение количества изменённых коэффициентов к общему количеству коэффициентов, доступных для изменения.

Бинарный стегоаналитический классификатор может быть использован для определения размера сообщения в случае, когда стегоаналитик располагает некоторым множеством цифровых объектов, в которые были встроены скрытые сообщения одного размера. Возникновение такой ситуации на практике кажется маловероятным, но