CC BY
0
Защита графической информации в системе управления городским движением от неправомерного использования
А.Н. Земцов, Садек Сажжад Волгоградский государственный технический университет
Аннотация: В работе рассматривается стегоалгоритм с локализацией области встраивания в цветовом пространстве YСbСr для защиты изображений номерной пластины, транспортного средства с разных ракурсов, дорожного события, а также вопросы разработки программной системы, реализующей стегоалгоритм. Защита изображений позволяет эффективно реализовать концепцию многомодального взаимодействия социокиберфизических систем в автомобильной самоорганизующейся сети. Приводятся оценки эффективности разработанного метода.
Ключевые слова: УАКБТ, интеллектуальные транспортные сети, система управления городским движением, стеганография, защита информации, водяной знак.
В последние годы, как следствие интенсивного развития исследований в области самоорганизующихся транспортных сетей, все большее внимание уделяется средствам их защиты [1]. Острота проблемы обеспечения безопасного межсетевого взаимодействия в транспортных сетях связана с интенсивным развитием интеллектуальных методов многомодального взаимодействия социокиберфизических систем [2], в том числе, беспилотных транспортных средств [3], позволяющим, с одной стороны, сделать дорожное движение более эффективным и безопасным [4], а с другой - реализовывать множество атак на взаимодействующие социокиберфизические системы в составе гетерогенных комплексных транспортных сетей [5].
В [6] приводится описание таксономии проблем безопасности самоорганизующихся транспортных сетей УАМЕТ с точки зрения взаимодействия социокиберфизических систем. Одной из актуальных проблем безопасности современных автомобильных самоорганизующихся сетей является борьба с несанкционированным доступом к информации, использующейся для проведения административных и уголовных расследований. Для обнаружения атак в настоящее время предпочтительно использовать методы машинного обучения, которые являются
эффективными инструментами при решении задач подобного рода [7, 8]. С другой стороны, в связи с последовательным введением в отношении Российской Федерации санкций западными странами, необходимо уделять особое внимание вопросам, направленным на разработку отечественного программного обеспечения [9], и импортозамещение иностранного ПО с целью снижения зависимости от компонент иностранного происхождения [10].
Идентификатором транспортного средства выступает номерной знак, а также изображения номерной пластины, транспортного средства с разных ракурсов, дорожного события, фрагменты видеопоследовательностей, связанных с дорожным событием, автоматически передаются для хранения в базе данных, для последующего полного установления всех обстоятельств происшествия. Для защиты подобной информации используются различные средства и методы, которые базируются на криптографических и стеганографических алгоритмах, или их комбинации.
Результаты фото- и видеофиксации дорожных ситуаций могут быть отредактированы с неправомерными целями. В системе управления городским движением для обеспечения санкционированного доступа используются средства криптографической и стеганографической защиты. Защита результатов фото- и видеофиксации осуществляется комбинацией российских криптографических стандартов, а также методами стеганографической защиты [11], и скремблирования [12].
Программная система внедрения цифровых водяных знаков в результаты фото- и видеофиксации представляет собой приложение, спроектированное в соответствии с концепцией каркасного подхода к построению информационных систем. В качестве каркаса клиентского приложения реализовано оконное приложение на основе стандартных библиотек операционной системы. В системе реализована обработка файлов
различных графических форматов, что позволило расширить эксплуатационные возможности. Помимо главной функциональной возможности программной системы, заключающейся в встраивании цифровых данных в результаты фото- и видеофиксации с целью их защиты, реализован собственный специфический графический формат для компактного представления сведений о дорожной ситуации. В тестовом режиме реализован модуль, инкапсулирующий методы и данные, связанные с визуализацией результатов работы алгоритмов для расширения функциональных возможностей системы в будущем.
На рисунке 1 показана диаграмма вариантов использования. Актором является пользователь системы - оператор системы управления городским движением. Основные виды деятельности каждого актора представлены соответствующими вариантами использования. Вариант использования описывает взаимодействия различных подсистем для функционирования системы.
Реализованные алгоритмы обработки и защиты графической выделены в отдельные классы, что позволяет осуществлять их использование в других приложениях системы управления городским движением. Обобщенная структурная схема клиентского приложения системы управления городским движением показана на рисунке 2.
Известно, что система зрения человека более чувствительна к яркости предметов, чем к их цвету. В цветовом пространстве RGB изображение представляется с помощью трех основных цветов с одинаковым разрешением.
Для того, что отобразить результат фото- и видеофиксации дорожной ситуации с большей эффективностью, отделим яркость от цветовой составляющей результата фото- и видеофиксации дорожной ситуации и представим ее с большим разрешением. В цветовом пространстве YCbСг
и
представление результата фото- и видеофиксации дорожной ситуации зададим величиной являющейся компонентой яркости, а также цветоразностными компонентами С и С , которые выражают разность между интенсивностью соответствующего цвета и средней яркостью каждого пиксела изображения.
Рис. 1. - Диаграмма вариантов использования.
Отображение захваченного кадра из цветового пространства R GВ в
цветовое пространство YС^Су представим в виде матрицы преобразования:
0.299 0.587 0.114
0.5 -0.4187 -0.0813 0.1687 -0.3313 0.5
Обратное отображение осуществим умножением вектора Y С^Су на
обратную матрицу преобразования:
Y
С —
С
R 0
G + 128
В 128
R 1 0 1.402 Y
G — 1 -0.34414 -0.71414 • С - 128
В 1 1.772 0 С - 128
Для количественной оценки вносимых методом защиты результатов фото- и видеофиксации воспользуемся пиковым отношением уровня сигнала
М-2552
к уровню шума, определяемым как РБЫЯ = 1 01 од2 —-—2, где М -
число пикселей в изображении, а ? - исходный и обработанный захваченный кадр, соответственно.
Модуль анализа стойкости к атакам
Модуль обработки результатов фото- и видеофиксации
Подмешиваемые данные
Модуль комплексной локализации области встраивания
Модуль криптографических и стеганографических алгоритмов
Модуль извлечения ЦВЗ из контейнера
Основной модуль приложения
Модуль встраивания цВз в контейнер
Модуль визуализации
Модуль сохранения
результата встраивания ЦВЗ в файл фото- и видеофиксации
Маркированный контейнер
Рис.2. - Обобщенная структура клиентского приложения.
Пример преобразования захваченного кадра и изображения пластины номерного знака в цветовое пространство У СЬСГ показан на рисунках 3 и 4, соответственно.
Для каждой компоненты изображения пластины номерного знака вычисляется дискретное вейвлет-преобразование, как показано на рисунке 5., и выбираются три коэффициента С1(и,у) < С2 ( и,р) < С3 (и,р) из трех областей средних и высоких частот. Добавление данных осуществляется
и
методом модуляции индекса квантования, выбор шага квантования
СзСгмЛ-С-.Ггм?)
реализуется путем вычисления выражения-^ ±-•
Рис. 3. - Пример преобразования захваченного кадра в цветовое
пространство УСЪ Сг .
Рис. 4. - Пример преобразования изображения пластины номерного знака в
цветовое пространство УСЬ Сг.
Рис. 5. - Пример вычисления дискретного вейвлет-преобразования для
компоненты Сг.
В таблицах 1-3 приведены примеры различных видов воздействий на изображение пластины номерного знака. Из таблиц видно, что изображение пластины номерного знака более чувствительно к воздействиям, чем изображения транспортного средства, дорожного события, т.к. имеет существенно меньший размер, и любые изменения затрагивают здесь более существенную долю изображения.
Таблица №1
Значения метрик для различных уровней сжатия
Метрики [П351ЕИ1 ПШЕ9 ПДЛИН31
Размер 32640 16320 8128 4032
РБШ 43.437 26.437 26.167 25.136
Таблица №2
Значения метрики для различных уровней размытия
Метрика "*"* "
РБШ 28.115 26.644 24.819 23.190
Таблица №3
Средние значения метрики для различных видов воздействий
Вид воздействия Сжатие Шум Медианная фильтрация Размытие Поворот
РБШ 30.294 26.688 29.425 25.692 41.647
Зависимость пикового отношения сигнала к шуму от весового коэффициента значимости встраивания а показана на рисунке 6. Для изображения с подмешенными данными при а = 0.1 пиковое отношение сигнала к шуму составило 38.72 дБ, что позволяет сделать вывод о том, что искажения, появившиеся в результате защиты материалов фото- и видеофиксации можно считать вполне приемлемыми.
Предложенный подход с локализацией области встраивания в цветовом пространстве УС^ Сг для защиты результатов фото- и видеофиксации, изображений номерной пластины, транспортного средства с разных ракурсов, дорожного события представляется эффективным по критерию уровня вносимых искажений в захваченный кадр. Реализация метода позволяет эффективно реализовать концепцию многомодального взаимодействия социокиберфизических систем в автомобильной самоорганизующейся сети.
0.05 0.10 0.20 0.30 0.40 0.50
а
Рис. 6. - Зависимость PSNR от коэффициента значимости а.
Литература
1. Magsi A.H., Yovita L.V., Ghulam A. A Content Poisoning Attack Detection and Prevention System in Vehicular Named Data Networking // Sustainability, 2023. Vol. 15. p. 10931.
2. Шилов Н.Г., Ермолаев В.И. Методологические основы интеллектуальной поддержки социально-ориентированных решений в гибких транспортных системах // Научный вестник НГТУ, 2016. № 3. С. 59-72.
3. Чичерин И.В. Федосенков Б.А., Сыркин И.С. Концепция управления беспилотными транспортными средствами в условиях открытых горных работ // Известия высших учебных заведений. Горный журнал, 2020. № 8. С. 109-120.
4. Shahverdy M. Driver behavior detection and classification using deep convolutional networks // Expert Systems with Applications, 2020. Vol. 149. p. 113240.
5. Upadhyaya A.N. Attacks on VANET // Int. J. of Computer Eng. and Tech., 2018. Vol. 9. pp. 8-19.
6. Verma A., Saha R., Kumar G. The Security Perspectives of Vehicular Networks: A Taxonomical Analysis of Attacks and Solutions // Applied Sciences, 2021. Vol. 11. p. 4682.
7. Babu M.R. A Survey on Attack Detection Methods for IoT using Machine Learning and Deep Learning // The 3rd Int. Conf. on Signal Proc. and Comm., 2021. pp. 625-630.
8. Ftaimi S., Mazri T. A comparative study of Machine learning algorithms for VANET networks // The 3rd Int. Conf. on Networking, Information Systems & Security (NISS2020), 2020. pp. 1-8.
9. Коршунов Е.А. Автоматизация процессов обслуживания энергетического оборудования с помощью специализированных программных решений // Вестник КГЭУ, 2022. Т. 14. № 1(53). С. 6575.
10.Авдеева И.Л., Ананченкова П.И., Аношина Ю.Ф. Современные управленческие технологии в деятельности бизнес-структур и органов государственной власти. Орел: Среднерусский институт управления, 2022. 360 с.
11.Земцов А.Н., Чан З.Х. Защита графической информации от неправомерного использования маркированием на основе модуляции индекса квантования // Современные наукоемкие технологии, 2023. № 8. С. 20-26.
12.Земцов А.Н., Цыбанов В.Ю. Скремблирование цифровых изображений // Инженерный вестник Дона, 2020. № 6. URL: ivdon.ru/ru/magazine/archive/N6y2020/6503.
M Инженерный вестник Дона, №11 (2023) ivdon.ru/ru/magazine/archive/Nlly2023/8887
References
1. Magsi A.H., Yovita L.V., Ghulam A. Sustainability, 2023. Vol. 15. p. 10931.
2. Shilov N.G., Ermolaev V.I. Nauchnyj vestnik NGTU, 2016. № 3. С. 59-72.
3. Chicherin I.V. Fedosenkov B.A., Syrkin I.S. Izvestiya vysshih uchebnyh zavedenij. Gornyj zhurnal, 2020. Vol. 8. pp. 109-120.
4. Shahverdy M. Expert Systems with Applications, 2020. Vol. 149. p. 113240.
5. Upadhyaya A.N. Int. J. of Computer Eng. and Tech., 2018. Vol. 9. pp. 8-19.
6. Verma A., Saha R., Kumar G. Applied Sciences, 2021. Vol. 11. p. 4682.
7. Babu M.R. The 3rd Int. Conf. on Signal Proc. and Comm., 2021. pp. 625630.
8. Ftaimi S., Mazri T. The 3rd Int. Conf. on Networking, Information Systems & Security, 2020. pp. 1-8.
9. Korshunov E.A. Vestnik KGEU, 2022. Vol. 14. № 1(53). pp. 65-75.
10.Avdeeva I.L., Ananchenkova P.I., Anoshina Yu.F. Sovremennye upravlencheskie tekhnologii v deyatel'nosti biznes-struktur i organov gosudarstvennoj vlasti [Modern management technologies in the activities of business structures and public authorities]. Orel: Srednerusskij institut upravleniya, 2022. 360 p.
11.Zemtsov A.N., Tran D.K. Sovremennye naukoemkie tekhnologii, 2023. № 8. pp. 20-26.
12.Zemtsov A.N., Tsybanov V.Yu. Inzhenernyj vestnik Dona, 2020. № 6. URL : ivdon.ru/ru/magazine/archive/N6y2020/6503.
Дата поступления: 6.11.2023 Дата публикации: 15.12.2023
