20189218 2018-2019-2 《密碼與安全新技術專題》第7周做業

20189218 2018-2019-2 《密碼與安全新技術專題》第X周做業

課程：《密碼與安全新技術專題》

班級： 1892
姓名： 馮乾
學號： 20189218
上課教師：夏超
上課日期：2019年4月9日
必修/選修： 選修

1.本次講座的學習總結

信息隱藏是指將特定用途的消息隱蔽地藏於其餘載體（Cover）中，使得它們難以被發現或者消除，經過可靠提取隱藏的信息，實現隱蔽通訊、內容認證或內容保護功能。信息隱藏的技術手段主要包括水印、可視密碼、隱寫等。

魯棒水印

魯棒水印是重要的數字產權管理與安全標識技術之一， 指將與數字媒體版權或者購買者有關的信息嵌入數字 媒體中，使攻擊者難以在載體不遭到顯著破壞狀況下 消除水印，而受權者能夠經過檢測水印實現對版權所 有者或者內容購買者等表示信息的認定。

相比於其餘隱藏技術，魯棒水印有如下兩個特色：

• 對於覆蓋信號所作的改變應該不會被人類的感官察覺到
• 即便隨後改變了水印層，也應該能夠恢復隱藏的信息

從根本上說，魯棒水印是對應於全部信息隱藏技術的優點與穩健性與嵌入率權衡的不一樣折衷。早在1954年就有了早期的魯棒水印，20世紀90年代，當娛樂業面臨愈來愈多的盜版行爲時，技術發展更爲迅速。 魯棒水印已被視爲補充傳統基於密碼學的內容保護的候選技術。

可視密碼

可視密碼技術是Naor和Shamir於1994年首次提出的，其主要特色是恢復祕密圖像時不須要任何複雜的密碼學計算，而是以人的視覺便可將祕密圖像辨別 出來。其作法是產生n張不具備任何意義的膠片，任取其中t張膠片疊合在一塊兒便可還原出隱藏在其中的祕密信息。可視密碼方案其實是一種祕密共享方案，即便是一個具備無窮計算能力的攻擊者，也不能在擁有的子祕密數量少於一個給定值時得到關於祕密圖像的任何信息。

隱寫

隱寫是基於信息隱藏的隱蔽通訊或者隱蔽存儲方法，將祕密消息難以感知地隱藏在內容可公開的載體中，保護保密通訊或者保密存儲這些行爲事實。

隱寫的信息一般用一些傳統的方法進行加密，而後用某種方法修改一個「假裝文本」（covertext），使其包含被加密過的消息，造成所謂的「隱祕文本」（stegotext）。例如，文字的大小、間距、字體，或者掩飾文本的其餘特性能夠被修改來包含隱藏的信息。只有接收者知道所使用的隱藏技術，纔可以恢復信息，而後對其進行解密。

隱寫之LSB嵌入

LSB(The Least Significant Bit)，最低有效位嵌入法，是最簡單且最廣泛的隱寫算法。LSB經過修改圖像每一個RGB值的最右位，插入祕密消息，它也使圖片的變化不明顯，但若是插入的消息太大，它將修改最右兩位等等，圖片變化可能被注意到。示例以下：

隱寫之矩陣嵌入

以最小的嵌入修改數目達到嵌入要傳遞消息的目的，可提升嵌入效率，即利用較少的嵌入修改嵌入一樣數量的祕密消息。 矩陣嵌入方法效率示意：

隱寫之自適應隱寫

根據構造的嵌入失真函數計算載體圖像中元素髮生更改所引發的失 真，利用隱寫編碼控制祕密信息的嵌入位置，在最小化圖像整體嵌 入失真的同時保證祕密信息的準確提取。 自適應隱寫工做流程以下：

隱寫分析

隱寫分析（steganalysis）是指在已知或未知嵌入算法的狀況下，從觀察到的數據檢測判斷其中是否存在祕密信息，分析數據量的大小和數據嵌入的位置，並最終破解嵌入內容的過程。
隱寫分析的發展歷程：

1. Li Bin的「Auto-Encoder」，比RichModel還差14%-15% 。
2. Qian系列：系統地提出了「GNCNN」，真正開創了CNN應用於Steganalysis，比RichModel差2%-3%。
3. XuNet系列，第一層卷積層後用了Absolute(ABS)層以利用殘差圖像符號的對稱性，激活函數選取上，部分層用tanh函數。
4. NiJQ最新：YeNet，新結構。
5. XuGuanShuo：Res on J-UNIWARD，新的網絡結構，比featur-based method好一點（在low payload時不明顯）。

通常性的運用深度學習進行隱寫分析的過程以下：

2.學習中遇到的問題及解決

• 問題1：什麼是空域圖像？
• 問題1解決方案：經傅立葉變換的圖像空間稱爲空域，通過傅立葉變換的圖像空間稱爲頻域，圖像加強能夠在空域內進行，也能夠在頻域內進行，分別造成空域加強技術和頻域加強技術。
• 問題2：魯棒水印具體指什麼？
• 問題2解決方案：　用於版權保護的數字水印通常稱爲魯棒水印（Robust Watermarking），利用這種水印技術在多媒體內容的數據中嵌入建立者或全部者的標示信息，或者嵌入購買者的標示（即序列號）。在發生版權糾紛時，建立者或全部者的信息用於標示數據的版權全部者，而序列號用於標示違反協議而爲盜版提供多媒體數據的用戶。用於版權保護的數字水印要求有很強的魯棒性，除了要求在通常圖象處理（如：濾波、加噪聲、替換、壓縮等）中生存外，還需能抵抗一些惡意攻擊。目前，尚無能十分有效用於實際版權保護的魯棒水印算法。

3.本次講座的學習感悟、思考等

信息隱藏這方面的內容在以前的學會或者生活中其實一直被我忽視了，但如今想一想信息隱藏其實佔有很重要的地位，有很大的發展空間和應用前景，首先就是版權保護方面，數字水印技術若是能獲得有效發展和應用，對於版權法追權十分重要；當今互聯網的發展情況不管是雲存儲仍是各類新媒體的出現都位隱藏信息的傳播提供了十分便捷的途徑，這也爲咱們對有害隱藏信息的檢測提出了更高的要求。更廣義的信息隱藏，如以前出現過的植入xcode和易語言編譯器的後門程序，若是不能被有效檢測將帶來很大的安全威脅，再好比咱們從網上下載資料，會不會不知不覺就成爲了病毒或者違法信息的傳播者？

4.隱寫分析最新研究現狀

科技永遠是把雙刃劍，信息隱藏技術的發展也對咱們對隱藏信息的檢測提出了更高的要求。

Detection based Defense against Adversarial Examples from the SteganalysisPoint of View

做者信息：

• Jiayang Liu, Weiming Zhang, Yiwei Zhang, Dongdong Hou, Yujia Liu, Hongyue Zha and Nenghai
• YuCAS Key Laboratory of Electromagnetic Space InformationUniversity of
• Science and Technology of China
• Hefei, China

近年深度神經網絡（DNN）最近在許多領域取得了顯着的進步。 然而，DNN易受對抗性的例子的攻擊，這些例子是具備難以察覺的擾動，所以顯著地誤導了DNN。 此外，對抗性示例可用於對各類基於DNN的系統進行攻擊，即便攻擊者沒法訪問基礎模型。目前已經提出了許多防護方法，例如網絡的漸變或檢測對抗性問題。 然而，這些方法已被證實無效或沒法抵抗次要對抗性攻擊。本文指出隱寫分析能夠應用於對抗性實例檢測，並提出一種經過估計對抗性攻擊引發的機率更改來加強隱寫分析特徵的方法。實驗結果代表，該方法可以準確地檢測出對抗性的例子。 此外，因爲本文的方法不是基於神經網絡而是基於高維人工特徵和FLD（Fisher LinearDiscriminant）集合，所以不受次要對抗攻擊。實驗結果顯示，加強方案能夠準確地檢測各類對抗性攻擊，包括C＆W方法。 此外，次級對抗攻擊（Carlini和Wagner 2017a）不能直接攻擊本文的方法，由於本文的檢測模型的結構不是神經網絡。

Improving Blind Steganalysis in Spatial Domain Using a Criterion to Choose the Appropriate Steganalyzer Between CNN and SRM+EC

本文收入32nd IFIP TC 11 International Conference, SEC 2017。
做者信息：

• Jean-Francois CouchotRaphaël CouturierMichel Salomon
• FEMTO-ST Institute, CNRS Univ. Bourgogne Franche-Comt ́e(UBFC),Belfort, France

現有技術的圖像隱寫分析方法一般是由富圖像模型提供的特徵訓練的分類器。 因爲特徵提取和分類步驟都完美地體如今卷積神經網絡（CNN）的深度學習架構中，所以有許多不一樣的研究嘗試設計基於CNN的隱寫分析器，或者用於輸入圖像的空間豐富模型（SRM）和集合分類器（EC）的組合。 本文的方法採用三種隱寫空間域算法進行研究：S-UNIWARD，MiPOD和HILL，而且比單獨的每種方法都具備更好的檢測能力。 因爲SRM + EC和CNN僅使用MiPOD進行訓練，所以能夠將所提出的方法視爲盲隱寫分析的方法。
因爲CNN的TensorFlow實現給出了與S-UNIWARD和HILL的原始Caffe幾乎相同的檢測性能，本文做者發現了一個與CNN分類性能密切相關的度量。 該度量包括由所考慮的用於輸入圖像的隱寫算法的失真函數ρρ提供的成本矩陣中的全部元素的均值。 本文已經證實，對於S-UNIWARD，後者值ρ，對於S-UNIWARD來講，CNN沒法正確檢測圖像是覆蓋仍是隱寫。 幸運的是，CNN和SRM + EC檢測錯誤根據度量函數以不一樣方式發展。 經過計算相應曲線的交點，可以定義可靠的標準，容許爲輸入圖像決定什麼時候使用CNN或SRM + EC來得到最準確的預測。 考慮到隱寫算法S-UNIWARD，HILL和MiPOD所作的實驗已經驗證了所提出的標準，由於不管嵌入有效載荷值如何，它老是得到改進的檢測性能。 這項工做的另外一個貢獻是設計了一個對嵌入過程（盲檢測）不敏感的隱寫分析器。

Deep Learning Hierarchical Representations for Image Steganalysis

本文收入IEEE Transactions on Information Forensics and Security
做者信息：

• Jian Ye
  • Affiliation
  • School of Electronic and Information Technology
  • Sun Yat-Sen University
  • Guangzhou, China
• Jiangqun Ni
  • Also published under: J. Q. Ni
  • Affiliation
  • School of Data and Computer Science
  • Sun Yat-sen University
  • Guangzhou, China
• Yang Yi
  • Affiliation
  • School of Data and Computer Science
  • Sun Yat-Sen University
  • Guangdong, China

現在，數字圖像中隱含的隱寫通訊檢測器主要包括三個步驟，即差分計算，特徵提取和二進制分類。 本文提出了一種基於卷積神經網絡（CNN）的數字圖像隱寫分析的替代方法，該方法被證實可以在統一的框架中很好地複製和優化這些關鍵步驟，並直接從原始圖像中提取分層表示。 本文所提出的CNN具備與傳統計算機視覺任務中使用的結構徹底不一樣的結構。 使用在空間豐富模型（SRM）中計算差分映射的基本高通濾波器組來初始化所提出的CNN的第一層中的權重，而不是使用隨機策略。 爲了更好地捕獲嵌入信號的結構，一般具備極低的SNR（隱祕信號到圖像內容），在本文的CNN模型中採用了稱爲截斷線性單元的新激活函數。 最後，本文經過結合選擇通道的知識，進一步提升了所提出的基於CNN的隱寫分析儀的性能。 本文使用空間域中的三種最早進的隱寫算法，例如WOW，S-UNIWARD和HILL，用於評估模型的有效性。 與SRM及其選擇通道感知變體maxSRMd2相比，本文的模型在各類測試算法中實現了針對各類有效載荷的卓越性能。

TS-CNN: Text Steganalysis from Semantic Space Based on Convolutional Neural Network

本文收入 AAAI2019
做者信息：

• Zhongliang Yang, Nan Wei, Junyi Sheng, Yongfeng Huang, Yu-Jin Zhang
• Department of Electronic Engineering, Tsinghua University, Beijing, 100084, China.
• National Key Laboratory for Novel Software Technology, Nanjing University, Nanjing 210023, China
• College of Software Engineering, Sichuan University, Sichuan, 610065, China.
• E-mail: yangzl15@mails.tsinghua.edu.cn, yfhuang@tsinghua.edu.cn

隱寫分析已成爲網絡中一個重要的研究課題，有助於識別公共網絡中的隱蔽攻擊。隨着近兩年天然語言處理技術的迅速發展，無掩蓋隱寫技術獲得了極大的發展。 之前的文本隱寫分析方法在這種新的隱寫術技術上顯示出不使人滿意的結果，仍然是一個未解決的挑戰。 本文提出了一種基於語義分析的文本隱寫分析方法（TS-CNN），該方法採用卷積神經網絡（CNN）提取文本的高級語義特徵，並採用不一樣的文本隱寫分析方法。 在嵌入祕密信息以前和以後，找出語義空間中的細微分佈差別。 爲了訓練和測試所提出的模型，本文做者收集併發布了一個大型的文本分析（CT-Steg）數據集，其中包含216,000個具備不一樣長度和各類嵌入的文本的總數。 實驗結果代表，該模型可以實現近100％的精度和召回率，優於以往的全部方法。 此外，所提出的模型能夠估計內部隱藏信息的容量。 這些結果代表在嵌入祕密信息以前和以後利用語義空間的微妙變化進行文本隱寫分析是可行和有效的。
文中不一樣方法的檢測結果以下：

Steganalysis of LSB matching using differences between nonadjacent pixels

本文被引次數347次，爲2015年來發表的論文中最高的。
做者信息：

• Zhihua Xia
  • School of Computer & SoftwareNanjing University of Information Science & TechnologyNanjingChina
• Xinhui Wang
  • School of Computer & SoftwareNanjing University of Information Science & TechnologyNanjingChina
• Quansheng Liu
  • UMR6205, LMBA, Campus de TohannicUniversité de Bretagne-SudVannesFrance
• Naixue Xiong
  • School of Computer ScienceColorado Technical UniversityColorado SpringUSA

本文將空間最低有效位（LSB）匹配嵌入的消息建模爲覆蓋圖像的獨立噪聲，並揭示儘管像素之間距離較大，可是隱藏位平滑了像素灰度值之間差別的直方圖。 本文利用差分直方圖（DHCF）的特徵函數，證實了嵌入消息後DHCF（DHCF COM）的質心減少。 DHCF COM被計算爲與具備不一樣距離的像素對的區別特徵。 經過平均操做生成的圖像校準特徵，而後用於訓練支持向量機（SVM）分類器。 本文實驗結果證實，從非相鄰像素之間的差別中提取的特徵也有助於解決LSB匹配問題。

參考資料

• Robust Watermarking - ResearchGate
• 空域圖像
• Detection based Defense against Adversarial Examples from the SteganalysisPoint of View
• Steganalysis of LSB matching using differences between nonadjacent pixels
• TS-CNN: Text Steganalysis from Semantic Space Based on Convolutional Neural Network
• Deep Learning Hierarchical Representations for Image Steganalysis
• Improving Blind Steganalysis in Spatial Domain Using a Criterion to Choose the Appropriate Steganalyzer Between CNN and SRM+EC