20189221 2018-2019-2 《密碼與安全新技術專題》第四周做業

時間 2019-11-12

標籤密碼與安全新技術專題四周 4周欄目系統安全简体版

原文原文鏈接

20189221 2018-2019-2 《密碼與安全新技術專題》第四周做業

課程：《密碼與安全新技術專題》html

班級： 201892
姓名：郭開世
學號：20189221
上課教師：謝四江
上課日期：2019年4月10日
必修/選修：選修java

1.本次講座的學習總結

講座主題：信息隱藏

信息隱藏是將消息隱蔽的藏於載體中，實現隱蔽通訊，內容認證或內容保護等。python

信息隱藏基本概念
隱寫/隱寫分析的基礎知識、研究進展
CNNs在該領域的應用

信息隱藏技術linux

魯棒水印 RobustWatermaking
可視密碼 Visual Cryptography
隱寫 Steganography

隱寫git

LSB嵌入
矩陣嵌入
自適應隱寫
隱寫分析
高維特徵
隱寫選擇信道

隱寫術是關於信息隱藏，即不讓計劃的接收者以外的任何人知道信息的傳遞事件（而不僅是信息的內容）的一門技巧與科學。隱寫術英文做「Steganography」，來源於約翰尼斯·特里特米烏斯一本看上去是有關黑魔法，其實是講密碼學與隱寫術的一本書Steganographia中。此書書名來源於希臘語，意爲「隱祕書寫」。github

有兩種辦法可用來隱藏明文信息。隱寫術，它能夠隱藏信息的存在；而密碼學則是經過對文本信息的不一樣轉換而實現信息的對外不可讀。算法

在數字隱寫術中，人們一般會使用某種程序將消息或文件嵌入到一個載體文件中，而後把這個載體文件直接傳給接收者或者發佈到網站上供接收者下載。接收者獲取載體文件後，再用一樣的程序把隱藏的消息或文件恢復。有些隱藏程序會使用密碼來保護隱藏消息，還有些程序隱藏程序用密碼保護隱藏消息，有些還加入了密碼隱藏保護。shell

隱寫方法：編程

最經常使用的隱寫修改方法是修改文中一個或者多個字節的最低有效位，基本上就是把0改爲1，或者把1改爲0。這樣修改後生成的圖像就有渲染效果，把這些比特位重組還原後才能夠看到原始的隱藏消息，而人們僅靠視覺或聽覺是不可能發現這些改動的。安全

例如，LSB（最低有效位）修改法：利用24位調色板。調色板中有紅、綠、藍三原色組成，一個原色由8位二進制位表示，即265個色調，三原色混合能夠指定24位圖像中的每一個像素點，如題3.5。而這個是咱們修改每一個字節分組的最低位，圖片在顯示時的區別，肉眼是沒法辨別的，進而能夠達到隱藏數據的目的。如圖3.6和3.7，修改後的每八個字節組的最後一位能夠構成一個字節，表示一個ASCII碼，這是隱藏的數據。相似的原理還可應用在協議通訊隱藏數據、文檔信息隱藏等地方。

隱寫術的優缺點：

須要許多額外的付出來隱藏相對較少的信息。

儘管採用一些諸如上述方案也許頗有效；可是一旦被破解，整個方案就毫無價值。(改進：具體的加入方法由祕鑰決定；先加密再隱寫)

隱寫術適合：通訊雙方寧願內容丟失，也不肯意它們進行祕密通訊的事物被人發現。加密標誌信息也是重要和祕密的，經過它能夠找出想進行消息隱藏的發送方或接收方。

隱寫分析：

數字隱寫分析就是經過隱寫技術或軟件對隱藏的數據進行檢測和取證的過程，可能的話，還會提取出被隱藏的載荷。若是被隱藏的載荷是加過密的，那麼隱寫分析就要對其進行破解。

值得注意的是，使用工具進行隱藏的載體文件都會留下一些與軟件有關的特徵，咱們能夠將這些特徵提取出來並構成特徵庫，進而能夠成文檢測隱寫信息的一個突破口。

這裏主要會採用如下兩個手段：

異常分析：異常分析會用到檢測類似文件的對比技術，若是沒有文件能夠用於對照，還會採用一些分析技術來發現文件的其餘異常特徵。
隱寫分析工具：這些工具具備相同的工做原理：首先檢測文件的某些信息，根據判斷其中包含隱藏內容的，就標記爲可疑文件。而後，將可疑文件寄存起來以便後續進行深度分析；第二步分析環節能夠是半自動半手工的，大多數先進的工具都容許人工查看數據進而分析發現異常特徵。

免費軟件：StegSpy，Stegdetect。

2.學習中遇到的問題及解決

問題1：深刻學習幾種隱寫技術

問題1解決：JPEG圖像格式的Jphide隱寫、LSB隱寫

Jphide隱寫

JPEG圖像

JPEG文件交換格式的JPEG圖片的圖像開始標記SOI（Start of Image）和應用程序保留標記APP0（Application 0），JPEG文件交換格式的JPEG圖片開始前2個字節是圖像開始標記爲0xFFD8，以後2個字節接着即是應用程序保留標記爲0xFFE0，應用程序保留標記APP0包含9個具體字段，這裏介紹前三個字段，第一個字段是數據長度佔2個字節，表示包括本字段但不包括標記代碼的總長度，這裏爲10個字節，第二個字段是標識符佔5個字節0x4A46494600表示「JFIF0」字符串，第三個字段是版本號佔2個字節，這裏是0X0101，表示JFIF的版本號爲1.1，但也可能爲其它數值，從而表明了其它版本號。

隱寫原理
Jphide是基於最低有效位LSB的JPEG格式圖像隱寫算法，使用JPEG圖像做爲載體是由於相比其餘圖像格式更不容易發現隱藏信息，由於JPEG圖像在DCT變換域上進行隱藏比空間域隱藏更難檢測，而且魯棒性更強，同時Blowfish算法有較強的抗統計檢測能力。

因爲JPEG圖像格式使用離散餘弦變換（Discrete Cosine Transform，DCT）函數來壓縮圖像，而這個圖像壓縮方法的核心是：經過識別每一個8×8像素塊中相鄰像素中的重複像素來減小顯示圖像所需的位數，並使用近似估算法下降其冗餘度。所以，咱們能夠把DCT看做一個用於執行壓縮的近似計算方法。由於丟失了部分數據，因此DCT是一種有損壓縮（Loss Compression）技術，但通常不會影響圖像的視覺效果。

隱寫過程
Jphide隱寫過程大體爲：先解壓壓縮JPEG圖像，獲得DCT係數；而後對隱藏信息用戶給定的密碼進行Blowfish加密；再利用Blowfish算法生成僞隨機序列，並據此找到須要改變的DCT係數，將其末位變爲須要隱藏的信息的值。最後把DCT係數從新壓回成JPEG圖片，下面是我的對隱寫過程理解畫出的大體流程圖。

隱寫實現

Stegdetect

實現JPEG圖像Jphide隱寫算法工具備多個，好比由Neils Provos開發經過統計分析技術評估JPEG文件的DCT頻率係數的隱寫工具Stegdetect，它能夠檢測到經過JSteg、JPHide、OutGuess、Invisible Secrets、F五、appendX和Camouflage等這些隱寫工具隱藏的信息，而且還具備基於字典暴力破解密碼方法提取經過Jphide、outguess和jsteg-shell方式嵌入的隱藏信息。

Stegdetect的主要選項：

-q 僅顯示可能包含隱藏內容的圖像。

-n 啓用檢查JPEG文件頭功能，以下降誤報率。若是啓用，全部帶有批註區域的文件將被視爲沒有被嵌入信息。若是JPEG文件的JFIF標識符中的版本號不是1.1，則禁用OutGuess檢測。

-s 修改檢測算法的敏感度，該值的默認值爲1。檢測結果的匹配度與檢測算法的敏感度成正比，算法敏感度的值越大，檢測出的可疑文件包含敏感信息的可能性越大。

-d 打印帶行號的調試信息。

-t 設置要檢測哪些隱寫工具（默認檢測jopi），可設置的選項以下：

j 檢測圖像中的信息是不是用jsteg嵌入的。
o 檢測圖像中的信息是不是用outguess嵌入的。
p 檢測圖像中的信息是不是用jphide嵌入的。
i 檢測圖像中的信息是不是用invisible secrets嵌入的。
-V 顯示軟件版本號。

若是檢測結果顯示該文件可能包含隱藏信息，那麼Stegdetect會在檢測結果後面使用1～3顆星來標識
隱藏信息存在的可能性大小，3顆星表示隱藏信息存在的可能性最大。

JPHS

另外一款JPEG圖像的信息隱藏軟件JPHS，它是由Allan Latham開發設計實如今Windows和Linux系統平臺針對有損壓縮JPEG文件進行信息加密隱藏和探測提取的工具。軟件裏面主要包含了兩個程序JPHIDE和JPSEEK， JPHIDE程序主要是實現將信息文件加密隱藏到JPEG圖像功能，而JPSEEK程序主要實現從用JPHIDE程序加密隱藏獲得的JPEG圖像探測提取信息文件，Windows版本的JPHS裏的JPHSWIN程序具備圖形化操做界面且具有JPHIDE和JPSEEK的功能。Windows可下載JPHS-05 for Windows,同時也提供下載Linux版本。

LSB隱寫

LSB隱寫是最基礎、最簡單的隱寫方法，具備容量大、嵌入速度快、對載體圖像質量影響小的特色。

LSB的大意就是最低比特位隱寫。咱們將深度爲8的BMP圖像，分爲8個二值平面（位平面），咱們將待嵌入的信息（info）直接寫到最低的位平面上。換句話說，若是祕密信息與最低比特位相同，則不改動；若是祕密信息與最低比特位不一樣，則使用祕密信息值代替最低比特位。

python代碼實現：

from PIL import Image
import math
 
class LSB:
    def __init__(self):
        self.im=None
 
    def load_bmp(self,bmp_file):
        self.im=Image.open(bmp_file)
        self.w,self.h=self.im.size
        self.available_info_len=self.w*self.h # 不是絕對可靠的
        print ("Load>> 可嵌入",self.available_info_len,"bits的信息")
 
    def write(self,info):
        """先嵌入信息的長度，而後嵌入信息"""
        info=self._set_info_len(info)
        info_len=len(info)
        info_index=0
        im_index=0
        while True:
            if info_index>=info_len:
                break
            data=info[info_index]
            x,y=self._get_xy(im_index)
            self._write(x,y,data)
            info_index+=1
            im_index+=1
 
    def save(self,filename):
        self.im.save(filename)
 
    def read(self):
        """先讀出信息的長度，而後讀出信息"""
        _len,im_index=self._get_info_len()
        info=[]
        for i in range(im_index,im_index+_len):
            x,y=self._get_xy(i)
            data=self._read(x,y)
            info.append(data)
        return info
 
    #===============================================================#
    def _get_xy(self,l):
        return l%self.w,int(l/self.w)
 
    def _set_info_len(self,info):
        l=int(math.log(self.available_info_len,2))+1
        info_len=[0]*l
        _len=len(info)
        info_len[-len(bin(_len))+2:]=[int(i) for i in bin(_len)[2:]]
        return info_len+info
 
    def _get_info_len(self):
        l=int(math.log(self.w*self.h,2))+1
        len_list=[]
        for i in range(l):
            x,y=self._get_xy(i)
            _d=self._read(x,y)
            len_list.append(str(_d))
        _len=''.join(len_list)
        _len=int(_len,2)
        return _len,l
 
    def _write(self,x,y,data):
        origin=self.im.getpixel((x,y))
        lower_bit=origin%2
        if lower_bit==data:
            pass
        elif (lower_bit,data) == (0,1):
            self.im.putpixel((x,y),origin+1)
        elif (lower_bit,data) == (1,0):
            self.im.putpixel((x,y),origin-1)
 
    def _read(self,x,y):
        data=self.im.getpixel((x,y))
        return data%2
 
if __name__=="__main__":
    lsb=LSB()
    # 寫
    lsb.load_bmp('test.bmp')
    info1=[0,1,0,1,1,0,1,0]
    lsb.write(info1)
    lsb.save('lsb.bmp')
    # 讀
    lsb.load_bmp('lsb.bmp')
    info2=lsb.read()
    print (info2)

問題2：隱寫術的應用

問題2解決：Powload及壓縮包類隱寫

Powload

Powload是經過垃圾郵件發送的惡意軟件，2018年上半年宏觀惡意軟件的上升是由Powload引發的，利用各類技術提供有效載荷，例如信息竊取Emotet，Bebloh和Ursnif。雖然它使用垃圾郵件做爲分發方法多是不變的，但它採用了不一樣的方式來提供有效載荷，從繞過文件預覽模式等緩解措施到使用無文件技術和劫持電子郵件賬戶。

使用隱寫術

在圖像中隱藏代碼，黑客組織使用隱寫技術來檢索他們的後門。漏洞利用工具包使用這種方式來隱藏惡意廣告流量，而其餘威脅使用這種方式來隱藏其命令和控制（C＆C）通訊。

在Powload的案例中，使用隱寫術來檢索包含惡意代碼的圖像。基於趨勢科技分析的Powload變體的代碼提取案例程序，Powload濫用公開可用的腳本（Invoke-PSImage）來建立包含其惡意代碼的圖像。

垃圾郵件中的附件具備嵌入在文檔中的惡意宏代碼，該代碼執行PowerShell腳本，該腳本下載在線託管的圖像。而後處理下載的圖像以獲取隱藏在圖像內的代碼。

壓縮包類隱寫

壓縮包是咱們平常使用當中常常接觸的，常見的格式： .rar .zip .7z

壓縮包是能夠加密的咱們都知道，關於怎麼解密有幾種方法:

爆力破解，俗稱爆破，使用對應的暴力破解軟件，經過軟件的解密算法實現，有時候CTF會出這類的題，根據加密的複雜程度，破解出來的所須要的時間是不同的。
僞加密：經過修改壓縮包的16進制文件中的數據，使壓縮包顯示有密碼（實際上是沒有加密的，這時候爆破一萬年也出不來啊_(:з)∠)_ ）

1.可使用使用ZipCenOp.jar(須要java環境)，在cmd中使用（進入目標目錄下）

命令：java -jar ZipCenOp.jar r xxx.zip

2.使用winRAR的修復（可能很差使）

3.一格zip文件有三個部分組成：壓縮源文件數據區+壓縮源文件目錄區+壓縮源文件目錄結束標誌

這是三個頭標記，主要看第二個

壓縮源文件數據區：50 4B 03 04：這是頭文件標記

壓縮源文件目錄區：

50 4B 01 02：目錄中文件文件頭標記

3F 00：壓縮使用的 pkware 版本
14 00：解壓文件所需 pkware 版本
00 00：全局方式位標記（有無加密，這個更改這裏進行僞加密，改成09 00打開就會提示有密碼了）
明文攻擊（軟件Advanced Zip Password Recovery）所謂明文攻擊就是已經經過其餘手段知道zip加密文件中的某些內容，好比在某些網站上發現它的readme.txt文件，或者其餘文件，這時就能夠嘗試破解了

3.本次講座的學習感悟、思考等

夏超老師在講座的最後給了咱們四點建議：

看好論文（頂會）
學好英語（寫做、據說）
練好編程（工做、科研、GitHub）
放好心態（運氣）

去年9月爲期一週的入學教育中，基本上每一個老師都對咱們提出了相似的要求，研一即將結束，對這些建議的感覺又多了幾分。

歸根結底，我即將成爲一名IT從業者，即便是成爲公務員，也同樣是技術型崗位，學術能力及項目能力是基礎能力也是選擇的底氣。在近一週對本身的反思中，驚覺本身以前將路越走越窄，失了許多日常心與選擇自由。

夏老師的這幾點建議，確是肺腑之言，更多的是以研究生師兄的身份給咱們這些後來者提出的建議。

我將無我，奮鬥終身。

4.隱寫技術及隱寫分析的研究現狀

由於對隱寫技術不夠了解，因此閱讀的論文集中於夏老師上課介紹的行業大牛Jessica Fridrich

Jessica Fridrich是賓厄姆頓大學電子與計算機工程系的教授，專門研究數字水印和取證。[2][3][1]她於1987年得到布拉格捷克技術大學應用數學碩士學位，1995年得到賓厄姆頓大學系統科學博士學位。[2]

傑西卡弗里德里希傑出教授

紐約州立大學賓漢姆頓
*電氣與計算機工程系T. J. Watson應用科學與工程學院賓厄姆頓，紐約州13902-6000 **

電話：（607）777-6177

傳真：（607）777-4464

網址：http：//www.ws.binghamton .edu / fridrich

期刊和會議出版物
我的簡歷
研究代碼
當前和過去的研究項目
媒體

Deep Residual Network for Steganalysis of Digital Images

做者：Mehdi Boroumand ; Mo Chen; Jessica Fridrich

投稿：IEEE Transactions on Information Forensics and Security (Volume: 14 , Issue: 5 , May 2019 )

年份：24 September 2018

主題：SRNet用於圖像隱寫分析

構建爲深度卷積神經網絡的隱寫檢測器已經確立了優於先前檢測範式 - 基於富媒體模型的分類器。然而，現有的網絡體系結構仍然包含手工設計的元素，例如固定或約束卷積核，內核的啓發式初始化，模擬豐富模型中截斷的閾值線性單元，特徵映射的量化以及JPEG階段的感知。在這項工做中，做者描述了一種深度剩餘架構，旨在最大限度地減小啓發式和外部強制元素的使用，由於它爲空間域和JPEG隱寫術提供了最早進的檢測精度。所提出的架構的關鍵部分是探測器的顯着擴展的前部，其「計算噪聲殘餘」，其中已經禁用合併以防止對隱祕信號的抑制。大量實驗代表，該網絡的卓越性能獲得了顯着改善，尤爲是在JPEG領域。經過將選擇信道提供爲第二信道，觀察到進一步的性能提高。

一個乾淨的端到端設計，可用於更普遍的應用，而且能夠很好地用於空間和JPEG域中的隱寫分析。做者讓本身受到深度學習的最新進展以及至關通常的原則和看法的指導，以最大限度地減小外部強制約束或啓發式的使用。初始化爲SRM濾波器或DCT基站的固定或約束的預處理內核或內核實際上可能對總體網絡性能有害，這取決於隱祕信號的特性。高通濾波器，例如流行的KV濾波器，抑制由JPEG隱寫術引入的大部分隱祕信號，由於嵌入修改應用於量化DCT係數。做者在第一卷積層中引入了額外的固定濾波器，以改進JPEG隱寫術的檢測。然而，理想狀況下，最好的過濾器也應該被學習而不是強制執行，由於手工設計的過濾器或非隨機內核初始化不太多是所選架構的最佳選擇。

總體設計由四種不一樣類型的層組成，其中兩層涉及殘留捷徑，以改善收斂性並幫助學習深層網絡上層的參數，這一般是最難學的。在功能上，網絡由三個串聯鏈接的段組成 - 前段，其做用是學習有效的「噪聲殘差」，中間段使特徵圖緊湊，最後一段是簡單的線性分類器。前段由七層組成，其中聚集已被禁用以防止因爲在平均合併期間對特徵圖中的相鄰樣本求平均而抑制隱祕信號。因爲平均合併是一個低通濾波器，它經過平均相鄰的嵌入變化來加強內容並抑制相似噪聲的隱祕信號。雖然這在用於分類內容的典型計算機視覺應用中是指望的，可是對於隱寫分析是有害的，其中感興趣的信號是隱祕噪聲而「噪聲」是圖像內容。在這種洞察力的指導下，SRNet直到第8層才使用聚集，以免下降隱祕信號的能量，並容許其針對各類類型的選擇信道和隱寫嵌入變化優化噪聲殘差提取過程。

SRNet中的全部過濾器都是經過端到端的培訓過程隨機初始化和學習的。這容許網絡適應更多種類的隱祕信號，由於嵌入變化之間的極性和依賴性在不一樣的隱寫方法尤爲是域之間顯着變化。嵌入經過最小化加性失真的空間域嵌入方法引入的修改.

1）激活：除了ReLU，做者還嘗試了TanH激活，泄漏的ReLU，ELU [11]和SELU [36]，但它們沒有帶來任何性能提高。爲避免額外的複雜性並以簡單性爲指導，做者爲網絡中的全部激活功能選擇了ReLU。

請注意，在快捷方式鏈接後，類型2和3的圖層不使用ReLU。雖然原始殘留網絡[26]，[27]在添加快捷鏈接後確實包含了ReLU，但刪除了這些激活後，做者觀察到檢測精度高達1％的小增益。
2）剩餘快捷方式：爲了評估SRNet中快捷鏈接的重要性，做者將它們從類型2和3的層中移除，並觀察了檢測準確度的變化。例如，對於0.1和0.2 bpp的HILL，分類精度的損失約爲0.5％，對於J-UNIWARD，0.4bpzzac，質量因子95，損失爲1.5％。雖然這些狀況下的性能仍然具備競爭力，但檢測能力的損失隨着類別可分離性的下降而增長，例如，對於小有效載荷和較大的JPEG質量。
3）密集鏈接和開始：引入了深度學習中的密集鏈接，其目標與殘留層相似 - 有助於梯度傳播和收斂，特徵重用，以及減小要學習的參數數量[32]。做者調查了SRNet第二部分中引入的密集鏈接的影響 - 未解密的第3-7層。在嵌入算法HILL和S-UNIWARD爲0.4 bpp的實驗中，具備密集鏈接的SRNet沒有像具備殘餘鏈接的SRNet那樣提供統計上顯着更好的結果（統計顯着性是基於檢測到的快照的檢測精度的統計分佈來評估的對於最終的探測器）。可是，密集鏈接可能比SRNet對更深層的體系結構產生更大的影響。

「開始」背後的主要思想是每一個層鏈接不一樣大小的濾波器的輸出，這令人聯想到融合圖像處理中的多分辨率表示[51]。SRNet中的類型3層（參見圖1）總結了有效的輸出[ 數學處理錯誤] 在主分支中過濾（就感覺野而言）和a [ 數學處理錯誤] 過濾器（快捷方式分支）。做者爲此圖層類型添加了一個額外的分支[ 數學處理錯誤] 過濾器後跟批量標準化。這須要架構中的其餘更改以使修改後的SRNet適合GPU內存 - 做者將類型3層中的要素圖數量減小到一半。以這種方式修改的SRNet在HILL和S-UNIWARD上測得的檢測精度略差（0.5-1％），測試值爲0.4 bpp。因爲GPU內存有限，對SRNet內的初始模塊的正確研究須要進行全面的研究，這超出了本文的範圍。
4）未組合的圖層：做者如今評論未聚合層的數量及其對檢測的影響。將數量從7減小到6或5，同時保持架構的其他部分不變會致使精度的小幅度逐漸下降。例如，對於0.4-bpnzac的J-UNIWARD（每非零AC DCT係數的比特）和JPEG質量75，檢測錯誤[ 數學處理錯誤] 當未散化層的數量從7變爲5和4時，從0.0670增長到0.0701和0.0748。隨着有效載荷的減小，這種損失此外，做者觀察到這種損失一般在空間域中較小而在JPEG域中較大。在兩個域中的測試算法中，檢測精度趨向於在5-6個未計算的層處平穩。做者在做者提出的設計中選擇了7個，以免對更多樣化的封面和隱祕來源的潛在檢測丟失。

爲了評估在1-7層中禁用池的重要性，做者進行了其餘實驗，其中在第7,6,5和4層逐步啓用了池。請注意，啓用多於四層的池將須要從中刪除層第3組由於輸出圖層以前的要素圖的大小減少了 [ 數學處理錯誤] 至 [ 數學處理錯誤] ，最終 [ 數學處理錯誤] 在四層中啓用池時。

對0.4bpp的HILL和0.4bpzzac的J-UNIWARD進行實驗以覆蓋兩個嵌入結構域。經過在第7層中啓用平均池，從第7層開始，HILL的檢測偏差從0.1414（使用原始SRNet）迅速增長到0.1528,0.1823,0.2202和0.3697。對於J-UNIWARD，檢測偏差從0.0670增長到0.0755,0.0886,0.1263和0.1710。
5）過濾器數量：第一層中的濾波器數量的影響在JPEG域中比在空間域中具備更大的影響。雖然檢測錯誤，[ 數學處理錯誤] ，對於0.4 bpp的HILL，在第一層僅使用32和16個濾波器而不是64個（對於64,32和16個濾波器爲0.1414,0.1432和0.1438）時，可忽略不計，J-UNIWARD爲0.1 bpzzac，JPEG質量爲75 ，將過濾器的數量從64減小到32致使增長 [ 數學處理錯誤] 大約1％。增長超過64的過濾器數量彷佛不會致使檢測方面的任何改進。
6）優化器：最後，做者嘗試了幾個優化器，包括AdaDelta [66]，Adam [35]，Adamax [35]和一個簡單的隨機梯度降低[23，Ch。8.3.1，第286-288頁]。最後，做者選擇了Adamax，由於它提供了最可靠和最快速的融合。

Applications of Explicit Non-Linear Feature Maps in Steganalysis

做者：Mehdi Boroumand ; Jessica Fridrich

投稿：IEEE Transactions on Information Forensics and Security (Volume: 13 , Issue: 4 , April 2018 )

年份： 25 October 2017

主題：內容自適應圖像隱寫檢測器

本論文描述了一種經過在訓練低複雜度分類器/迴歸器以前轉換特徵來提升檢測器性能的簡單方法。該方法借鑑了文獻中提出的近似半正定核的近似進展。該映射源自對稱的Ali-Silvey距離（核）並使用Nyström近似估計。該方法經過分別爲每一個子模型學習變換來應用於豐富模型，以便保持較低的計算複雜度。須要一小組固定的覆蓋特徵來訓練變換，這僅取決於少數覆蓋特徵而不依賴於隱寫方案或嵌入的有效載荷。

與集合分類器相結合，對於具備用於灰度圖像的選擇通道感知maxSRMd2特徵的二元分類器以及用於彩色圖像的隱寫分析的Spatio-Color Rich模型，觀察到2-4％的檢測精度的一致增益。對於定量檢測器（有效載荷迴歸器），以MSE估計測量的有效載荷大小估計的統計分佈的減小的增益在線性迴歸器的範圍爲18-28％，對於迴歸樹爲8-17％。

所提出的方法經過簡單地保留較少的變換維度，天然有助於無監督降維。特別地，可使富描述符緊湊10倍而不會丟失原始（未變換的）特徵向量的檢測性能。對於定量檢測器，能夠將特徵壓縮60％，同時進一步下降有效載荷估計的統計分佈。這種降維可能對無監督的通用隱寫分析探測器有用。

四種隱寫方案的線性迴歸和迴歸樹的平均絕對和均方偏差，具備SRMQ1，其平方根版本，以及在BOSSbase上使用指數Hellinger內核進行轉換後

Practical strategies for content-adaptive batch steganography and pooled steganalysis

做者：Rémi Cogranne; Vahid Sedighi; Jessica Fridrich

投稿：2017 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)

年份： 19 June 2017

主題：內容自適應隱寫術在圖像上分配有效載荷

論文研究了內容自適應批量隱寫和聚集隱寫分析的問題，這是一個無所不知的Warden，意識到有效載荷傳播策略，並配備了單一圖像檢測器，做爲封面和隱祕源之間的分類器。經過對單圖像檢測器的輸出採用統計模型，咱們推導出最優合併函數做爲匹配濾波器形式的似然比，而且其近似值在實踐中可實現。咱們還考慮了幾種能夠在實踐中有效實施並進行測試的批量策略，以及最早進的隱寫術的聚集策略，爲隱寫術的實踐者以及隱寫者繪製了許多有趣的結論

使用ROC曲線評估S-UNIWARD的批策略和聚集方法 [R¯¯¯¯= 0.2 BPP：

三種提議的批次策略中基於BOSS的圖像的有效載荷大小的經驗分佈：

Steganography with two JPEGs of the same scene

做者：Tomáš Denemark; Jessica Fridrich

投稿：2017 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)

年份：5-9 March 2017

主題：同一場景的兩個JPEG圖像形式的替代形式的邊信

在本文中，做者使用JPEG格式採集的多個圖像，由於咱們指望量化DCT係數對於採集期間的小缺陷天然更加魯棒。因爲咱們的目的是設計一種實用的方法，做者避免了模擬採集之間差別的困難且可能很是耗時的任務，而且即便只有兩個圖像可用，寄件人。特別是，做者調整了J-UNIWARD的嵌入成本[7]基於從同一場景的兩個JPEG圖像推斷的優選方向。該方法在使用安裝有三腳架的數碼相機得到的實際屢次曝光中進行測試。所提出的嵌入兩個JPEG圖像比僅有一個JPEG可供隱寫者使用時更安全。

做者用相同場景的第二個JPEG圖像的形式在發送者處研究帶有邊信息的隱寫術，用於推斷隱寫嵌入變化的首選方向。經過減小（調製）這種優選變化的嵌入成本，將該信息結合到嵌入算法中。實際屢次採集的實驗顯示，對於具備單個覆蓋圖像的隱寫術（J-UNIWARD），經驗安全性顯着增長。經驗安全性的提高彷佛對兩次採集之間的微小差別至關不敏感，這使得所提出的方法實用而且開啓了使用手持相機得到的屢次曝光或從短視頻剪輯獲取屢次曝光的可能性。

因爲採集噪聲幅度取決於亮度，所以能夠經過優化每一個DCT模式的嵌入成本調製，量化步長和DCT塊的平均灰度來進一步改進。最後，咱們計劃研究如何利用兩個以上（量化和非量化）的收購。

Steganography With Multiple JPEG Images of the Same Scene

做者：Tomáš Denemark; Jessica Fridrich

投稿： IEEE Transactions on Information Forensics and Security (Volume: 12 , Issue: 10 , Oct. 2017 )

年份：18 May 2017

主題：具備多個JPEG的隱寫術

目前，大多數側知方案利用高質量的「預先」圖像，該圖像隨後被處理，而後聯合量化並嵌入祕密。在本文中，咱們研究了另外一種形式的輔助信息 - 一組同一場景的多個JPEG圖像 - 當發送者沒法訪問預備時。附加的JPEG圖像用於肯定嵌入變化的優選極性，以調製在現有嵌入方案中改變各個DCT係數的成本。利用合成的採集噪聲和使用安裝在三腳架上的手持式數碼相機得到的實際屢次採集對真實圖像的測試顯示出對於利用單個JPEG圖像的隱寫術的經驗安全性的至關顯着的改進。使用蒙特卡羅模擬，經過顯示定性相同的調製最小化覆蓋的量化廣義高斯模型和由AWG採集噪聲破壞的隱祕DCT係數之間的Bhattacharyya距離來證實所提出的經驗肯定的嵌入成本調製是合理的。

簡要概述了現有的側知隱寫術，並提供了高質量的預備。在第IV節中，描述了在發送方使用兩個或更多JPEG圖像的新隱寫方法。從現有基於成本的JPEG隱寫術的嵌入成本開始，基於從同一場景的第二JPEG圖像推導出的優選方向來調製它們。首先對第B部分中的模擬採集噪聲對BOSSbase圖像進行測試，以便在理想狀況下經過簡單的採集噪聲來查看增益。爲了深刻了解擬議方案在現實條件下的安全性，請參閱第六節做者描述了兩個名爲BURSTbase和BURSTbaseH的新數據集，分別用三腳架安裝和手持數碼相機得到圖像。有證據代表BURSTbase中兩個最接近的曝光之間的差別是因爲異方差的採集噪聲。在第七節中，做者首先報告了BURSTbase上J-UNIWARD成本的實驗結果跨越普遍的質量因素和有效載荷，並與J-UNIWARD和SI-UNIWARD造成對比，僅使用單個JPEG圖像和與其餘類型的邊信息的比較來查看增益。做者還研究了安全性增益如何隨着曝光之間的差別增長而下降。本節繼續在J-UNIWARD和UED-JC上使用手持攝像頭對BURSTbaseH圖像進行實驗總結。雖然安全性增益小於BURSTbase，但當隱寫員拒毫不良突發時，仍然能夠經過單個JPEG的隱寫術觀察到顯着的安全性增益。最後，附錄包含解釋實驗肯定的成本調整的形狀的分析。該文件在第八節中得出結論。

最佳調製因子 m （Q ）做爲JPEG品質因數的函數 Q 。左圖：帶有模擬採集噪聲的BOSSbase 1.01圖像。右：BURSTbase。