Стеганоаналіз J-UNIWARD

Abstract

Розглянуто проблему виявлення адаптивної стеганографії за методом J-UNIWARD стеганоаналітичними системами на базі машинного навчання. За допомогою порівняльного аналізу точності визначено, що найбільш чутливими до J-UNIWARD є статистичні моделі побудови характеристичних векторів, що формуються у просторовій зоні, GFR, PHARM та DCTR. Запропоновано два способи підвищення точності стеганоаналізу з використанням цих моделей: аналіз найбільш імовірних місцеположень вкраплення; зважене голосування за трьома моделями. Показано, що без попередньої класифікації зображень згідно з їхніми параметрами точність стеганоаналізу суттєво знижується. Отримані результати можна використовувати для побудови ефективних систем стеганоаналізу зображень у форматі JPEG.

Рассмотрена проблема выявления адаптивной стеганографии по методу J-UNIWARD стеганоаналитическими системами на базе машинного обучения. С помощью сравнительного анализа точности определено, что наиболее чувствительны к J-UNIWARD статистические модели построения характеристических векторов, формируемых в пространственной зоне, GFR, PHARM и DCTR. Предложены два способа повышения точности стеганоанализа с использованием этих моделей: анализ наиболее вероятных местоположений внедрения; взвешенное голосование по трем моделям. Показано, что без предварительной классификации изображений согласно их параметрам точность стеганоанализа существенно понижается. Полученные результаты можно использовать для построения эффективных систем стеганоанализа изображений в формате JPEG.

The author analyzes the problem of detecting adaptive steganography by the J-UNIWARD method by steganoanalytical systems based on machine learning. A comparative analysis of the accuracy has determined that statistical models of constructing characteristic vectors that are calculated in the spatial domain, such as GFR, PHARM and DCTR, are most sensitive to J-UNIWARD. Two ways to improve the accuracy of steganoanalysis based on these models are proposed: via the analysis of the most probable embedding locations and via the balanced vote on the three models. Significant degradation of the accuracy of steganoanalysis without preliminary classification of images according to their parameters is demonstrated. The obtained results can be used to generate efficient steganoanalysis systems for JPEG images.