20189218 2018-2019-2 《密码与安全新技术专题》第7周做业

20189218 2018-2019-2 《密码与安全新技术专题》第X周做业

课程：《密码与安全新技术专题》

班级： 1892
姓名： 冯乾
学号： 20189218
上课教师：夏超
上课日期：2019年4月9日
必修/选修： 选修

1.本次讲座的学习总结

信息隐藏是指将特定用途的消息隐蔽地藏于其余载体（Cover）中，使得它们难以被发现或者消除，经过可靠提取隐藏的信息，实现隐蔽通讯、内容认证或内容保护功能。信息隐藏的技术手段主要包括水印、可视密码、隐写等。

鲁棒水印

鲁棒水印是重要的数字产权管理与安全标识技术之一， 指将与数字媒体版权或者购买者有关的信息嵌入数字 媒体中，使攻击者难以在载体不遭到显著破坏状况下 消除水印，而受权者能够经过检测水印实现对版权所 有者或者内容购买者等表示信息的认定。

相比于其余隐藏技术，鲁棒水印有如下两个特色：

• 对于覆盖信号所作的改变应该不会被人类的感官察觉到
• 即便随后改变了水印层，也应该能够恢复隐藏的信息

从根本上说，鲁棒水印是对应于全部信息隐藏技术的优点与稳健性与嵌入率权衡的不一样折衷。早在1954年就有了早期的鲁棒水印，20世纪90年代，当娱乐业面临愈来愈多的盗版行为时，技术发展更为迅速。 鲁棒水印已被视为补充传统基于密码学的内容保护的候选技术。

可视密码

可视密码技术是Naor和Shamir于1994年首次提出的，其主要特色是恢复秘密图像时不须要任何复杂的密码学计算，而是以人的视觉便可将秘密图像辨别 出来。其作法是产生n张不具备任何意义的胶片，任取其中t张胶片叠合在一块儿便可还原出隐藏在其中的秘密信息。可视密码方案其实是一种秘密共享方案，即便是一个具备无穷计算能力的攻击者，也不能在拥有的子秘密数量少于一个给定值时得到关于秘密图像的任何信息。

隐写

隐写是基于信息隐藏的隐蔽通讯或者隐蔽存储方法，将秘密消息难以感知地隐藏在内容可公开的载体中，保护保密通讯或者保密存储这些行为事实。

隐写的信息一般用一些传统的方法进行加密，而后用某种方法修改一个“假装文本”（covertext），使其包含被加密过的消息，造成所谓的“隐秘文本”（stegotext）。例如，文字的大小、间距、字体，或者掩饰文本的其余特性能够被修改来包含隐藏的信息。只有接收者知道所使用的隐藏技术，才可以恢复信息，而后对其进行解密。

隐写之LSB嵌入

LSB(The Least Significant Bit)，最低有效位嵌入法，是最简单且最广泛的隐写算法。LSB经过修改图像每一个RGB值的最右位，插入秘密消息，它也使图片的变化不明显，但若是插入的消息太大，它将修改最右两位等等，图片变化可能被注意到。示例以下：

隐写之矩阵嵌入

以最小的嵌入修改数目达到嵌入要传递消息的目的，可提升嵌入效率，即利用较少的嵌入修改嵌入一样数量的秘密消息。 矩阵嵌入方法效率示意：

隐写之自适应隐写

根据构造的嵌入失真函数计算载体图像中元素发生更改所引发的失 真，利用隐写编码控制秘密信息的嵌入位置，在最小化图像整体嵌 入失真的同时保证秘密信息的准确提取。 自适应隐写工做流程以下：

隐写分析

隐写分析（steganalysis）是指在已知或未知嵌入算法的状况下，从观察到的数据检测判断其中是否存在秘密信息，分析数据量的大小和数据嵌入的位置，并最终破解嵌入内容的过程。
隐写分析的发展历程：

1. Li Bin的“Auto-Encoder”，比RichModel还差14%-15% 。
2. Qian系列：系统地提出了“GNCNN”，真正开创了CNN应用于Steganalysis，比RichModel差2%-3%。
3. XuNet系列，第一层卷积层后用了Absolute(ABS)层以利用残差图像符号的对称性，激活函数选取上，部分层用tanh函数。
4. NiJQ最新：YeNet，新结构。
5. XuGuanShuo：Res on J-UNIWARD，新的网络结构，比featur-based method好一点（在low payload时不明显）。

通常性的运用深度学习进行隐写分析的过程以下：

2.学习中遇到的问题及解决

• 问题1：什么是空域图像？
• 问题1解决方案：经傅立叶变换的图像空间称为空域，通过傅立叶变换的图像空间称为频域，图像加强能够在空域内进行，也能够在频域内进行，分别造成空域加强技术和频域加强技术。
• 问题2：鲁棒水印具体指什么？
• 问题2解决方案：　用于版权保护的数字水印通常称为鲁棒水印（Robust Watermarking），利用这种水印技术在多媒体内容的数据中嵌入建立者或全部者的标示信息，或者嵌入购买者的标示（即序列号）。在发生版权纠纷时，建立者或全部者的信息用于标示数据的版权全部者，而序列号用于标示违反协议而为盗版提供多媒体数据的用户。用于版权保护的数字水印要求有很强的鲁棒性，除了要求在通常图象处理（如：滤波、加噪声、替换、压缩等）中生存外，还需能抵抗一些恶意攻击。目前，尚无能十分有效用于实际版权保护的鲁棒水印算法。

3.本次讲座的学习感悟、思考等

信息隐藏这方面的内容在以前的学会或者生活中其实一直被我忽视了，但如今想一想信息隐藏其实占有很重要的地位，有很大的发展空间和应用前景，首先就是版权保护方面，数字水印技术若是能获得有效发展和应用，对于版权法追权十分重要；当今互联网的发展情况不管是云存储仍是各类新媒体的出现都位隐藏信息的传播提供了十分便捷的途径，这也为咱们对有害隐藏信息的检测提出了更高的要求。更广义的信息隐藏，如以前出现过的植入xcode和易语言编译器的后门程序，若是不能被有效检测将带来很大的安全威胁，再好比咱们从网上下载资料，会不会不知不觉就成为了病毒或者违法信息的传播者？

4.隐写分析最新研究现状

科技永远是把双刃剑，信息隐藏技术的发展也对咱们对隐藏信息的检测提出了更高的要求。

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

近年深度神经网络（DNN）最近在许多领域取得了显着的进步。 然而，DNN易受对抗性的例子的攻击，这些例子是具备难以察觉的扰动，所以显著地误导了DNN。 此外，对抗性示例可用于对各类基于DNN的系统进行攻击，即便攻击者没法访问基础模型。目前已经提出了许多防护方法，例如网络的渐变或检测对抗性问题。 然而，这些方法已被证实无效或没法抵抗次要对抗性攻击。本文指出隐写分析能够应用于对抗性实例检测，并提出一种经过估计对抗性攻击引发的几率更改来加强隐写分析特征的方法。实验结果代表，该方法可以准确地检测出对抗性的例子。 此外，因为本文的方法不是基于神经网络而是基于高维人工特征和FLD（Fisher LinearDiscriminant）集合，所以不受次要对抗攻击。实验结果显示，加强方案能够准确地检测各类对抗性攻击，包括C＆W方法。 此外，次级对抗攻击（Carlini和Wagner 2017a）不能直接攻击本文的方法，由于本文的检测模型的结构不是神经网络。

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

现有技术的图像隐写分析方法一般是由富图像模型提供的特征训练的分类器。 因为特征提取和分类步骤都完美地体如今卷积神经网络（CNN）的深度学习架构中，所以有许多不一样的研究尝试设计基于CNN的隐写分析器，或者用于输入图像的空间丰富模型（SRM）和集合分类器（EC）的组合。 本文的方法采用三种隐写空间域算法进行研究：S-UNIWARD，MiPOD和HILL，而且比单独的每种方法都具备更好的检测能力。 因为SRM + EC和CNN仅使用MiPOD进行训练，所以能够将所提出的方法视为盲隐写分析的方法。
因为CNN的TensorFlow实现给出了与S-UNIWARD和HILL的原始Caffe几乎相同的检测性能，本文做者发现了一个与CNN分类性能密切相关的度量。 该度量包括由所考虑的用于输入图像的隐写算法的失真函数ρρ提供的成本矩阵中的全部元素的均值。 本文已经证实，对于S-UNIWARD，后者值ρ，对于S-UNIWARD来讲，CNN没法正确检测图像是覆盖仍是隐写。 幸运的是，CNN和SRM + EC检测错误根据度量函数以不一样方式发展。 经过计算相应曲线的交点，可以定义可靠的标准，容许为输入图像决定什么时候使用CNN或SRM + EC来得到最准确的预测。 考虑到隐写算法S-UNIWARD，HILL和MiPOD所作的实验已经验证了所提出的标准，由于不管嵌入有效载荷值如何，它老是得到改进的检测性能。 这项工做的另外一个贡献是设计了一个对嵌入过程（盲检测）不敏感的隐写分析器。

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

现在，数字图像中隐含的隐写通讯检测器主要包括三个步骤，即差分计算，特征提取和二进制分类。 本文提出了一种基于卷积神经网络（CNN）的数字图像隐写分析的替代方法，该方法被证实可以在统一的框架中很好地复制和优化这些关键步骤，并直接从原始图像中提取分层表示。 本文所提出的CNN具备与传统计算机视觉任务中使用的结构彻底不一样的结构。 使用在空间丰富模型（SRM）中计算差分映射的基本高通滤波器组来初始化所提出的CNN的第一层中的权重，而不是使用随机策略。 为了更好地捕获嵌入信号的结构，一般具备极低的SNR（隐秘信号到图像内容），在本文的CNN模型中采用了称为截断线性单元的新激活函数。 最后，本文经过结合选择通道的知识，进一步提升了所提出的基于CNN的隐写分析仪的性能。 本文使用空间域中的三种最早进的隐写算法，例如WOW，S-UNIWARD和HILL，用于评估模型的有效性。 与SRM及其选择通道感知变体maxSRMd2相比，本文的模型在各类测试算法中实现了针对各类有效载荷的卓越性能。

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

隐写分析已成为网络中一个重要的研究课题，有助于识别公共网络中的隐蔽攻击。随着近两年天然语言处理技术的迅速发展，无掩盖隐写技术获得了极大的发展。 之前的文本隐写分析方法在这种新的隐写术技术上显示出不使人满意的结果，仍然是一个未解决的挑战。 本文提出了一种基于语义分析的文本隐写分析方法（TS-CNN），该方法采用卷积神经网络（CNN）提取文本的高级语义特征，并采用不一样的文本隐写分析方法。 在嵌入秘密信息以前和以后，找出语义空间中的细微分布差别。 为了训练和测试所提出的模型，本文做者收集并发布了一个大型的文本分析（CT-Steg）数据集，其中包含216,000个具备不一样长度和各类嵌入的文本的总数。 实验结果代表，该模型可以实现近100％的精度和召回率，优于以往的全部方法。 此外，所提出的模型能够估计内部隐藏信息的容量。 这些结果代表在嵌入秘密信息以前和以后利用语义空间的微妙变化进行文本隐写分析是可行和有效的。
文中不一样方法的检测结果以下：

Steganalysis of LSB matching using differences between nonadjacent pixels

本文被引次数347次，为2015年来发表的论文中最高的。
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

本文将空间最低有效位（LSB）匹配嵌入的消息建模为覆盖图像的独立噪声，并揭示尽管像素之间距离较大，可是隐藏位平滑了像素灰度值之间差别的直方图。 本文利用差分直方图（DHCF）的特征函数，证实了嵌入消息后DHCF（DHCF COM）的质心减少。 DHCF COM被计算为与具备不一样距离的像素对的区别特征。 经过平均操做生成的图像校准特征，而后用于训练支持向量机（SVM）分类器。 本文实验结果证实，从非相邻像素之间的差别中提取的特征也有助于解决LSB匹配问题。

参考资料

• Robust Watermarking - ResearchGate
• 空域图像
• 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