A steganographic method of improved resistance to the Rich model-based analysis

Abstract

This paper addresses the task of developing a steganographic method to hide information, resistant to analysis based on the Rich model (which includes several different submodels), using statistical indicators for the distribution of the pairs of coefficients for a discrete cosine transform (DCT) with different values. This type of analysis implies calculating the number of DCT coefficients pairs, whose coordinates in the frequency domain differ by a fixed quantity (the offset). Based on these values, a classifier is trained for a certain large enough data sample, which, based on the distribution of the DCT coefficients pairs for an individual image, determines the presence of additional information in it. A method based on the preliminary container modification before embedding a message has been proposed to mitigate the probability of hidden message detection. The so-called Generative Adversarial Network (GAN), consisting of two related neural networks, generator and discriminator, was used for the modific tion. The generator creates a modified image based on the original container; the discriminator verifies the degree to which the modified image is close to the preset one and provides feedback for the generator. By using a GAN, based on the original container, such a modified container is generated so that, following the embedding of a known steganographic message, the distribution of DCT coefficients pairs is maximally close to the indicators of the original container. We have simulated the operation of the proposed modification; based on the simulation results, the probabilities have been computed of the proper detection of the hidden information in the container when it was modified and when it was not. The simulation results have shown that the application of the modification based on modern information technologies (such as machine learning and neural networks) could significantly reduce the likelihood of message detection and improve the resistance against a steganographic analysis.

Було розглянуто проблему розробки стеганографiчного метода приховування iнформацiї, стiйкого до аналiзу за моделлю Rich (що включає в себе декiлька рiзних субмоделей) iз використанням статистичних показникiв розподiлу пар коефiцiєнтiв дискретного косинусного перетворення (ДКП) iз рiзними значеннями. Сутнiсть даного виду аналiзу полягає у тому, що обчислюється кiлькiсть пар коефiцiєнтiв ДКП, координати яких у частотнiй областi вiдрiзняються на фiксовану величину (зсув). На основi цих значень для певної достатньо великої вибiрки даних тренується класифiкатор, який на основi розподiлу пар коефiцiєнтiв ДКП окремого зображення визначає наявнiсть додаткової iнформацiї у ньому. Для зменшення ймовiрностi виявлення прихованого повiдомлення запропоновано метод, заснований на попереднiй модифiкацiї контейнеру перед вбудовуванням повiдомлення. Для модифiкацiї було використано так звану генеративну змагальну мережу (ГЗМ), що складається з двох пов’язаних нейронних мереж – генератора та дискримiнатора. Генератор створює модифiковане зображення на основi вихiдного контейнера, а дискримiнатор перевiряє, наскiльки отримане модифiковане зображення близьке до заданого, та надає зворотнiй зв’язок для генератора. За допомогою ГЗМ на основi вихiдного контейнера генерується модифiкований таким чином, щоб пiсля вбудовування вiдомого стеганографiчного повiдомлення розподiл пар коефiцiєнтiв ДКП був максимально наближений до показникiв вихiдного контейнера. Було проведено комп’ютерне моделювання роботи запропонованої модифiкацiї, на основi результатiв моделювання обчислено ймовiрностi вiрного виявлення прихованої iнформацiї у контейнерi при проведеннi його модифiкацiї та за умови її вiдсутностi. Результати моделювання показали, що застосування модифiкацiї, заснованої на сучасних iнформацiйних технологiях (таких, як машинне навчання та нейроннi мережi) дозволяє помiтно зменшити ймовiрнiсть виявлення повiдомлення та пiдвищити стiйкiсть до стеганографiчного аналiзу.