СИСТЕМЫ АНАЛИЗА И ОБРАБОТКИ ДАННЫХ

Цифровые изображения – графики, схемы, модели, чертежи, фотографии, логотипы и прочее – встречаются ежедневно во всех сферах деятельности человека. Ежедневно в сети Интернет миллионы людей обмениваются изображениями, не подозревая о возможном секретном содержимом, скрытом в файле от человеческого глаза. Стеганография – наука о способах передачи и хранения информации, обеспечивающих сокрытие наличия этой информации в некотором сигнале, предоставляет различные методы сокрытия данных в цифровых изображениях [1].

С целью обнаружения факта наличия секретных вложений в цифровых файлах применяются методы стегоанализа, представляющего собой науку о способах выявления фактов наличия скрытых сообщений в цифровых объектах. Ежегодно появляются новые методы встраивания информации, отличающиеся большей емкостью и незаметностью для человеческого глаза. Однако авторы нечасто приводят исследования по устойчивости метода к стегоанализу. В работах, где встречаются эксперименты по устойчивости к стегоанализу, преимущественно применяется один метод классификации, выбор которого не обоснован экспериментально. Исследование устойчивости перед различными методами стегоанализа и разными классификаторами позволит изучить метод с разных сторон и повысить устойчивость встраивания.

В работе рассмотрены известные работы по стегоанализу с использованием методов машинного обучения. Приведены эксперименты с различными методами классификации и их вариациями с целью их сравнения и выявления подходящих классификаторов.

1. Коханович Г.Ф., Пузыренко А.Ю.Компьютерная стеганография:теория и практика. –Киев: МК-Пресс, 2006. – 288 с.

2. A steganalysis method in the DCT domain / M. Jia-Fa, N. XinXin, X. Gang, Sh. Wei-Guo, Zh. Na-Na //MultimediaToolsandApplications. – 2016. – N 75 (10). – P. 5999–6019.

3. Шумская О.О.МетодстегоанализаJPEG-изображений на основе энергетических признаков в частотной области //Научная сессия ТУСУР-2017: материалы международной научно-технической конференции студентов, аспирантов и молодых ученых. – Томск, 2017. – Ч. 6. – С. 41–44.

4. Fridrich J. Feature-based steganalysisfor JPEG images and its Implications for future design of steganographic schemes // Information Hiding: 6th International Workshop, IH 2004. – Toronto, 2004. – P. 67–81.– (Lecture Notes in Computer Science; vol. 3200).

5. Alpha-trimmed image estimation for JPEG steganography detection / M.-C. Chen, S.S. Agaian, C.L.P. Chen, B.M. Rodriguez// 2009 IEEE International Conference on Systems, Man, and Cybernetics. – San Antonio, Texas, USA,2009. – P. 4581–4585.

6. Steganalysis of LSB matching using differences between nonadjacent pixels/ Zh. Xia, X. Wang, X. Sun, Q. Liu, N. Xiong// Multimedia Tools and Applications. – 2016. – Vol. 75 (4). – P. 1947–1962.

7. Fusheng Y., Gao T. Novel image splicing forensic algorithm based on generalized DCT coefficient-pair histogram // Proceedings of 10th Chinese Conference (IGTA 2015). –Beijing,China, 2015. – P. 63–71.

8. An improved approach to steganalysis of JPEG images / Q. Liu, A. Sung, M. Qiao, Z. Chen, B. Ribeiro// Information Sciences. ? 2010. –Vol. 180 (9). – P. 1643–1655.

9 Kodovsky J., Fridrich J.Steganalysis of JPEG images using rich models // Proceedings of SPIE, Electronic Imaging, Media Watermarking, Security, and Forensics XIV. –San Francisco, USA, 2012. – P. 7–20.

10. Zong H., Liu X., Luo X. Blind image steganalysis based on wavelet coefficient correlation // Digital Investigation. – 2012. – Vol. 9. – P. 58–68.

11. Searching for hidden messages: automatic detection of steganography / G. Berg, I. Davidson, M.-Y. Duan, G. Paul // Proceedings of the 15th Innovative Applications of Artificial Intelligence Conference, August 12–14, 2003. – Acapulco, Mexico, 2003. – P. 51–56.

12. New results on generalization of roos-type biases and related keystreamof RC4/ S. Maitra, G. Paul, S. Sarkar,M. Lehmann, W. Meier// Progress in Cryptology – AFRICACRYPT 2013:6th International Conference on Cryptology in Africa: proceedings. – Cairo, Egypt, 2013. –P. 222–239.– (Lecture Notes in Computer Science; vol. 7918).

13. Евсютин О.О., Мещеряков Р.В., Шумская О.О.Стегоанализ цифровых изображений с использованием наивного байесовского классификатора // Материалы 10-йВсероссийскоймультиконференции по проблемам управления (МКПУ-2017). – Ростов н/Д.: ЮФУ,2017. – С. 56–58.

14. Steganalysis and payload estimation of embedding in pixel differencesusing neural networks / V. Sabeti, Sh. Samavi, M. Mahdavi, Sh. Shirani//Pattern Recognition. – 2010. –Vol. 43 (1). – P. 405–415.

15. Lubenko I., Ker A.D.Steganalysis with mismatched covers: do simple classifiers help? // MM&Sec '12: proceedings of the 14th ACM Multimedia and Security Workshop, September 6–7, 2012. – New York, NY: ASM, 2012. – P. 11–18.

16. Image Databases [Electronic recourse] // ImageProcessingPlace.com. –URL: http://www.imageprocessingplace.com/root_files_V3/image_databases.htm (accessed: 14.09.2018).

17 The USC-SIPI Image Database [Electronic recourse] // USC University of Southern California. – Los Angeles, CA,2017. – URL: http://sipi.usc.edu/database (accessed: 14.09.2018).

18. Bharathi A., Natarajan A.M. Cancer classification using support vector machines and relevance vector machine based on analysis of variance features // Journal of Computer Science. – 2011. – Vol. 7 (9). – P. 1393–1399.