Sac d'images Cover/Stego

Texte intégral

(1)´ganal é en JP ´rer ´gie d’é ´talem Sté egan alys yse e gr gro oupé ee JPE EG: comm comment gé ere r la st stra rat té egie et aleme ent? Ahma Ah mad d ZAKARI ZAKARIA A , Marc CH CHA AUMONT UMONT , et Gérard érard SUBS UBSO OL 1. 1,2. 1. 1. L1IRMM, Un Uniiv Mo Mon ntp tpel ellilier er,, CNRS, NRS, 161 ru ruee Ada 3409 4095 Mo Mon ntpel tpellilier er Cede edex 5 - Fran rance 2 Un Uniiv Nˆı̂ıme mes, s, Pla Place ce Ga Gab briel riel Péri éri 30 300000 Nˆı̂ımes mes Cedex edex 01 - Fran rance. Stéganographie par sac. et. Stéganalyse groupée. Sac d'images Cover/Stego. Sac d'images. Sac d'images cover/stego. Single Image Detector. Sac des scores. Classification. f (x1 ) x1. Embedding. f (x2 ). Message m. Alice. Stratégie d’étalement S. f (xb−1 ). xb−1. Bob. Sac Stego. Pooling function g. ...... ...... ...... x2. (contient un message). Sac Cover. xb f (xb ). Stratégies d’étalement. Strategie Lineaire. Strategie Uses-Beta. f (x1 ) x1 f (x2 ) x2. Approche 1: Pevny´ [5]. p ∼. g = ∑ ωi ϕ(h[i]). ≷ δ. i=1. f (xb ). xb. Approche 2: Cogranne [1]. SVM. f (xb−1 ). xb−1. • gmax = maxi∈{1,...,b} f (xi), (optimale pour la stratégie Greedy [3]).. Sac Stego. .... Algorithme d'insertion classique. • g agrège les scores f (xi) Pb 1 • gmean = b i=1 f (xi) (optimale pour la stratégie Linaire [3]).. Single Image Sac des scores Detector. .... Strategie Greedy. Sac d'images cover/stego. ...... • SID (Single Image Detector) f. .... 11000101111 01010111110 10100011111 11101010111 11111000011. Fenêtre de PARZEN. Architecture générale:. Influence de la stratégie d‘étalement:. [1, 5]:. Strategie IMS. Une architecture générale de SG. Sac Cover. Apprentissage:. Base de données d'images cover/stego par une stratégie connue. Apprentissage machine.. Stratégie connue:. => g optimal pour une stratégie connue. Stratégie inconnue:. Taille du sac connue OR Sacs de differents stratégies:. → il est important de connaı̂tre la stratégie d’étalement.. • gclair (clairvoyant): apprise sur des sacs de la même stratégie supposée connue.. OR. Training +. ωi δ. Testing. gclair. .... .... .... g. +. .... ∼. gmean. τmean. gmax. τmax. Testing. Testing. +. ∼. g. ωi δ. Testing. gclair. ∼. g. ωi. δ. Testing. gdisc. Résultats. • schéma d’insertion: (J-UNIWARD) [2].. • gdisc (discriminative): apprise sur des sacs avec toutes les stratégies. OR. +. Training. Évaluation expérimentale. •g : – R̄ = 0,1 bptc. – h, avec p = 100 centres régulièrement espacés. – SVM, Scikit-Learn, kernel=’linear ’.. OR. +. 1. DeLS: Chaque image du sac contribue Deux solutions: avec la même divergence de Kullback- 1. Utiliser le g optimal (mais il faut connaître Leibler (KL). la stratégie !!!) 2. DiLS: Chaque image du sac contribue avec 2. Apprendre un g qui tienne compte des la même valeur de distorsion. spécificités de toutes les stratégies possibles. • SID: – Algorithme QS(Quantitative Steganalysis): [4] – différentes tailles de message.. OR. 0.35 2500 images Cover/Stego. 10000 images BOSSbase. 5000 images Cover/Stego Entraînement du SID: 5000 images Cover/Stego. 2500 images Cover/Stego. Entraînement. Sacs d’entraînement : Préparation de sacs pour une stratégie: générer 5000 paires de cover/stego sacs de scores Sacs de test: Préparation de sacs pour une stratégie: générer 5000 paires de cover/stego sacs de scores. Modèle entraîné. 0.35. Préparation d'histogrammes de Parzen pour une stratégie: Calculer min et max Calculer les histogrammes de Parzen Entraînement sur les histogrammes de Parzen. Préparation d'histogrammes de Parzen pour une stratégie: min et max Calculer les histogrammes de Parzen Tests sur histogrammes de Parzen. (a) gclair (Clairvoyant). 0.30. 0.20. Linear. 0.10. Greedy. 0.05. Uses Beta0.5. 0.00. 2. 4. 6. 10. 20. 50. Linear. 0.10. 0.10. Greedy. 0.08. Uses Beta0.5. 200. gclair (Clairvoyant). 0.14. 0.15. 100. Fonctions de pooling. 0.16. 0.12. 0.00. IMS. 0.15. IMS. 0.05. DiLS. 0.18. DiLS. 0.20. DeLS. 0.25. 0.20. DeLS. 0.25. (b) gdisc (Discriminative). 0.30. gdisc (Discriminative) gmean gmax. 0.06 0.04. 0.02 2. 4. 6. 10. 20. 50. 100. 200. 0.00. 2. 4. 6. 10. 20. 50. 100. 200. Conclusion et perspectives Conclusion: But atteint!?. Oui si Eve apprend une fonction intégrant toutes les stratégies d'étalement, elle peut améliorer la précision de la Stéganalyse Groupée. Perspective: La réussite de l’utilisation des algorithmes classiques (QS, SVM) dans cette méthode nous permet d’envisager l’élaboration d’algorithmes plus avancés (Deep Learming) pour améliorer cette technique. Références [1] Rémi Cogranne, Vahid Sedighi, and Jessica J. Fridrich. “Practical strategies for content-adaptive batch steganography and pooled steganalysis”. In: 2017 IEEE International Conference on Acoustics, Speech and Signal Processing, ICASSP 2017, New Orleans, LA, USA, March 5-9, 2017. 2017, pp. 2122–2126. doi: 10.1109/ICASSP.2017.7952531. url: https://doi.org/10.1109/ICASSP.2017.7952531. [2] Vojtech Holub, Jessica J. Fridrich, and Tomás Denemark.“Universal distortion function for steganography in an arbitrary domain”. In: EURASIP J. Information Security 2014 (2014), p. 1. doi: 10.1186/1687-417X-2014-1. url: https://doi.org/10.1186/1687-417X-2014-1. [3] Andrew D. Ker. “Batch Steganography and Pooled Steganalysis”. In: Information Hiding, 8th International Workshop, IH 2006, Alexandria, VA, USA, July 10-12, 2006. Revised Selcted Papers. 2006, pp. 265–281. doi: 10.1007/978-3-540-74124-4\_18. url: https://doi.org/10.1007/978-3-540-74124-4\_18. [4] Jan Kodovský and Jessica Fridrich. “Quantitative steganalysis using rich models”. In: Media Watermarking, Security, and Forensics 2013, Burlingame, CA, USA, February 5-7, 2013, Proceedings. 2013, 86650O. doi: 10.1117/12.2001563. url: https://doi.org/10.1117/12.2001563. [5] T. Pevný and Ivan Nikolaev. “Optimizing pooling function for pooled steganalysis”. In: 2015 IEEE International Workshop on Information Forensics and Security, WIFS 2015, Roma, Italy, November 16-19, 2015. 2015, pp. 1–6. doi: 10.1109/WIFS.2015.7368555. url: https://doi.org/10.1109/WIFS.2015.7368555. LATEX Tik Zposter.

(2)