Record Details

Research of main components of machine learning based JPEG-stegananalysis systems

Наукові журнали Національного Авіаційного Університету

View Archive Info
 
 
Field Value
 
Title Research of main components of machine learning based JPEG-stegananalysis systems
Исследование основных компонентов систем JPEG-стеганоанализа на базе машинного обучения
Дослідження основних компонентів систем JPEG-стеганоаналізу на базі машинного навчан-ня
 
Creator Кошкіна, Наталія Василівна; Інститут кібернетики імені В.М. Глушкова НАНУ
 
Subject Information security
information security; steganalysis; passive counteraction (steganalysis); machine learning methods; comparative analysis; features based models; SVM; ensemble classifier
UDC 004.056; 004.415.24
Информационная безопасность
информационная безопасность; стеганоанализ; пассивное противодействие; методы с обучением и классификацией; сравнительный анализ; модели характеристических векторов; SVM; ансамблевый классификатор
УДК 004.056; 004.415.24
Інформаційна безпека
інформаційна безпека, стеганоаналіз, пасивна протидія, методи з навчанням та класифікацією, порівняльний аналіз, моделі характеристичних векторів, SVM, ансамблевий класифікатор
УДК 004.056; 004.415.24
 
Description To create effective steganalysis systems in the given practical conditions it is necessary to perform analysis and quality estimation of existing methods and components. To select optimal system components it is required to compare the estimates of basic characteristics of the candidates available. However, making such comparison based on a data from scientific publications is quite difficult due to differences of the conditions of numerical experiments. The basis of this study is the principle of creating equal conditions for all the investigated statistical features based models for JPEG steganalysis using machine-learning methods. We analyzed the detection performance and accuracy for four different variants of data hiding in the frequency domain that were obtained using statistical models such as CHEN, CC-CHEN, LIU, CC-PEV, CC-C300, GFR and DCTR, as well as SVM with linear or Gaussian kernel functions or ensemble classifier. The main results of the study are tables containing numerical estimates of performance of the main stages of steganoanalysis and the classification accuracy of empty and stego images. Model LIU was the slowest for extraction of features vector, but it is the fastest in the classifier training process. Models CC-PEV, LIU and DCTR combined with the ensemble classifier provided the best detection accuracy for stego images created by programs like Jsteg, Jphide and Steganos Privacy Suite. The detection accuracy of stego images by Jsteg, Jphide and Steganos in our experiments reached 100, 95.3 and 99.8% accordingly. J-UNIWARD method has proved itself to be more secure than LSB-steganography. The GFR and DCTR models are proved to be the most sensitive to J-UNIWARD transformation. In distinction to other investigated models they analyze statistics in the spatial domain of the image but not in the frequency domain - where the message was embedded.
Для построения эффективных стеганоаналитических систем в заданных практических условиях необходимо провести анализ и оценку качества существующих методов и компонентов. Для выбора оптимальных составляющих системы необходимо сравнить оценки базовых характеристик имеющихся кандидатов. Однако осуществить такое сравнение, основываясь на данных из научных публикаций, достаточно сложно из-за различий в условиях численных экспериментов. В основе данного исследования лежит принцип создания равных условий для всех исследуемых статистических моделей формирования характеристических векторов для стеганоанализа JPEG-изображений методами на базе машинного обучения. Проанализированы быстродействие и точность детектирования четырех различных вариантов сокрытия данных в частотной области, которые были получены с использованием таких статистических моделей как CHEN, CC-CHEN, LIU, CC-PEV, CC-C300, GFR и DCTR, а также SVM с линейным или гаусовским ядром или ансамблевого классификатора. Основными результатами проведенного исследования являются таблицы, отражающие численные оценки быстродействия основных этапов стеганоанализа и точности классификации пустых и заполненых контейнеров.
Для побудови ефективних стеганоаналітичних систем у заданих практичних умовах необхідно здійснити аналіз та оцінку якості існуючих методів та компонентів. Для вибору оптимальних складових системи необхідно порівняти оцінки базових характеристик наявних кандидатів. Проте здійснити таке порівняння, базуючись на даних з наукових публікацій, досить складно через відмінності в умовах чисельних експериментів. В основі даного дослідження лежить принцип створення рівних умов для всіх досліджуваних статистичних моделей формування характеристичних векторів для стеганоаналізу JPEG-зображень за методами на базі машинного навчання. Проаналізовано швидкодію та точність детектування чотирьох різних варіантів приховування даних у частотній області, що були отримані з використанням таких статистичних моделей як CHEN, CC-CHEN, LIU, CC-PEV, CC-C300, GFR та DCTR, а також SVM з лінійним чи гаусівським ядром або ансамблевого класифікатора.  Основними результатами здійсненого дослідження є таблиці, що відображають чисельні оцінки швидкодії основних етапів стеганоаналізу та точності класифікації пустих і заповнених контейнерів. 
 
Publisher National Aviation University
 
Contributor —
—
—
 
Date 2020-07-01
 
Type —
—
—
 
Format application/pdf
application/pdf
application/pdf
 
Identifier http://jrnl.nau.edu.ua/index.php/ZI/article/view/14801
10.18372/2410-7840.22.14801
 
Source Ukrainian Information Security Research Journal; Том 22, № 2 (2020); 97-108
Защита информации; Том 22, № 2 (2020); 97-108
Захист інформації; Том 22, № 2 (2020); 97-108
 
Language uk
 
Relation http://jrnl.nau.edu.ua/index.php/ZI/article/downloadSuppFile/14801/38664
 
Rights Authors who publish with this journal agree to the following terms: Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (See The Effect of Open Access).
Авторы, публикующие в данном журнале, соглашаются со следующим: Авторы сохраняют за собой авторские права на работу и предоставляют журналу право первой публикации работы на условиях лицензии Creative Commons Attribution License, которая позволяет другим распространять данную работу с обязательным сохранением ссылок на авторов оригинальной работы и оригинальную публикацию в этом журнале.Авторы сохраняют право заключать отдельные контрактные договоронности, касающиеся не-эксклюзивного распространения версии работы в опубликованном здесь виде (например, размещение ее в институтском хранилище, публикацию в книге), со ссылкой на ее оригинальную публикацию в этом журнале.Авторы имеют право размещать их работу в сети Интернет (например в институтском хранилище или персональном сайте) до и во время процесса рассмотрения ее данным журналом, так как это может привести к продуктивному обсуждению и большему количеству ссылок на данную работу (См. The Effect of Open Access).
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами: Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див. The Effect of Open Access).
 

Технічна підтримка: НДІІТТ НАУ