ДЕТЕКТИРОВАНИЕ СКРЫТОЙ ИНФОРМАЦИИ С ИСПОЛЬЗОВАНИЕМ МЕТОДОВ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

DETECTING HIDDEN INFORMATION USING ARTIFICIAL INTELLIGENCE METHODS

Anna Romanchuk

undergraduate, Department of System Programming and Computer Security, Grodno State University named after Yanka Kupala,

Republic of Belarus, Grodno

Alexander Kadan

scientific supervisor, candidate of economic sciences, associate professor, Yanka Kupala State University of Grodno,

Republic of Belarus, Grodno

АННОТАЦИЯ

Разработан метод извлечения признаков из графических файлов с целью применения методов слепого детектирования наличия скрытой информации.

ABSTRACT

A method has been developed for extracting features from graphic files in order to apply blind detection methods for the presence of hidden information.

Ключевые слова: стеганография; стегоанализ; стегоконтейнер; скрытая информация; машинное обучение.

Keywords: steganography; stegoanalysis; stegocontainer; hidden information; machine learning.

Стеганография ‑ это способ хранения и передачи информации, которая обеспечивает скрытие передачи сообщения.

Поиск стегоинформации в изображении сводится к задаче бинарной классификации, эта задача решается обучением с учителем. К таким методам относятся: алгоритм ближайшего соседа, наивный байесовский классификатор, дерево принятия решений, линейная регрессия, методы опорных векторов и нейронные сети.

Для решения задачи стеганографии с помощью методов машинного обучения необходимо сформировать данные. Данные представляют собой множество изображений. Для внедрения стеганографии в контейнер используем метод наименьшего значащего бита (LSB). Данный метод имеет высокий уровень незаметности, его невозможно распознать глазами человека. Метод наименьшего значащего бита может вместить в себя достаточно длинное сообщение. Для данного метода нет ограничений в объёме передаваемых данных.

В работе использовались изображения с глубиной цвета 24 бита (RGB). Это означает, что каждый пиксель описывается тремя числами: интенсивностью красного, интенсивностью зеленого и интенсивностью синего. Каждое из этих чисел закодировано в 8 битах. Три числа по 8 бит каждое дают в сумме 24 бита. Если значения интенсивностей всех трех цветов равны нулю, то пиксель черный, а если 255, то белый. Получается матрица, в которой хранятся три значения. Однако вместо одной матрицы, в каждой ячейке которой хранится несколько чисел, переходят к нескольким матрицам одного и того же измерения, где каждая новая матрица хранит только один цветовой канал.

Получим три списка. Список, который хранит в себе интенсивность красного. Список, который хранит в себе интенсивность зеленого. Список, который хранит в себе интенсивность синего. Так как для внедрения информации в изображение используется метод LSB - наименьший значащий бит, то рассматриваются в списках r, g, b значения наименьших значащих бит. Из наименьших значащих бит создаем новые байты (рис. 1).

Рисунок 1. Пример замены наименьших значащих бит в байт

Для данной замены необходимо преобразовать списки r, g, b, в которых содержаться десятичные значения в двоичные и после замены байт преобразовать обратно в десятичные значения.

Необходимо вычислить частоты по каждому цветовому каналу. Далее по каждому списку полученных значений частот, вычисляем статистические функции и записываем в CSV файл.

В результате удалось обучить модель с вероятностью ~0.98, содержит ли изображение скрытое сообщение или нет.

Список литературы:

1. Гайдышев, И. Обработка и анализ данных / И. Гайдышев. – СПб.: Питер, 2017. – 752 с.
2. Метод LSB. [электронный ресурс] — Режим доступа. — URL: https://life-prog.ru/1_36409_metod-LSB.html(дата обращения 15.05.2022)
3. Примеры использования машинного обучения. [электронный ресурс] — Режим доступа. — URL: https://handy-site.ru/primery-ispolzovanija-mashinnogo-obuchenija/(дата обращения 15.05.2022)