網(wǎng)絡(luò)大數(shù)據(jù)下的信息隱藏分析

孔祥維 郭維廓 馮超禹 張 祎 楊明亮

(大連理工大學(xué)電子信息與電氣工程學(xué)部 遼寧大連 116024)

?

網(wǎng)絡(luò)大數(shù)據(jù)下的信息隱藏分析

孔祥維 郭維廓 馮超禹 張 祎 楊明亮

(大連理工大學(xué)電子信息與電氣工程學(xué)部 遼寧大連 116024)

(kongxw@dlut.edu.cn)

隨著網(wǎng)絡(luò)信息爆炸式的增長(zhǎng)，近年來信息安全引起了廣泛的關(guān)注.信息隱藏作為信息安全領(lǐng)域的熱門方向，也同樣面臨著大數(shù)據(jù)帶來的挑戰(zhàn).網(wǎng)絡(luò)中存在著海量的數(shù)據(jù)且這些數(shù)據(jù)來源多樣、質(zhì)量不一等諸多特點(diǎn)，使很多實(shí)驗(yàn)室環(huán)境下的信息隱藏分析方法因此失效.以數(shù)字圖像為例：首先分析了網(wǎng)絡(luò)大數(shù)據(jù)下數(shù)字圖像的特點(diǎn).然后闡述了實(shí)驗(yàn)室環(huán)境下信息隱藏分析方法的國(guó)內(nèi)外研究成果.通過實(shí)驗(yàn)說明了實(shí)驗(yàn)室環(huán)境下信息隱藏分析方法的優(yōu)異性能在網(wǎng)絡(luò)大數(shù)據(jù)環(huán)境下急劇下降，重點(diǎn)從對(duì)數(shù)據(jù)集研究、對(duì)特征的處理、對(duì)分類器的改進(jìn)以及整體結(jié)構(gòu)的改變4個(gè)方面介紹了當(dāng)前針對(duì)網(wǎng)絡(luò)大數(shù)據(jù)下存在的信息隱藏分析失配問題進(jìn)行的研究工作.最后指出了網(wǎng)絡(luò)大數(shù)據(jù)下信息隱藏分析的潛在問題與未來挑戰(zhàn).為解決大數(shù)據(jù)下信息隱藏分析問題提供了有效的方法借鑒.

信息隱藏分析；大數(shù)據(jù)；網(wǎng)絡(luò)；大數(shù)據(jù)安全；比較研究

信息安全成為世界性的現(xiàn)實(shí)問題.它牽涉到國(guó)家的政治安全、經(jīng)濟(jì)安全、社會(huì)安全、軍事安全乃至文化安全，世界主要國(guó)家和地區(qū)均將信息安全視為國(guó)家安全戰(zhàn)略的重要基石.近5年來互聯(lián)網(wǎng)發(fā)達(dá)國(guó)家密集出臺(tái)國(guó)家網(wǎng)絡(luò)安全新戰(zhàn)略，加速戰(zhàn)略核心內(nèi)容的落地部署.自2013年投入103億美元的網(wǎng)絡(luò)安全預(yù)算以來，美國(guó)用于網(wǎng)絡(luò)安全的資金投入近年來呈穩(wěn)步增長(zhǎng)趨勢(shì)，美國(guó)總統(tǒng)奧巴馬提議在2016 財(cái)年預(yù)算中，擬撥款140億美元用于加強(qiáng)美國(guó)網(wǎng)絡(luò)安全，以便更好地保護(hù)聯(lián)邦政府和私有企業(yè)網(wǎng)絡(luò)免遭黑客威脅[1].截至2014年，已經(jīng)有40多個(gè)國(guó)家相繼頒布了網(wǎng)絡(luò)空間國(guó)家安全戰(zhàn)略，僅美國(guó)就頒布了40多份與網(wǎng)絡(luò)安全有關(guān)的文件.在歐洲，德國(guó)總理默克爾與法國(guó)總統(tǒng)奧朗德擬從戰(zhàn)略層面繞開美國(guó)以強(qiáng)化數(shù)據(jù)安全.在亞洲，日本與印度也積極行動(dòng)，日本于2013年6月出臺(tái)了《網(wǎng)絡(luò)安全戰(zhàn)略》，明確提出“網(wǎng)絡(luò)安全立國(guó)”.印度于2013年5月出臺(tái)《國(guó)家網(wǎng)絡(luò)安全策略》，目標(biāo)是“安全可信的計(jì)算機(jī)環(huán)境.可以看出，加強(qiáng)網(wǎng)絡(luò)信息安全建設(shè)已經(jīng)成為世界范圍內(nèi)公認(rèn)的重要戰(zhàn)略決策之一.

我國(guó)是一個(gè)網(wǎng)絡(luò)大國(guó)，但并不是網(wǎng)絡(luò)強(qiáng)國(guó)，當(dāng)前的信息安全形勢(shì)非常嚴(yán)峻.習(xí)近平總書記曾明確指出：沒有網(wǎng)絡(luò)安全，就沒有國(guó)家安全，網(wǎng)絡(luò)安全和信息化是事關(guān)國(guó)家安全和國(guó)家發(fā)展、事關(guān)廣大人民群眾工作生活的重大戰(zhàn)略問題.政府已制定和實(shí)施《國(guó)家安全戰(zhàn)略綱要》，提出“網(wǎng)絡(luò)空間立國(guó)”的思路，同時(shí)《國(guó)家中長(zhǎng)期科學(xué)技術(shù)發(fā)展規(guī)劃》也將面向核心應(yīng)用的信息安全列為重點(diǎn)發(fā)展的優(yōu)先主題[2].

網(wǎng)絡(luò)空間環(huán)境下的網(wǎng)絡(luò)信息戰(zhàn)重要技術(shù)之一是隱蔽通信及其對(duì)抗，“9·11”事件使得全球反恐成為重點(diǎn)，也使得信息隱藏與信息隱藏分析成為隱蔽通信的研究熱點(diǎn).用于隱蔽通信的信息隱藏或隱寫術(shù)(data hiding或steganography)是具有古老歷史并沿用至今的隱蔽通信方式.steganography源自希臘文中的“掩蔽書寫”，描述了一種創(chuàng)造隱藏信道的技術(shù)，其基本思想是把秘密消息隱藏在正常載體中，通過隱藏秘密消息的存在性來構(gòu)建隱蔽通信.與古代相比，現(xiàn)在利用信息隱藏進(jìn)行秘密數(shù)據(jù)的嵌入方法更加復(fù)雜，偽裝所用的載體更為廣泛.信息隱藏不僅限于要隱藏正在發(fā)送消息通信這一事實(shí)，還要讓發(fā)送者和接收者對(duì)于監(jiān)聽者來說不可檢測(cè)到，因此也需具備匿名性和隱私性.與加密成密文亂碼讓他人不懂的密碼術(shù)比較，信息隱藏掩飾了通信的存在，讓監(jiān)聽者查不出有隱蔽通信發(fā)生.基于數(shù)字多媒體信息隱藏的隱蔽通信最先發(fā)展并在近10多年最先受到以美國(guó)為首的先進(jìn)國(guó)家以及國(guó)際學(xué)術(shù)界的重要關(guān)注[3-4]，繼而又發(fā)展了其他多媒體、自然語言、文件系統(tǒng)、網(wǎng)絡(luò)協(xié)議等多樣的載體形式[5].任何信息安全技術(shù)都是對(duì)抗性的，安全分析是發(fā)現(xiàn)系統(tǒng)的安全問題的重要手段.信息隱藏的安全分析——信息隱藏分析(steganalysis)集中在檢測(cè)隱蔽通信的存在.但是，矛與盾這2個(gè)方面的研究并不平衡，這一點(diǎn)可以從信息隱藏軟件工具的比例表明，信息隱藏嵌入軟件遠(yuǎn)遠(yuǎn)多于信息隱藏分析檢測(cè)軟件.截至2012年2月，最大的信息隱藏工具商業(yè)數(shù)據(jù)庫包含1 025種應(yīng)用軟件.

當(dāng)前日益普及的數(shù)碼相機(jī)、智能手機(jī)、多種信息處理軟件以及蓬勃發(fā)展的互聯(lián)網(wǎng)和社交網(wǎng)絡(luò)大大提高了人們記錄、處理、傳播、交流多媒體內(nèi)容的能力，使得網(wǎng)絡(luò)上大量涌現(xiàn)的多媒體大數(shù)據(jù)可以對(duì)新聞、紀(jì)實(shí)、社會(huì)、生活等方面進(jìn)行現(xiàn)場(chǎng)記錄和事實(shí)重現(xiàn).社交網(wǎng)絡(luò)成為人人都可參與的互動(dòng)平臺(tái)，人人可以成為網(wǎng)民記者，可以成為攝影師，可以上傳自己的拍照作品，隨意下載網(wǎng)絡(luò)的圖像.固有的觀念：百聞不如一見，有圖有真相，一幅圖勝過千言萬語等等在網(wǎng)絡(luò)上得以落地.在眾多的網(wǎng)絡(luò)多媒體數(shù)據(jù)當(dāng)中，圖像視覺具有的直觀性、沖擊力和寫實(shí)性使得當(dāng)前的網(wǎng)絡(luò)正在進(jìn)入讀圖時(shí)代，網(wǎng)絡(luò)圖像成為當(dāng)前不可或缺的記錄真實(shí)世界和社會(huì)現(xiàn)實(shí)的富媒體.

網(wǎng)絡(luò)上海量的數(shù)字圖像由于其直觀可視特性得到了廣泛的傳播和應(yīng)用.從宏觀角度看，網(wǎng)絡(luò)上的圖像數(shù)量龐大、來源繁多；從微觀角度看，網(wǎng)絡(luò)上的圖像來源各異，導(dǎo)致其質(zhì)量良莠不齊、魚龍混雜.下面我們從安全角度分析網(wǎng)絡(luò)上圖像的來源和處理狀況.

第2種情況是隱藏了秘密信息的載密圖像與未含有秘密信息的載體圖像并存.在網(wǎng)絡(luò)上出現(xiàn)的多種以圖像作為掩護(hù)載體內(nèi)嵌秘密信息的信息隱藏軟件，這些信息隱藏軟件相比傳統(tǒng)的加密方法具有更好的隱蔽性和偽裝性，可以在正常的圖像通信中包含著秘密通信，使人眼難辨的偽裝載體圖像通過網(wǎng)絡(luò)任意地傳播.但隱蔽通信技術(shù)在政治、經(jīng)濟(jì)、軍事等領(lǐng)域帶來便利的同時(shí)，也遭到了不法分子的惡意使用，在非法通信、恐怖信息秘密傳遞中越來越多.2001年，《今日美國(guó)》發(fā)表文章指出“9·11”事件中極端主義分子使用信息隱藏技術(shù)來進(jìn)行秘密聯(lián)系，以策劃和密謀恐怖事件[6].2006年，印度媒體報(bào)道稱，7月11日發(fā)生在孟買的火車連續(xù)爆炸事件中恐怖分子使用了信息隱藏技術(shù).2007年，美國(guó)全國(guó)廣播公司報(bào)道指出了信息隱藏技術(shù)在伊斯蘭基地組織中的應(yīng)用.2010年，美國(guó)聯(lián)邦調(diào)查局揭露了冷戰(zhàn)以來俄羅斯在美國(guó)的最大間諜組織使用信息隱藏技術(shù)通過網(wǎng)絡(luò)上的數(shù)字圖像進(jìn)行聯(lián)系.另外，有消息稱恐怖組織在其內(nèi)部文章中鼓勵(lì)不法分子使用信息隱藏技術(shù)進(jìn)行通信，以達(dá)到不為人知的目的.除此之外，還有一些不法分子在商業(yè)活動(dòng)中使用信息隱藏技術(shù)來傳遞和泄露商業(yè)機(jī)密，通過信息隱藏多媒體和正常媒體一起在網(wǎng)上到處傳播，承擔(dān)著傳遞秘密信息的任務(wù).

綜上所述，在實(shí)際網(wǎng)絡(luò)環(huán)境下呈現(xiàn)出來的是混合多源圖像，包含多種圖像來源、多種圖像質(zhì)量、多種圖像內(nèi)容、多種偽造圖像、多種藏密圖像等等.這些網(wǎng)絡(luò)圖像呈現(xiàn)出真實(shí)和虛假、載體和載密等圖像同時(shí)并存的狀況，“有圖有真相”的傳統(tǒng)觀念受到了嚴(yán)重質(zhì)疑.網(wǎng)絡(luò)上多源數(shù)字圖像的特點(diǎn)可以總結(jié)為如下4點(diǎn)：

1) 圖像多源.網(wǎng)絡(luò)圖像的多來源包括多種類型的手機(jī)、相機(jī)圖像傳感器所生成的原始圖像，還包括修改圖像、偽造圖像、載密圖像、社交網(wǎng)絡(luò)圖像等.

2) 圖像異質(zhì).網(wǎng)絡(luò)上存在著原始圖像,使用圖像處理軟件進(jìn)行幾何轉(zhuǎn)換、格式轉(zhuǎn)換、JPEG壓縮、社交網(wǎng)絡(luò)限制等形成的多種質(zhì)量、多種形式、多種參數(shù)的異質(zhì)圖像.

3) 圖像偽造.網(wǎng)絡(luò)上存在著從原始圖像變化而生成的美化圖像、拼接圖像、增刪圖像等多種篡改偽造圖像.

4) 圖像藏密.信息隱藏中的圖像是一種偽裝載體，其中嵌入了秘密信息，成為圖中藏密，且不影響正常圖像的使用價(jià)值.

從以上分析可以看出，網(wǎng)絡(luò)空間中竟然還有這么多來源不一、良莠不齊的圖像，直觀的網(wǎng)絡(luò)圖像中存在不可見的深度信息，這些事例顛覆了“眼見為實(shí)”的傳統(tǒng)觀念.人們不僅質(zhì)疑網(wǎng)絡(luò)上傳播的圖像的真實(shí)性，而且深度質(zhì)疑這圖像僅僅是幅表面呈現(xiàn)的圖像還是幅隱藏著什么秘密的載體.這一系列質(zhì)疑使得網(wǎng)絡(luò)大數(shù)據(jù)下的信息隱藏分析已經(jīng)成為當(dāng)前多媒體信息安全研究領(lǐng)域最為緊迫的挑戰(zhàn)之一.然而現(xiàn)有的信息隱藏分析大多數(shù)是在實(shí)驗(yàn)室環(huán)境下進(jìn)行，實(shí)驗(yàn)室環(huán)境下的信息隱藏分析應(yīng)用于網(wǎng)絡(luò)大數(shù)據(jù)仍有很多問題尚未解決.2013年Ker等8位[7]本領(lǐng)域最具有名望的學(xué)者聯(lián)合撰文，呼吁學(xué)術(shù)界加強(qiáng)實(shí)用信息隱藏技術(shù)和信息隱藏分析技術(shù)的研究，力求使這2項(xiàng)技術(shù)從實(shí)驗(yàn)室推向?qū)嶋H應(yīng)用.孔祥維等人[8]曾對(duì)多媒體信息安全研究現(xiàn)狀進(jìn)行研究，分析各個(gè)方向領(lǐng)域的研究背景及研究現(xiàn)狀.指出多媒體信息隱藏分析從科學(xué)研究走向現(xiàn)實(shí)仍面臨非常大的挑戰(zhàn).

1 實(shí)驗(yàn)室環(huán)境下信息隱藏分析研究

信息隱藏分析的目標(biāo)是利用訓(xùn)練中載體圖像與載密圖像的特征集合構(gòu)建分類模型，再利用該模型來判定待測(cè)圖像是否為隱藏信息.

當(dāng)前實(shí)驗(yàn)室環(huán)境下的信息隱藏分析主要由3個(gè)部分組成：圖像數(shù)據(jù)庫、信息隱藏分析特征與分類器，其框架如圖1所示.下面將分別對(duì)其研究現(xiàn)狀進(jìn)行介紹.

圖1 傳統(tǒng)信息隱藏分析流程圖

1.1 實(shí)驗(yàn)室環(huán)境下的數(shù)據(jù)庫

目前圖像信息隱藏分析常用的圖像庫有BOWS庫、BOSSbase庫和相機(jī)庫等.BOWS庫中的圖像是不同尺寸的自然圖像經(jīng)縮放和裁剪得到的，包括10 000幅尺寸為512×512的灰度圖像.BOSSbase庫由來自7個(gè)不同相機(jī)的未壓縮的圖像經(jīng)過轉(zhuǎn)換為灰度圖像并裁剪成512×512尺寸組成.這2個(gè)圖像庫都是轉(zhuǎn)換圖庫，可以用圖像處理軟件將圖像壓縮為某種特定質(zhì)量因數(shù)的JPEG圖像.相機(jī)庫中的圖像來自常見的尼康、佳能、索尼等品牌.

1.2 信息隱藏分析的特征及性能分析

近10年來，隨著信息隱藏技術(shù)和信息隱藏分析技術(shù)的發(fā)展，用于信息隱藏分析的圖像特征也層出不窮.從時(shí)間和維數(shù)來看：2006年，Shi等人[9]提出了利用馬爾可夫過程來描述信息嵌入前后JPEG系數(shù)的方法，并得到324維圖像特征集合，它對(duì)OutGuess，MB1，MB2等的檢測(cè)正確率可達(dá)93%以上(圖像的嵌入率為0.1，以下涉及到藏密的圖像均是0.1的嵌入率)；2007年，F(xiàn)ridrich等人將曾于2004年被提出的23維CFB特征[10]與324維的特征進(jìn)行融合，得到274維的PEV特征集合[11]，它對(duì)OutGuess的檢測(cè)正確率可達(dá)99%以上，但是對(duì)MB1，MB2的檢測(cè)正確率只有70%～75%；2008年，Chen等人[12]提出了基于塊內(nèi)和塊間DCT系數(shù)共生矩陣的486維特征，它對(duì)OutGuess的檢測(cè)正確率達(dá)到99%以上，且對(duì)MB1，MB2的檢測(cè)正確率達(dá)到了95%；2010年，Pevny等人[13]將笛卡兒校準(zhǔn)方法應(yīng)用到以上方法中，提出了一種基于空域的686維特征SPAM， 2010年，Kodovsky等人[14]將PEV特征集合進(jìn)行笛卡兒校準(zhǔn)，得到CC-PEV特征集合，并且將其與SPAM特征進(jìn)行進(jìn)一步融合，得到了能很好對(duì)抗YASS的1 234維的CDF特征，它對(duì)YASS和MBS的檢測(cè)正確率可達(dá)92%以上；2011年，Kodovsky等人[15]首次提出了基于DCT系數(shù)的共生矩陣對(duì)的48 600維高維數(shù)的特征集合CC-C300，并提出了空域的高維數(shù)特征集合SRM系列特征[16]，其中常用的特征集合量階為q1的特征SRMQ1，共12 753維；2011年，Liu等人[17]提出了基于DCT系數(shù)絕對(duì)值差分比例的216維特征Liu，它對(duì)MBS的檢測(cè)率達(dá)91.8%；2012年，Kodovsky等人繼續(xù)提出7 850維緊湊的高維特征集合CF*[18]、比較流行的有JRM(11 255維)[19]、CC-JRM(22510維)[19]、CC-JRM和SRMQ1的融合特征JSRM(35 263維)[19]，其中，CC-JRM檢測(cè)MBS，YASS，nsF5的正確率可達(dá)96%，97%，83%，JSRM的檢測(cè)正確率比CC-JRM可提高2%左右；2013年和2015年Holub等人又提出了2種高維數(shù)的特征PSRM[20]和DCTR[21]，DCTR對(duì)nsF5的檢測(cè)正確率為80%，但是隨著嵌入率的增長(zhǎng)，DCTR的檢測(cè)能力相對(duì)于其他高維特征更強(qiáng)一點(diǎn).

除此之外，還有很多新的特征集合已經(jīng)出現(xiàn)：PHARM[22]，CFA-aware CRM[23]，GFR[24]等.總體而言，現(xiàn)有的特征對(duì)2010年之前出現(xiàn)的大多數(shù)的信息隱藏方法(MB1，YASS，OutGuess等)的檢測(cè)性能可達(dá)95%以上，但是對(duì)較新的信息隱藏方法(如UNIWARD，HUGO，WOW等)的檢測(cè)性能還低于70%.

1.3 信息隱藏分析的分類器及性能分析

將從圖像中提取的特征通過分類器進(jìn)行處理，其輸出就可以從待測(cè)圖像中區(qū)分哪些圖像是載體圖像，而哪些是含密圖像.

從時(shí)間上來看，人們最早使用的是多元回歸，然后是Fisher線性分類器和SVM分類器[25].然而隨著特征維數(shù)的不斷升高，SVM分類器中的搜索超分類面參數(shù)的計(jì)算量越來越大，使其越來越不能滿足信息隱藏分析的要求.為了解決檢測(cè)器訓(xùn)練的復(fù)雜度增長(zhǎng)的問題，F(xiàn)LD集成分類器(fisher linear discriminant ensemble classifier)因其良好的分類性能和較低的復(fù)雜度而越來越受信息隱藏分析者的青睞.FLD集成分類器是由一系列的線性分類器組成的.它首先將特征空間隨機(jī)分成L個(gè)子空間.然后在每個(gè)子空間中應(yīng)用Fisher線性分類器.最后，對(duì)L個(gè)基分類器的結(jié)果進(jìn)行“大多數(shù)投票”確定最終的結(jié)果.因此，對(duì)于維數(shù)很高的特征，F(xiàn)LD集成分類器仍有很好的分類能力.并且，由于簡(jiǎn)化了計(jì)算的復(fù)雜度，F(xiàn)LD集成分類器有更快的速度.利用SVM和FLD集成分類器進(jìn)行信息隱藏分析性能對(duì)比如表1、表2所示：

表1 nsF5藏密、CC-PEV特征、0.1嵌入率條件下分類器性能對(duì)比

表2 nsF5藏密、CF*特征、0.1嵌入率條件下分類器性能對(duì)比

表中，G-SVM表示高斯核的SVM分類器，L-SVM表示線性核的SVM分類器.由表中數(shù)據(jù)可知，在特征維數(shù)較高的情況下，集成分類器的檢測(cè)正確率與SVM相當(dāng)，但是分類所需時(shí)間大大減少.

2 網(wǎng)絡(luò)大數(shù)據(jù)下失配信息隱藏分析

實(shí)驗(yàn)室環(huán)境下的信息隱藏分析是在已知測(cè)試樣本的一些先驗(yàn)信息的情況下進(jìn)行的，通過已知的先驗(yàn)信息選擇最優(yōu)的訓(xùn)練數(shù)據(jù)進(jìn)行信息隱藏分析.這些先驗(yàn)知識(shí)包括已知信息隱藏方法、已知量化表和嵌入率等，因而訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)的特性近似，我們稱之為匹配信息隱藏分析.然而在網(wǎng)絡(luò)大數(shù)據(jù)下，由于待測(cè)試的圖像數(shù)據(jù)組成極其復(fù)雜，網(wǎng)絡(luò)圖像具有多來源和質(zhì)量不一特性，包含了多種圖像來源的混合多源圖像，無法保證測(cè)試圖像與訓(xùn)練圖像之間的相機(jī)品牌、質(zhì)量因數(shù)、嵌入率、信息隱藏方法等因素的一致性.測(cè)試圖像與訓(xùn)練圖像之間的差別會(huì)導(dǎo)致訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)的統(tǒng)計(jì)特性和特征分布的差異很大，使信息隱藏分析檢測(cè)正確率大幅度下降，這就造成了訓(xùn)練樣本和測(cè)試樣本數(shù)據(jù)特性不匹配，導(dǎo)致信息隱藏分析來源失配現(xiàn)象產(chǎn)生.我們稱之為失配信息隱藏分析.失配對(duì)信息隱藏分析的影響我們可以通過實(shí)驗(yàn)來說明，其實(shí)驗(yàn)結(jié)果如表3所示：

表3 失配與匹配情形信息隱藏分析準(zhǔn)確率對(duì)比 %

表3中失配情況的信息隱藏分析相較于匹配情況下降了30%左右，因此研究在網(wǎng)絡(luò)大數(shù)據(jù)的失配情況下的信息隱藏分析非常必要，針對(duì)網(wǎng)絡(luò)大數(shù)據(jù)下的信息隱藏分析存在的失配問題，需要考慮到測(cè)試圖像的來源多樣、質(zhì)量因數(shù)各異、隱藏方法不同等因素，國(guó)內(nèi)外學(xué)者開展了一系列的研究，具體主要分為以下4個(gè)方面.

2.1 對(duì)數(shù)據(jù)多源和失衡的研究

現(xiàn)有的信息隱藏分析方法大多是針對(duì)原始圖像和載密圖像的二元分類.然而，網(wǎng)絡(luò)環(huán)境中存在著諸如增強(qiáng)圖像、PS圖像以及偽造圖像等復(fù)雜的圖像類別.如何在眾多圖像類別中進(jìn)行多類分類或化為二分類信息隱藏分析成為網(wǎng)絡(luò)大數(shù)據(jù)環(huán)境下首先需要解決的一大問題.針對(duì)該問題，馮悅[26]提出多元混合圖像信息隱藏分析系統(tǒng)框架，提出一種基于DCT系數(shù)構(gòu)建馬爾可夫模型檢測(cè)重壓縮的算法和基于圖像偏移量的篡改定位算法.該方法可以對(duì)網(wǎng)絡(luò)中多源混雜的圖像進(jìn)行分類，將原始圖像、載密圖像同偽造圖像、社交網(wǎng)絡(luò)圖像、PS圖像多源混合圖像區(qū)分開以便進(jìn)一步進(jìn)行信息隱藏分析.馮悅提出的方法是基于原始圖像為信息隱藏載體的前提.然而，在網(wǎng)絡(luò)大數(shù)據(jù)的環(huán)境下，信息隱藏者不僅利用原始圖像作為信息隱藏的載體，還利用PS圖像、偽造圖像、增強(qiáng)圖像以及社交網(wǎng)絡(luò)圖像等多次壓縮的圖像作為信息隱藏載體，這就為在網(wǎng)絡(luò)環(huán)境下進(jìn)行信息隱藏分析提出了更大的挑戰(zhàn).李星等人[27]提出一種新的結(jié)合重壓縮檢測(cè)的JPEG圖像多類信息隱藏分析方法.該方法可以估計(jì)待測(cè)圖像的壓縮質(zhì)量因數(shù)，將經(jīng)過一種質(zhì)量因數(shù)壓縮的圖像和經(jīng)過不同質(zhì)量因數(shù)組合壓縮的圖像進(jìn)行分類，為一次壓縮圖像和重壓縮圖像分別設(shè)計(jì)了不同的信息隱藏算法檢測(cè)器，以實(shí)現(xiàn)一次壓縮和重壓縮圖像中多種算法的識(shí)別.其系統(tǒng)框架分別如圖2、圖3所示：

圖2 多元混合圖像壓縮檢測(cè)框圖

圖3 JPEG信息隱藏算法多類分類器框圖

網(wǎng)絡(luò)中樣本多來源、多質(zhì)量、多形式、多參數(shù)等特點(diǎn)，造成了網(wǎng)絡(luò)中圖像樣本數(shù)量大且類別多，而且每一類別中樣本的數(shù)目可能會(huì)很少.這會(huì)導(dǎo)致我們不可能像在實(shí)驗(yàn)室環(huán)境下為每一類樣本都建立信息隱藏模型，這對(duì)信息隱藏分析模型的建立也會(huì)造成一定的影響.所以，針對(duì)網(wǎng)絡(luò)大數(shù)據(jù)的信息隱藏分析還需考慮如何解決訓(xùn)練樣本類別多且每一類樣本數(shù)目少的數(shù)據(jù)失衡問題.

曾利凱等人[28]提出用多任務(wù)學(xué)習(xí)的方法可以解決網(wǎng)絡(luò)中圖像具有多來源而每種來源訓(xùn)練樣本少的問題.該方法將多源JPEG圖像按照?qǐng)D像的不同來源及圖像的壓縮量化表分成若干個(gè)子圖像庫，再將每個(gè)子圖像庫的訓(xùn)練圖像的特征融合采用多任務(wù)訓(xùn)練方式進(jìn)行模型訓(xùn)練.多任務(wù)學(xué)習(xí)通過并行學(xué)習(xí)各個(gè)任務(wù)并利用相關(guān)任務(wù)訓(xùn)練樣本中包含的域信息來提高學(xué)習(xí)效果.該方法可以提高獨(dú)立訓(xùn)練信息隱藏分析框架在訓(xùn)練樣本不充足時(shí)的模型泛化能力.Pasquet等人[29]提出了EC-FS算法和訓(xùn)練樣本預(yù)處理算法.預(yù)處理算法通過k-means聚類為訓(xùn)練樣本進(jìn)行聚類，為每一類樣本訓(xùn)練分類器，獲得測(cè)試數(shù)據(jù)時(shí)計(jì)算測(cè)試數(shù)據(jù)與每個(gè)聚類中心的距離，找到最近距離，用相應(yīng)的分類器進(jìn)行信息隱藏分析.該方法通過將集成分類器與特征選擇結(jié)合可以成倍地減少訓(xùn)練集的大小而不影響信息隱藏分析的性能.

圖5 k-means聚類的混合異構(gòu)圖像信息隱藏分析

以上提出的方法雖然可以從不同角度研究由網(wǎng)絡(luò)大數(shù)據(jù)環(huán)境下樣本來源與種類繁多、質(zhì)量差異大、樣本數(shù)量不同等特點(diǎn)造成的信息隱藏分析來源失配的問題.但是，網(wǎng)絡(luò)上圖像的多種操作方法以及各大社交網(wǎng)絡(luò)特有的壓縮與剪裁方式等造成載體圖像具有的多樣性依然對(duì)網(wǎng)絡(luò)環(huán)境下信息隱藏分析模型的構(gòu)建造成了一定的影響，如何更好地解決由圖像多源、異質(zhì)造成的信息隱藏來源失配問題仍是信息隱藏分析面臨的一大挑戰(zhàn).

2.2 失配信息隱藏分析的特征

信息隱藏分析準(zhǔn)確率與圖像特征密切相關(guān).現(xiàn)有的信息隱藏分析特征主要針對(duì)的是實(shí)驗(yàn)室環(huán)境下的匹配信息隱藏分析，對(duì)于網(wǎng)絡(luò)大數(shù)據(jù)造成的失配信息隱藏分析，性能急劇下降.眾多學(xué)者針對(duì)圖像特征開展了深入研究，提出利用特征集中特征映射以及構(gòu)建新特征等思路進(jìn)行失配的信息隱藏分析. Ker等人[30]提出了運(yùn)用特征聚合和集成的思想提高失配檢測(cè)正確率.特征聚合通過對(duì)訓(xùn)練集和測(cè)試集載體樣本特征質(zhì)心進(jìn)行處理來增強(qiáng)特征聚合度；特征集成通過利用多個(gè)樣本特征獲得多個(gè)訓(xùn)練模型，利用這些模型組合成為混雜模型應(yīng)用同時(shí)到測(cè)試集，針對(duì)不同分類器分配不同的判決權(quán)重值獲取最終的分析結(jié)果.Li等人[31]引入遷移學(xué)習(xí)的思想，通過特征映射的方式尋找新的特征空間以增加訓(xùn)練集和測(cè)試集特征分布相似度.該方法主要分為2步：第1步通過領(lǐng)域校準(zhǔn)學(xué)習(xí)一個(gè)新的線性變換增大訓(xùn)練集與測(cè)試集間的類內(nèi)相似度；第2步通過學(xué)習(xí)得到一個(gè)共有的特征空間使訓(xùn)練集和測(cè)試集統(tǒng)計(jì)分布差異最小化.從而獲得訓(xùn)練集和測(cè)試集新的特征表示，訓(xùn)練獲得最終的信息隱藏分析模型.該方法針對(duì)隱藏方法失配和量化表失配有較好的效果，同時(shí)不需要構(gòu)建大量多樣的訓(xùn)練庫.Zeng等人[32]從已有JPEG圖庫中選取多個(gè)與測(cè)試圖像相近的子圖庫作為訓(xùn)練庫，對(duì)訓(xùn)練圖像和測(cè)試圖像提取特征，并使用魯棒判別特征變換方法對(duì)特征進(jìn)行處理得到新的特征表示.該方法提出了2個(gè)互補(bǔ)的建模原則：最小化訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)之間的特征離散度和最大化訓(xùn)練數(shù)據(jù)的特征辨識(shí)度，這2個(gè)互補(bǔ)原則在降低訓(xùn)練特征和測(cè)試特征之間特征分布差異的同時(shí)可以保持訓(xùn)練數(shù)據(jù)(含標(biāo)簽)的分類能力.利用非線性變換可以將原始的訓(xùn)練特征集和測(cè)試特征集轉(zhuǎn)換到新的特征表示空間.在新的變換特征空間中再進(jìn)行信息隱藏分析.Gul等人[33]提出了一種新的信息隱藏分析特征.該特征是利用馬爾可夫隨機(jī)場(chǎng)來構(gòu)建k元變量概率密度函數(shù)，進(jìn)一步將DCT系數(shù)進(jìn)行統(tǒng)計(jì)獲得的.該特征分為198維(k=2時(shí))和657維(k>2時(shí))2種，657維的檢測(cè)能力特征比198維的檢測(cè)能力特征高1%～2%.實(shí)驗(yàn)表明，該特征的檢測(cè)性能比SHI，CHEN等特征提升了2%左右.同時(shí)，在圖像庫的來源失配情況下，其檢測(cè)性能不受影響.

2.3 失配信息隱藏分析分類器

由于信息隱藏分析分類器的性能會(huì)直接影響最終結(jié)果，近年來，針對(duì)失配信息隱藏分析失配情況，不少學(xué)者開展了針對(duì)分類器的改進(jìn)研究.Wu等人[34]針對(duì)嵌入率失配的問題提出了一種對(duì)集成分類器進(jìn)行改進(jìn)的方案.首先，在訓(xùn)練樣本的每個(gè)隨機(jī)子空間，利用線性判別式獲得訓(xùn)練空間到判別空間的映射向量.然后將測(cè)試樣本映射到判別空間后，進(jìn)行k-means聚類，得到聚類結(jié)果.最后，將每個(gè)子空間的結(jié)果進(jìn)行大多數(shù)投票，得到最終的判決結(jié)果.這個(gè)改進(jìn)的分類器主要是利用k-means聚類代替了集成分類器中的閾值判決過程，從而緩解了嵌入率失配帶來的影響.Xu等人[35]提出通過挑選多樣且具有代表性的樣本特征并構(gòu)建重分權(quán)重的集成分類器模型的方法，來解決載體來源失配的問題.首先尋找類內(nèi)差異大且冗余少的樣本擴(kuò)充訓(xùn)練樣本庫，再利用結(jié)合的思想，對(duì)訓(xùn)練多個(gè)集成分類器模型，通過分配不同的權(quán)重值，結(jié)合多個(gè)分類器結(jié)果進(jìn)行最終判決.該方法增強(qiáng)了分類模型對(duì)高度類內(nèi)變化的魯棒性，從而獲取有效的信息隱藏分析模型.Wu等人[36]提出了一種新的結(jié)構(gòu)，將有監(jiān)督的加權(quán)費(fèi)舍爾線性分類器與無監(jiān)督的k-means聚類整合到統(tǒng)一的半監(jiān)督學(xué)習(xí)框架中，解決了網(wǎng)絡(luò)大數(shù)據(jù)環(huán)境下經(jīng)常出現(xiàn)的數(shù)據(jù)失衡的問題.Dong等人[37]提出了一種基于多超球面的一元支持向量機(jī)的半監(jiān)督學(xué)習(xí)方法.該方法主要分為2個(gè)階段：第1階段首先利用多超球面一元支持向量機(jī)，僅僅使用原始圖像作為訓(xùn)練樣本訓(xùn)練出一個(gè)信息隱藏分析模型.隨后，利用該模型針對(duì)測(cè)試圖像進(jìn)行信息隱藏分析.第2階段是將原始圖像和第1階段測(cè)試得到的載密圖像共同作為訓(xùn)練樣本，利用軟判決支持向量機(jī)進(jìn)行分類模型訓(xùn)練得出最終的信息隱藏分析模型.這種方法在網(wǎng)絡(luò)大數(shù)據(jù)的環(huán)境下避免了使用大量的載密圖像作為訓(xùn)練樣本，同時(shí)利用半監(jiān)督學(xué)習(xí)的方法可以達(dá)到較好的信息隱藏分析效果.

2.4 端到端的信息隱藏分析結(jié)構(gòu)

近年來深度學(xué)習(xí)的一些特性引起了人們的廣泛關(guān)注.深度學(xué)習(xí)能夠自動(dòng)地從圖像中提取出特征表示，并在很多領(lǐng)域顯示出更好的性能，因此信息隱藏分析領(lǐng)域也有學(xué)者嘗試將深度學(xué)習(xí)與信息隱藏分析相結(jié)合以期獲得更好的分析結(jié)果.Qian等人[38]改進(jìn)了傳統(tǒng)的CNN網(wǎng)絡(luò)結(jié)構(gòu)，首先利用一個(gè)設(shè)計(jì)好的高通濾波器對(duì)圖像進(jìn)行預(yù)處理，相對(duì)地放大了隱藏信息引入的弱信號(hào)，接下來將傳統(tǒng)CNN所使用的激活函數(shù)改為高斯激活函數(shù)，使得傳統(tǒng)CNN網(wǎng)絡(luò)更適用于信息隱藏分析情景.Pibre等人[39]在Qian等人研究的基礎(chǔ)上進(jìn)行了進(jìn)一步的研究，他們對(duì)傳統(tǒng)CNN進(jìn)行了各種改進(jìn)，通過大量的實(shí)驗(yàn)證明了CNN結(jié)構(gòu)與FNN結(jié)構(gòu)用于信息隱藏分析時(shí)，由于能夠求得系統(tǒng)的聯(lián)合最優(yōu)化參數(shù)，其性能要高于傳統(tǒng)的Rich Models與集成分類器結(jié)合，且對(duì)于來源失配具有一定的魯棒性.

然而，雖然針對(duì)將深度學(xué)習(xí)應(yīng)用于信息隱藏分析的研究正在展開也取得了一定的進(jìn)展，但遇到了很多挑戰(zhàn).

一方面，與傳統(tǒng)的機(jī)器學(xué)習(xí)方法相比，深度學(xué)習(xí)從流程到思想有著明顯的不同.如上文所述，傳統(tǒng)機(jī)器學(xué)習(xí)解決信息隱藏分析問題的結(jié)構(gòu)一般分為2步：首先傳統(tǒng)機(jī)器學(xué)習(xí)會(huì)通過人為的特征提取方式對(duì)圖像進(jìn)行特征提取，然后利用提取出的特征訓(xùn)練出一個(gè)模型進(jìn)行分類.而深度學(xué)習(xí)則能夠自動(dòng)地利用多個(gè)層從圖像中提取一種特征表示，其分類過程與特征提取是在一個(gè)統(tǒng)一的網(wǎng)絡(luò)結(jié)構(gòu)下完成的.Qian等人[38]在其研究中通過圖6對(duì)比了2種結(jié)構(gòu)的不同.從圖6中我們可以看出傳統(tǒng)機(jī)器學(xué)習(xí)算法與深度學(xué)習(xí)算法在結(jié)構(gòu)上存在著明顯的差異，傳統(tǒng)機(jī)器學(xué)習(xí)方法特征提取與分類過程依次進(jìn)行，2個(gè)過程互不影響，因此也很難同時(shí)達(dá)到最優(yōu)，這在很大程度上限制了傳統(tǒng)機(jī)器學(xué)習(xí)方法的性能.與之相比，深度學(xué)習(xí)在一個(gè)統(tǒng)一的網(wǎng)絡(luò)模型下通過不斷迭代，在迭代過程中不斷調(diào)整每一層的參數(shù)從而使得算法系統(tǒng)達(dá)到最優(yōu)，這在直覺上對(duì)信息隱藏分析性能的提高是有益的，在Qian等人[38]與Pibre等人[39]的研究中通過實(shí)驗(yàn)證實(shí)了這一假設(shè).

圖6 傳統(tǒng)信息隱藏分析與深度學(xué)習(xí)信息隱藏分析流程對(duì)比

另一方面，盡管深度學(xué)習(xí)在很多領(lǐng)域(如圖像檢索、語言識(shí)別等)取得了很好的成果，圖像信息隱藏分析由于其任務(wù)的獨(dú)特性對(duì)深度學(xué)習(xí)本身提出了更高的要求，現(xiàn)有的隱藏算法大多具有視覺不可感知性，隱藏加密過程只引入了很小的信號(hào)變化，當(dāng)嵌入率較低時(shí)這個(gè)信號(hào)變化會(huì)更小.這個(gè)小信號(hào)不容易檢測(cè)且很容易被破壞，這對(duì)深度學(xué)習(xí)提出了很大的挑戰(zhàn).盡管深度學(xué)習(xí)在很多現(xiàn)有領(lǐng)域有著出色的表現(xiàn)，但是現(xiàn)有的深度學(xué)習(xí)方法并沒有考慮到統(tǒng)計(jì)特性在信息隱藏分析過程中的重要性，其對(duì)圖像進(jìn)行的一些典型操作(如降采樣、池化等)都會(huì)破壞信息隱藏過程引起的微小改變，從而使得信息隱藏分析過程失敗.因此，若想在信息隱藏分析領(lǐng)域應(yīng)用深度學(xué)習(xí)方法，必須對(duì)現(xiàn)有深度學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行改進(jìn).在Qian等人[38]與Pibre等人[39]的網(wǎng)絡(luò)結(jié)構(gòu)中去掉了降采樣過程，并將目前深度學(xué)習(xí)在其他領(lǐng)域中廣泛應(yīng)用的最大池化改為平均值池化，以更好地保護(hù)隱藏算法引入的信息.

雖然信息隱藏分析任務(wù)的獨(dú)特性對(duì)深度學(xué)習(xí)帶來了很大的挑戰(zhàn)，但信息隱藏分析也具有一些其他領(lǐng)域不具備的特性，如果對(duì)于這些特性加以利用將會(huì)使深度學(xué)習(xí)用于信息隱藏分析取得更好的效果.首先，信息隱藏分析可以獲得大量的原始圖像與藏密圖像，這些有標(biāo)簽數(shù)據(jù)使得深度學(xué)習(xí)過程有了大量可靠的訓(xùn)練數(shù)據(jù)，對(duì)于訓(xùn)練出一個(gè)更加準(zhǔn)確的模型有一定幫助.其次，由于信息隱藏算法對(duì)于圖像的改變很小，因此用于信息隱藏分析的深度學(xué)習(xí)網(wǎng)絡(luò)可能不需要很多層就能獲得較好的效果.在Pibre等人[39]的研究中，他們對(duì)CNN進(jìn)行了各種不同形式的改進(jìn)并測(cè)試其性能，令人意外的是，取得最低的錯(cuò)誤檢測(cè)率的卷積神經(jīng)網(wǎng)絡(luò)只有2個(gè)卷積層，這會(huì)很大程度上減少需要通過迭代訓(xùn)練的參數(shù)數(shù)量，從而減小算法的運(yùn)算成本，這個(gè)結(jié)果為接下來人們的研究提供了一個(gè)新穎的思路.

總的來說，現(xiàn)階段將深度學(xué)習(xí)與信息隱藏分析相結(jié)合尚屬起步階段，其面臨的挑戰(zhàn)還很多，但將深度學(xué)習(xí)引入圖像信息隱藏分析領(lǐng)域，為圖像的信息隱藏分析注入了一絲新鮮的血液，這很可能將成為信息隱藏分析領(lǐng)域研究的熱點(diǎn)之一.

3 結(jié)束語

隨著網(wǎng)絡(luò)的發(fā)展，網(wǎng)絡(luò)中傳遞的信息正在以驚人的速度增長(zhǎng)，大數(shù)據(jù)時(shí)代已經(jīng)到來.本文在全面說明了實(shí)驗(yàn)室環(huán)境下信息隱藏分析的結(jié)構(gòu)和方法的基礎(chǔ)上，分別梳理和分析了目前國(guó)內(nèi)外針對(duì)網(wǎng)絡(luò)大數(shù)據(jù)下的信息隱藏分析所開展的研究.

網(wǎng)絡(luò)中的數(shù)據(jù)規(guī)模巨大、來源復(fù)雜、擴(kuò)散迅速，這對(duì)于實(shí)驗(yàn)室環(huán)境下的各種研究來說既是機(jī)遇也是挑戰(zhàn).

網(wǎng)絡(luò)數(shù)據(jù)來源多樣，造成多源分類下的信息隱藏分析的性能降低，如何在真假圖像混雜情況下提高分析性能是一個(gè)挑戰(zhàn).

對(duì)于網(wǎng)絡(luò)大數(shù)據(jù)下的信息隱藏失配分析新問題，針對(duì)傳統(tǒng)分析結(jié)構(gòu)基礎(chǔ)上的改進(jìn)能局部提高分析性能，但多方面的綜合失配分析是實(shí)用需要解決的關(guān)鍵問題.

網(wǎng)絡(luò)大數(shù)據(jù)環(huán)境下可能出現(xiàn)多樣新的隱藏范式，傳統(tǒng)的特征和分類器的信息隱藏分析結(jié)構(gòu)處于被動(dòng)的應(yīng)對(duì)策略，端到端的新結(jié)構(gòu)雖然也能進(jìn)行信息隱藏分析，在目前還沒有性能提升，但在圖像識(shí)別和人工智能的巨大進(jìn)步影響下，將是一條嶄新的道路.

總之，信息隱藏分析已經(jīng)逐步從實(shí)驗(yàn)室環(huán)境走向更為廣闊的網(wǎng)絡(luò)大數(shù)據(jù)環(huán)境，盡管目前已經(jīng)有一些積極的嘗試與探索性的研究工作正在展開，但總體上來說，網(wǎng)絡(luò)大數(shù)據(jù)下的信息隱藏分析尚且存在著很多亟待解決的問題.

[1]中國(guó)日?qǐng)?bào)網(wǎng). 奧巴馬擬撥款140億美元增強(qiáng)網(wǎng)絡(luò)安全建設(shè)[OL]. [2016-04-01]. http:world.chinadaily.com.cn2015-0213content_19573777.htm

[2]新華社. 國(guó)家中長(zhǎng)期科學(xué)和技術(shù)發(fā)展規(guī)劃綱要[OL]. [2016-04-01]. http:www.gov.cnjrzg2006-0209content_183787.htm

[3]Cheddad A, Condell J, Curran K, et al. Digital image steganography: Survey and analysis of current methods[J]. Signal Processing, 2010, 90(3): 727-752

[4]Fridrich J. Modern trends in steganography and steganalysis[M]Digital Forensics and Watermarking. Berlin: Springer, 2012: 1-1

[5]Zielińska E, Mazurczyk W, Szczypiorski K. Trends in steganography[J]. Communications of the ACM, 2014, 57(3): 86-95

[6]Kelley J. Terror groups hide behind Web encryption[JOL]. USA Today, [2016-04-01]. http:usatoday30.usatoday.comtechnews2001-02-05-binladen.htm

[7]Ker A D, Bas P, B?hme R, et al. Moving steganography and steganalysis from the laboratory into the real world[C]Proc of ACM Workshop on Information Hiding & Multimedia Security. New York: ACM, 2013: 45-58

[8]孔祥維, 王波, 李曉龍. 多媒體信息安全研究綜述[J]. 信息安全研究, 2015, 1(1): 44-53

[9]Shi Y Q, Chen C, Chen W. A Markov process based approach to effective attacking JPEG steganography[C]Information Hiding. Berlin:Springer, 2006: 249-264

[10]Fridrich J. Feature-based steganalysis for JPEG images and its implications for future design of steganographic schemes[C]Information Hiding. Berlin: Springer, 2004: 67-81

[11]Pevny T, Fridrich J. Merging Markov and DCT features for multi-class JPEG steganalysis[C]Proc of SPIE6506: Security, Steganography, and Watermarking of Multimedia Contents IX. Bellingham, WA: SPIE, 2007: 650503

[12]Chen C, Shi Y Q. JPEG image steganalysis utilizing both intrablock and interblock correlations[C]Proc of IEEE Int Symp on Circuits and Systems. Piscataway, NJ: IEEE, 2008: 3029-3032

[13]Pevny T, Bas P, Fridrich J. Steganalysis by subtractive pixel adjacency matrix[J]. IEEE Trans on Information Forensics and Security, 2010, 5(2): 215-224

[16]Fridrich J, Kodovsky J. Rich models for steganalysis of digital images[J]. IEEE Trans on Information Forensics and Security, 2012, 7(3): 868-882

[17]Liu Q. Steganalysis of DCT-embedding based adaptive steganography and YASS[C]Proc of the 13th ACM Multimedia Workshop on Multimedia and Security. New York: ACM, 2011: 77-86

[18]Kodovsky J, Fridrich J, Holub V. Ensemble classifiers for steganalysis of digital media[J]. IEEE Trans on Information Forensics and Security, 2012, 7(2): 432-444

[20]Holub V, Fridrich J. Random projections of residuals for digital image steganalysis[J]. IEEE Trans on Information Forensics and Security, 2013, 8(12): 1996-2006

[21]Holub V, Fridrich J. Low-complexity features for JPEG steganalysis using undecimated DCT[J]. IEEE Trans on Information Forensics and Security, 2015, 10(2): 219-228

[22]Holub V, Fridrich J. Phase-aware projection model for steganalysis of JPEG images[C]Proc of SPIE9409: Media Watermarking, Security, and Forensics 2015. SPIE, 2015. Bellingham, WA: SPIE, 94090T

[23]Goljan M, Fridrich J. CFA-aware features for steganalysis of color images[C]Proc of SPIE9409: Media Watermarking, Security, and Forensics 2015. Bellingham, WA: SPIE, 2015: 94090V

[24]Song X, Liu F, Yang C, et al. Steganalysis of adaptive JPEG steganography using 2D Gabor filters[C]Proc of the 3rd ACM Workshop on Information Hiding and Multimedia Security. New York: ACM, 2015: 15-23

[25]Sch?lkopf B, Smola A J. Learning with Kernels: Support Vector Machines, Regularization, Optimization, and Beyond[M]. Cambridge: MIT Press, 2002

[26]馮悅. 多元混合圖像的特征分析與取證研究[D]. 大連: 大連理工大學(xué), 2015

[27]李星, 張濤, 何贊園, 等. 結(jié)合重壓縮檢測(cè)的JPEG圖像多類隱寫分析[J]. 應(yīng)用科學(xué)學(xué)報(bào), 2013, 31(2): 190-196

[28]曾利凱, 白雪葵, 孔祥維, 等. 基于多任務(wù)學(xué)習(xí)的JPEG圖像信息隱藏分析[COL]第11屆全國(guó)信息隱藏暨多媒體信息安全學(xué)術(shù)大會(huì)CIHW2012論文集. 2012 [2016-04-01]. http:d.wanfangdata.com.cnConference8310750

[29]Pasquet J, Bringay S, Chaumont M. Steganalysis with cover-source mismatch and a small learning database[C]Proc of Signal Processing Conf. Piscataway, NJ: IEEE, 2014: 2425-2429

[30]Ker A D, Pevny T. A mishmash of methods for mitigating the model mismatch mess[C]Proc of Society of Photo-Optical Instrumentation Engineers (SPIE) Conf Series. Bellingham, WA: SPIE, 2014: 79-85

[31]Li X, Kong X, Wang B, et al. Generalized transfer component analysis for mismatched JPEG steganalysis[C]Proc of IEEE Int Conf on Image Processing. Piscataway, NJ: IEEE, 2013: 4432-4436

[32]Zeng L, Kong X, Li M, et al. JPEG quantization table mismatched steganalysis via robust discriminative feature transformation[C]Proc of SPIE9409: Media Watermarking, Security, and Forensics 2015. Bellingham, WA: SPIE, 2015: 94090U

[33]Gul G, Kurugollu F. JPEG image steganalysis using multivariate PDF estimates with MRF cliques[J]. IEEE Trans on Information Forensics & Security, 2013, 8(8): 578-587

[34]Wu A, Feng G. Payload mismatch detection of image steganalysis using ensemble linear discriminant clustering[C]Proc of IEEE Int Conf on Signal Processing, Communications and Computing. Piscatawany, NJ: IEEE, 2015

[35]Xu X, Dong J, Wang W, et al. Robust steganalysis based on training set construction and ensemble classifiers weighting[C]Proc of IEEE Int Conf on Image Processing (ICIP). Piscataway, NJ: IEEE, 2015: 1498-1502

[36]Wu A, Feng G, Zhang X, et al. Unbalanced JPEG image steganalysis via multiview data match[J]. Journal of Visual Communication & Image Representation, 2015, 34: 103-107

[37]Dong Y, Zhang T, Xi L. Blind steganalysis method for JPEG steganography combined with the semisupervised learning and soft margin support vector machine[J]. Journal of Electronic Imaging, 2015, 24(1): 013008-013008

[38]Qian Y, Dong J, Wang W, et al. Deep learning for steganalysis via convolutional neural networks[C]Proc of SPIE9409 Media Watermarking, Security, and Forensics 2015. Bellingham, WA: SPIE, 2015: 94090J

[39]Pibre L, Pasquet J, Ienco D, et al. Deep learning is a good steganalysis tool when embedding key is reused for different images, even if there is a cover sourcemismatch[C]Proc of Media Watermarking, Security, and Forensics. Bellingham, WA: SPIE, 2016: 79-95

孔祥維

教授，博士生導(dǎo)師， 主要研究方向?yàn)槎嗝襟w信息安全、數(shù)字圖像處理和識(shí)別、大數(shù)據(jù)下的多媒體語義理解、多媒體知識(shí)管理和商務(wù)智能、多源信息感知和信息融合等.

kongxw@dlut.edu.cn

郭維廓

碩士研究生，主要研究方向?yàn)槎嗝襟w信息安全、 圖像語義分析和分類.

guoweikuo@mail.dlut.edu.cn

馮超禹

碩士研究生，主要研究方向?yàn)樾畔㈦[藏分析.

fengchaoyu@mail.dlut.edu.cn

張 祎

碩士研究生，主要研究方向?yàn)樾畔㈦[藏分析.

yiz@mail.dlut.edu.cn

楊明亮

碩士研究生，主要研究方向?yàn)樾畔㈦[藏分析.

yangml@mail.dlut.edu.cn

Steganalysis of the Big Data over Network

Kong Xiangwei, Guo Weikuo, Feng Chaoyu, Zhang Yi, and Yang Mingliang

(DepartmentofElectronicsandInformationEngineering,DalianUniversityofTechnology,Dalian,Liaoning116024)

With the explosive growth of information on the Internet, information security has caused wide public concern over the recent years. Steganalysis as a popular direction in the field of information security, is also facing the challenges posed by big data. The data over network always presents in huge amount and comes from multiple sources and different qualities, which makes the steganalysis methods under laboratory become invalid. This paper takes digital images as an example, at first introduces the research situation of steganalysis under laboratory environment, and then analyzes the characteristics of image under the big data over network. Steganalysis methods under laboratory always have dramatic performance decrease under the big data over network by experiment. The paper focuses on the research on the mismatch of steganalysis of the big data over networks, researches on the key technology and the latest progress form four aspects which are the research on the data set, the process on the feature, the improvement of the classifier and the change of steganalysis framework . In the end, the potential problems and future challenges of steganalysis of the big data over network are pointed out, which provide a relatively comprehensive reference basis for future research.

steganalysis; big data; network; big data security; comparison study

2016-04-12

國(guó)家自然科學(xué)基金創(chuàng)新群體基金項(xiàng)目(71421001)；國(guó)家自然科學(xué)基金項(xiàng)目(61502076)

TP393.08