Steganografi adalah ilmu yang mentransmisikan informasi secara diam-diam dengan menyembunyikan fakta transmisi. Dan kata steganografi sendiri berasal dari bahasa Yunani. στεγανός "tersembunyi" + γράφω "Saya menulis" dan secara harfiah berarti "tulisan rahasia". Di area ini, seperti di banyak wilayah lainnya, terutama dalam beberapa tahun terakhir, metode pembelajaran mesin telah tersebar luas, khususnya, jaringan adversarial generatif (GAN). 



Selanjutnya di menu:

1. Steganografi tradisional untuk boneka 
2. Apa itu GAN dan dengan apa mereka dimakan?
3. Jadi bagaimana GAN diterapkan?
4. Masa depan GAN: apa yang menanti kita dalam steganografi?

Steganografi tradisional untuk boneka

Sejak zaman kuno, steganografi klasik telah digunakan oleh orang-orang sebagai alat komunikasi rahasia: tinta tak terlihat, puisi Tibet, dan banyak lagi. Steganografi modern menggunakan komunikasi elektronik dan teknologi digital untuk menyembunyikan pesan. Setiap stegosystem modern terdiri dari dua komponen utama: algoritma injeksi dan ekstraksi. Jadi, algoritma injeksi mengambil sebagai masukan pesan rahasia, kunci rahasia dan wadah yang akan digunakan untuk mentransfer pesan tersebut. Hasil karyanya adalah pesan stego.



Umumnya, pesan bisa berupa apa saja: teks, gambar, data audio, dan sebagainya. Untuk setiap jenis data, pendekatan penyembunyiannya sendiri dikembangkan. Jadi dalam steganografi teks, asumsi digunakan dalam lokasi dan jumlah karakter dalam teks, yang tidak diperhitungkan saat membaca seseorang. Misalnya, salah satu tekniknya adalah pemformatan. Esensinya terdiri dari pemisahan garis dengan menambah spasi antar kata, ketika satu spasi sesuai, misalnya, ke bit 0, dan dua spasi ke bit 1. Atau, dalam steganografi jaringan, informasi tersembunyi ditransmisikan melalui jaringan komputer menggunakan kekhasan protokol transfer data. Teknik steganografi jaringan yang khas melibatkan perubahan properti dari salah satu protokol jaringan. Di masa depan, kami hanya akan mempertimbangkan steganografi dalam gambar,masing-masing, kita akan memanggil gambar stego pesan stego yang ditransmisikan.





Dalam steganografi gambar, tiga arsitektur dasar yang berbeda dibedakan menurut metode yang berbeda untuk mendapatkan gambar stego.

1) Modifikasi gambar

Pada dasarnya ada dua jenis pendekatan modifikasi pada steganografi. Jenis pertama  berkaitan dengan mendukung model statistik, dan yang  kedua   mengimplementasikan penyematan sebagai hasil dari meminimalkan fungsi distorsi tertentu.

2) Pemilihan gambar

Pemilihan gambar adalah tentang memilih wadah yang tepat dan ini melibatkan dua pendekatan utama. Yang pertama adalah memilih gambar kandidat untuk dimodifikasi. Dalam metode ini, Anda perlu menemukan wadah yang sesuai untuk modifikasi dalam database. Meskipun metode ini disebut pemilihan gambar, namun pada dasarnya merupakan modifikasi dengan beberapa langkah tambahan. Namun kedepannya kami tidak akan menganggap metode ini sebagai metode yang independen. Pendekatan lain adalah memilih wadah sebagai gambar stego tanpa modifikasi. Dalam pendekatan ini, penting untuk menetapkan aturan pencocokan antara pesan dan gambar stego.

3) Sintesis gambar

Strategi ketiga didasarkan pada sintesis gambar. Dan di sini Alice (steganografer) kami mencoba membuat gambar baru yang berisi informasi yang diperlukan. Karena sintesis gambar realistik adalah masalah yang kompleks, metode tradisional memecahkan masalah steganografi dengan membuat gambar yang "tidak wajar", seperti  tekstur  atau  gambar sidik jari .

Apa itu GAN dan dengan apa mereka dimakan?

Jaringan adversarial generatif (disingkat GAN) adalah algoritme pembelajaran mesin tanpa pengawasan yang dibangun di atas kombinasi dua jaringan saraf. Pada 2014, pertama kali  diperkenalkan oleh  Google. Dalam sistem GAN, salah satu jaringan menghasilkan pola dan jaringan lainnya mencoba membedakan pola "asli" dari yang salah. 



Jaringan generatif, menggunakan sekumpulan variabel ruang latensi, selalu mencoba untuk membentuk sampel baru dengan mencampur beberapa sampel asli. Discriminative Network D dilatih untuk membedakan antara sampel asli dan palsu. Pada saat yang sama, hasilnya diumpankan ke input jaringan generatif G sehingga dapat memilih set parameter laten terbaik, dan jaringan diskriminatif tidak lagi dapat membedakan sampel asli dari yang palsu. Seperti yang Anda lihat, tujuan jaringan G adalah untuk meningkatkan persentase kesalahan dalam jaringan D, dan tujuan jaringan D, sebaliknya, untuk meningkatkan akurasi pengenalan.



GAN telah menemukan aplikasi yang sangat baik dalam visi komputer dan  pemrosesan bahasa alami  (menghasilkan gambar dan teks). Tetapi pada saat yang sama, steganografi juga tidak luput.

Jadi bagaimana GAN diterapkan?

Kemampuan GAN dapat dilihat dari berbagai sudut: permainan kompetitif, generator, atau fungsi tampilan. Mereka konsisten dengan klasifikasi strategi utama dalam steganografi, yaitu modifikasi, sintesis, dan seleksi.

1) Modifikasi gambar

Modifikasi citra berbasis GAN berfokus pada permainan adversarial antara steganograf dan stegan analyzer. Metode ini menggunakan generator yang dilatih untuk membuat berbagai elemen "kunci". Ada tiga strategi utama.

Buat gambar stego

Denis Volkhonsky, Ivan Nazarov, dan Evgeny Burnaev  mengusulkan untuk  merancang generator untuk membuat gambar stego. Pendekatan ini memungkinkan pesan stego yang lebih tahan steganalisis yang dapat mengirimkan pesan menggunakan algoritme steganografi standar. Faktanya, mereka menyajikan jaringan adversarial generatif yang terdiri dari tiga jaringan: generator G, diskriminator D, dan pengklasifikasi S dari steganalisis.



Pengklasifikasi S menentukan apakah gambar realistik menyembunyikan informasi rahasia.

Buat matriks probabilitas modifikasi

Contohnya adalah  ASDL-GAN  untuk mempelajari fungsi distorsi secara otomatis. Skema ini beroperasi dalam tradisi steganografi modern dan meminimalkan fungsi distorsi aditif. Matriks probabilitas perubahan itu sendiri diperoleh dengan meminimalkan ekspektasi matematis dari fungsi distorsi. Generator G dalam skema mereka dilatih untuk mengenali kemungkinan perubahan P gambar input.

Bermain permusuhan

Strategi ketiga melibatkan penggunaan langsung permainan kompetitif antara tiga partisipannya (Alice, Bob, Wendy) untuk mempelajari algoritme modifikasi. Metode  ADV-EMB yang mencoba mengubah gambar untuk menyembunyikan pesan dengan menipu pengklasifikasi steganalisis.



Dalam pendekatan ini, piksel dari "calon gambar" dibagi menjadi dua kelompok, satu kelompok piksel digunakan untuk modifikasi, dan kelompok piksel kedua digunakan untuk membuat gangguan guna menahan penganalisis.

2) Pemilihan gambar

Steganografi berdasarkan pemilihan GAN bertujuan untuk menjalin hubungan antara pesan dan citra stego. Namun, tidak banyak sumber tentang topik ini, meskipun beberapa karya melakukan upaya terpisah  ke arah ini.



Salah satu idenya adalah bahwa pengirim mengatur jenis tampilan menggunakan generator antara pesan dan gambar yang dipilih. Untuk penerima, pesan dibuat langsung dari gambar yang dipilih. Inti dari metode ini adalah membangun hubungan antara gambar dan pesan rahasia sehingga wadah secara alami berubah menjadi gambar stego. Analisis statistik steganografi tidak berfungsi karena operasi modifikasi itu sendiri tidak dilakukan secara langsung.

3) Sintesis gambar

Gambar biasanya dibuat dengan generator yang terlalu terlatih dan beberapa strategi disarankan di sini.

Belajar dengan seorang guru

Disini,  penulis menggunakan neural network untuk mempelajari algoritma pembelajaran adversarial dimana tiga pemain (Alice, Bob, dan Eve) mewakili jaringan syaraf tiruan.







Alice menggunakan wadah dan pesan rahasia untuk membuat gambar stego, sementara Bob mencoba memulihkan pesan tersebut. Eve mengekstrak probabilitas P dari pesan rahasia dalam gambar. Pada saat yang sama, Alice mencoba mencapai keseimbangan di mana kemungkinan Eve untuk menerima gambar dengan pesan rahasia adalah 1/2. (Artinya, Eve sudah mencoba menebak-nebak hasilnya). Algoritme ini memperkenalkan tiga fungsi kerugian, di mana Alice, Bob, dan Eve bertanggung jawab.

Belajar tanpa guru

Steganografi tanpa modifikasi



Dalam metode ini,  pesan rahasia diubah menjadi vektor noise, yang dikirim ke generator sebagai input untuk membuat gambar stego.



Pertama, generator G dilatih dengan beberapa dataset. Ini menghasilkan generator yang dapat membuat gambar realistis. Selama fase kedua, ekstraktor E dilatih menggunakan fungsi kehilangan ekstraksi pesan. Tujuan dari langkah ini adalah untuk memulihkan pesan dari gambar stego yang dihasilkan.



Pada langkah terakhir, pengirim menetapkan hubungan antara derau dan pesan, dan pesan rahasia dan vektor derau disegmentasi untuk membuat pemetaan. Penerima dapat menggunakan ekstraktor untuk merekonstruksi vektor kebisingan, dan kemudian pesan rahasia diperoleh dengan menggunakan pemetaan yang dihasilkan.



Steganografi WGAN-GP



Dalam pendekatan ini,  ekstraktor pesan dan generator gambar stego dilatih secara bersamaan. WGAN-GP diadaptasi untuk menghasilkan gambar stego dengan kualitas yang lebih tinggi. Menurut metode yang diusulkan, Generator G mempelajari masukan dari minimax game (aturan keputusan untuk meminimalkan kemungkinan kerugian dari yang tidak dapat dicegah oleh pembuat keputusan dalam skenario terburuk baginya) untuk bersaing dengan Discriminator (D) dan Extractor (E ).

Pelatihan guru sebagian

Steganografi ACGAN



Untuk melakukan pelatihan parsial, jaringan tambahan khusus tugas harus ditambahkan ke GAN asli.  Metode ini  menetapkan hubungan antara label kelas gambar yang dihasilkan dan informasi rahasia, dengan label kelas dan noise yang disuntikkan langsung ke generator untuk menghasilkan gambar stego. Pada tahap ekstraksi pesan, citra stego diumpankan ke diskriminator untuk mendapatkan potongan-potongan informasi rahasia.



Steganografi pengambilan sampel terbatas



 Dalam kasus ini,  operasi penyematan pesan menjadi masalah pemilihan gambar. Artikel ini menganggap pembuatan gambar stego sebagai masalah meminimalkan jarak antara gambar asli dan gambar stego.



Steganografi menggunakan siklus Ghana



Beberapa peneliti menganggap sintesis gambar stego sebagai masalah terjemahan "gambar-ke-gambar". Model terjemahan gambar yang sangat terkenal adalah  CycleGAN . Model ini belajar mengonversi gambar dari kelas X ke kelas Y dengan meminimalkan fungsi kerugian adversarial dan fungsi kerugian konsistensi loop. Artikel tersebut  berpendapat bahwa CycleGAN dapat dilihat sebagai proses pengkodean untuk menyembunyikan informasi.

Masa depan GAN: apa yang menanti kita dalam steganografi?

Metode berbasis GAN sangat menarik dan menjanjikan untuk disingkat. Pendekatan ini saat ini memiliki tiga arah utama pembangunan. Masa depan GAN: apa yang menanti kita dalam steganografi?

Kapasitas

Dalam metode seperti GAN-CSY, ketidakstabilan piksel yang dihasilkan menyebabkan akurasi pengambilan pesan yang buruk. Dalam metode lain, pesan tidak ada dalam bentuk biasanya, tetapi merupakan atribut kategori atau vektor derau. Kerugiannya adalah bahwa pesan dalam metode yang ada tidak menyertakan banyak informasi. Oleh karena itu, salah satu hal yang perlu mendapat perhatian adalah peningkatan stabilitas dan peningkatan volume data yang dikirimkan.

Penilaian kualitas gambar

Sulit untuk mengukur kualitas gambar sintetis. Di bidang sintesis citra, kriteria untuk mengevaluasi citra yang dihasilkan kurang dapat diandalkan.



Beberapa metode yang menggunakan penilaian manual bersifat subjektif dan kurang memiliki kriteria objektif untuk penilaian. Kriteria penilaian saat ini terutama adalah IS (Inseption Score) dan FID (Frechet Inception Distence). Peringkat ini hanya memperhitungkan keaslian dan kualitas gambar. Jadi menemukan perkiraan yang sesuai masih merupakan penelitian yang penting dan belum berkembang.

Steganalisis

Tugas steganalisis dibagi menjadi dua tahap. Tahap pertama adalah pemeriksaan gambar, yang akan menunjukkan apakah gambar tersebut palsu. Langkah kedua adalah steganisasi gambar, yang menentukan apakah gambar yang dihasilkan berisi pesan rahasia. Saat ini, gambar yang dihasilkan oleh GAN tidak dapat dibedakan dengan

mata manusia. Dalam steganografi tradisional, ada banyak metode untuk memeriksa gambar untuk membedakan gambar yang alami dan yang dihasilkan. Namun kedepannya dengan berkembangnya pendekatan-pendekatan yang telah dijelaskan akan menjadi sulit untuk menentukan apakah citra tersebut dihasilkan atau tidak. Dengan demikian, peningkatan efisiensi steganalisis harus diakui sebagai arah yang paling menjanjikan.



Materi disusun berdasarkan  artikel ini.