Разработка системы стегоанализа цифровых изображений на основе нейросетевого классификатора

В статье рассматривается подход к реализации системы стеганографического анализа цифровых изображений на основе нейросетевого классификатора, которая используется в рамках комплексной системы мониторинга событий информационной безопасности корпоративных инфокоммуникационных систем. В качестве базовой структуры нейросетевого классификатора предлагается использование модифицированного варианта сверточной нейронной сети, модуль преобработки которой реализует гистограммный метод анализа цвето-яркостных характеристик цифровых изображений. Для автоматизации процесса обучения нейросетевого классификатора в структуру разрабатываемой системы предлагается ввести модуль массовой генерации стегоконтейнеров с заранее заданными значениями типа и размера цифрового изображения, а также размера полезной нагрузки. На основе разработанной структуры системы стегоанализа цифровых изображений был спланирован и проведен факторный эксперимент по оцениванию качества функционирования предложенного нейросетевого классификатора в сравнении с известными решениями бинарных статистических классификаторов. Особенностью проведенного эксперимента является выбор в качестве метрики оценивания качества классификации площади под кривой ошибок (AUC ROC). Результаты эксперимента продемонстрировали возможность применения нейросетевых классификаторов для решения задач стегоанализа, в частности, применительно к их реализации в перспективных средствах защиты информации.

1. Шипулин П. Стеганография. СФУ; 2017. Режим доступа: http://security.pmkb.sfu-kras.ru/blog/steganografiya/ (дата обращения: 20.02.2022).

2. Генне О.В. Основные положения стеганографии. Защита информации. Конфидент. 2000;(3):36–39.

3. Колесников А.А., Яндашевская Э.А. Теоретико-информационный подход к моделированию распределенной стеганографической системы с пассивным противником. Системы управления и информационные технологии. 2020;3(81):19–23.

4. Башмаков Д.А. Методы и алгоритмы выявления встроенных сообщений в пространственной области неподвижных изображений при малой полезной нагрузке: дис. на соискание ученой степени канд. техн. наук. Санкт-Петербург; 2018. 150 с.

5. Гребенников В.В. Стеганография. История тайнописи. М.: ЛитРес: Самиздат; 2019. 160 с.

6. Яндашевская Э.А. Разработка подсистемы стегоанализа цифровых изображений на основе сверточной нейронной сети для обнаружения и предовращения атак, использующих скрытые стеганографические каналы. Доклады ТУСУР (ВАК). 2021;24(2):29–33.

7. Фукунага К. Введение в статистическую теорию распознавания образов. Пер. с англ. М.: Наука. Главная редакция физико-математической литературы; 1979. 368 с.

8. Яндашевская Э.А., Полунин А.А. Использование аппарата свёрточных нейронных сетей для стегоанализа цифровых изображений. Сборник материалов Международной конференции «Иванниковские чтения», Труды ИСП РАН. 2020;32(4):155–164.

9. Килбас И.А., Парингер Р.А. Сравнение точности распознавания сцен и производительности свёрточных нейронных сетей. Науки о данных: Сборник трудов V Международной конференции и молодёжной школы «Информационные технологии и нанотехнологии». 2019;740–747.

10. Сикорский О.С Обзор свёрточных нейронных сетей для задачи классификации изображений. Новые информационные технологии в автоматизированных системах. 2017;(20):45–53.