Steganography هو علم نقل المعلومات سرًا عن طريق إخفاء حقيقة الإرسال. وكلمة steganography نفسها تأتي من اليونانية. στεγανός "مخفي" + γράφω "أكتب" وتعني حرفياً "الكتابة السرية". في هذا المجال ، كما هو الحال في العديد من المجالات الأخرى ، لا سيما في السنوات الأخيرة ، أصبحت أساليب التعلم الآلي واسعة الانتشار ، ولا سيما شبكات الخصومة التوليدية (GAN). 



التالي في القائمة:

1. إخفاء المعلومات التقليدي للدمى 
2. ما هو GAN وماذا يؤكلون؟
3. فكيف يتم تطبيق GANs؟
4. مستقبل GAN: ما الذي ينتظرنا في إخفاء المعلومات؟

إخفاء المعلومات التقليدي للدمى

منذ العصور القديمة ، استخدم الناس علم الإخفاء الكلاسيكي كوسيلة للاتصال السري: الحبر غير المرئي ، والشعر التبتي ، وغير ذلك. يستخدم علم الإخفاء الحديث الاتصالات الإلكترونية والتكنولوجيا الرقمية لإخفاء رسالة. يتكون كل نظام stegosystem حديث من مكونين رئيسيين: خوارزميات الحقن والاستخراج. لذلك ، تأخذ خوارزمية الحقن كمدخلات رسالة سرية ومفتاحًا سريًا وحاوية سيتم استخدامها لنقل الرسالة. نتيجة عمله رسالة ستيجو.



بشكل عام ، يمكن أن تكون الرسالة أي شيء: نص أو صورة أو بيانات صوتية وما إلى ذلك. لكل نوع من البيانات ، يتم تطوير أساليب الإخفاء الخاصة به. لذلك في إخفاء النص ، يتم استخدام الافتراضات في الموقع وعدد الأحرف في النص ، والتي لا تؤخذ في الاعتبار عند قراءة شخص ما. على سبيل المثال ، يعد التنسيق أحد الأساليب. يتألف جوهرها من تقسيم الخط عن طريق زيادة المسافات بين الكلمات ، عندما تتوافق مسافة واحدة ، على سبيل المثال ، مع البت 0 ، ومسافتين مع البت 1. أو ، في إخفاء الشبكة ، يتم نقل المعلومات المخفية عبر شبكات الكمبيوتر باستخدام خصائص بروتوكولات نقل البيانات. تتضمن التقنيات النموذجية لإخفاء الشبكة تغيير خصائص أحد بروتوكولات الشبكة. في المستقبل ، سننظر فقط في علم إخفاء المعلومات في الصور ،على التوالي ، سوف نسمي رسائل stego المرسلة صور stego.





في إخفاء الصور ، يتم تمييز ثلاث بنى أساسية مختلفة وفقًا لطرق مختلفة للحصول على صور stego.

1) تعديل الصورة

هناك نوعان أساسيان من مناهج التعديل في علم إخفاء المعلومات. النوع الأول  يتعامل مع دعم النموذج الإحصائي ،  والثاني   يطبق التضمين كنتيجة لتقليل دالة تشويه معينة.

2) اختيار الصورة

اختيار الصورة يدور حول اختيار الحاوية المناسبة ويتضمن طريقتين رئيسيتين. الأول هو اختيار صورة مرشحة للتعديل. في هذه الطريقة ، تحتاج إلى العثور على حاوية مناسبة للتعديل في قاعدة البيانات. على الرغم من أن هذه الطرق تسمى اختيار الصورة ، إلا أنها في الأساس تعديل مع بعض الخطوات الإضافية. لكن في المستقبل لن نعتبر هذه الطريقة طريقة مستقلة. نهج آخر هو اختيار الحاوية كصورة stego دون تعديل. في هذا النهج ، من المهم وضع قواعد للمطابقة بين الرسالة وصورة stego.

3) تركيب الصورة

الاستراتيجية الثالثة تقوم على تركيب الصورة. وهنا تحاول Alice (Steganographer) إنشاء صورة جديدة تحتوي على المعلومات اللازمة. نظرًا لأن تركيب صورة واقعية يمثل مشكلة معقدة ، فإن الطريقة التقليدية تحل مشاكل إخفاء المعلومات عن طريق إنشاء صور "غير طبيعية" ، مثل  الأنسجة  أو  صور بصمة الإصبع .

ما هو GAN وماذا يؤكلون؟

شبكة الخصومة التوليدية (GAN باختصار) هي خوارزمية تعلم آلي غير خاضعة للإشراف مبنية على مزيج من شبكتين عصبيتين. في عام 2014 ، تم تقديمه لأول  مرة بواسطة  Google. في نظام GAN ، تقوم إحدى الشبكات بإنشاء أنماط وتحاول الأخرى التمييز بين الأنماط "الأصلية" والأنماط غير الصحيحة. 



تحاول الشبكة التوليدية ، التي تستخدم مجموعة من متغيرات مساحة الكمون ، دائمًا تشكيل عينة جديدة عن طريق خلط عدة عينات أصلية. تم تدريب الشبكة التمييزية D على التمييز بين العينات الأصلية والمزيفة. في الوقت نفسه ، يتم تغذية نتائجها بمدخلات الشبكة التوليدية G بحيث يمكنها اختيار أفضل مجموعة من المعلمات الكامنة ، ولن تتمكن الشبكة التمييزية من تمييز العينات الأصلية من العينات المزيفة. كما ترى ، فإن الهدف من الشبكة G هو زيادة نسبة الأخطاء في الشبكة D ، والهدف من الشبكة D ، على العكس من ذلك ، هو تحسين دقة التعرف.



لقد وجدت شبكات GAN تطبيقات ممتازة في رؤية الكمبيوتر  ومعالجة اللغة الطبيعية  (في توليد الصور والنصوص). لكن في الوقت نفسه ، لم يسلم علم الإخفاء.

فكيف يتم تطبيق GANs؟

يمكن عرض إمكانات GAN من زوايا مختلفة: اللعب التنافسي أو المولد أو وظيفة العرض. وهي متوافقة مع تصنيف الاستراتيجيات الرئيسية في إخفاء المعلومات ، أي التعديل والتوليف والاختيار.

1) تعديل الصورة

يركز تعديل الصورة المستند إلى GAN على لعبة الخصومة بين Steganograph و steganizer. تستخدم هذه الطريقة مولدًا مدربًا لإنشاء عناصر "رئيسية" مختلفة. هناك ثلاث استراتيجيات رئيسية.

خلق صورة ستيجو

دينيس Volkhonsky، إيفان نزاروف ويفغيني Burnaev  المقترحة ل  تصميم مولد لخلق صورة stego. يسمح هذا النهج برسالة stego أكثر مقاومة للتحليل يمكن أن تنقل الرسائل باستخدام خوارزميات إخفاء المعلومات القياسية. في الواقع ، قدموا شبكة خصومة توليدية تتكون من ثلاث شبكات: المولد G ، والمميز D ، والمصنف S لتحليل الإخفاء.



يحدد المصنف S ما إذا كانت الصورة الواقعية تخفي معلومات مصنفة.

إنشاء مصفوفة احتمالية التعديل

مثال على ذلك  ASDL-GAN  للتعرف تلقائيًا على وظيفة التشويه. يعمل هذا المخطط وفقًا لتقليد علم إخفاء المعلومات الحديث ويقلل من وظيفة التشويه الإضافي. يتم الحصول على مصفوفة احتمالية التغيير نفسها عن طريق تقليل التوقع الرياضي لوظيفة التشويه. تم تدريب المولد G في مخططهم على التعرف على احتمالات تغيير P لصورة الإدخال.

اللعب العدائي

تتضمن الإستراتيجية الثالثة الاستخدام المباشر للعبة تنافسية بين ثلاثة من المشاركين (أليس ، بوب ، ويندي) لدراسة خوارزمية التعديل. طريقة  ADV-EMB تحاول تغيير الصورة لإخفاء الرسالة عن طريق خداع مصنف تحليل الإخفاء.



في هذا النهج ، يتم تقسيم وحدات البكسل الخاصة بـ "الصورة المرشحة" إلى مجموعتين ، يتم استخدام مجموعة واحدة من البكسل للتعديل ، ويتم استخدام المجموعة الثانية من البكسل لإنشاء اضطرابات لمقاومة المحلل.

2) اختيار الصورة

يهدف إخفاء اختيار GAN إلى إنشاء العلاقة بين الرسالة وصورة Stego. ومع ذلك ، لا توجد مصادر كثيرة حول هذا الموضوع ، على الرغم من أن بعض الأعمال تقوم بمحاولات منفصلة  في هذا الاتجاه.



تتمثل إحدى الأفكار في أن المرسل يضبط نوع العرض باستخدام مولد بين الرسالة والصورة المحددة. بالنسبة للمستلم ، يتم إنشاء الرسالة مباشرة من الصورة المحددة. يتمثل جوهر هذه الطريقة في تحديد العلاقة بين الصورة والرسالة السرية بحيث تتحول الحاوية بشكل طبيعي إلى صورة ستيجو. لا يعمل التحليل الإحصائي المخفي لأن عملية التعديل نفسها لا تتم بشكل مباشر.

3) تركيب الصورة

عادةً ما يتم إنشاء الصورة باستخدام منشئ مُدرب بإفراط ويتم اقتراح العديد من الاستراتيجيات هنا.

التعلم مع المعلم

هنا ،  يستخدم المؤلفون شبكة عصبية لدراسة خوارزمية التعلم العدائي حيث يمثل ثلاثة لاعبين (أليس وبوب وحواء) ​​الشبكات العصبية.







تستخدم أليس الحاوية والرسالة السرية لإنشاء صورة ستيجو ، بينما يحاول بوب استعادة الرسالة. تستخرج Eve الاحتمالية P للرسالة السرية في الصورة. في نفس الوقت ، تحاول أليس تحقيق توازن يكون فيه احتمال تلقي حواء لصورة بها رسالة سرية هو 1/2. (أي أن حواء تحاول بشكل تعسفي تخمين النتيجة). تقدم هذه الخوارزمية ثلاث وظائف خسارة ، مسؤولة عنها أليس وبوب وحواء ، على التوالي.

التعلم بدون معلم

إخفاء المعلومات بدون تعديل



في هذه الطريقة ،  يتم تحويل الرسائل السرية إلى ناقل ضوضاء ، والذي يتم إرساله إلى المولد كمدخل لإنشاء صورة ستيجو.



أولاً ، تم تدريب المولد G ببعض مجموعات البيانات. ينتج عن هذا مولد يمكنه إنشاء صور واقعية. خلال المرحلة الثانية ، يتم تدريب المستخرج E باستخدام وظيفة فقد استخراج الرسائل. الهدف من هذه الخطوة هو استعادة الرسالة من صورة Stego التي تم إنشاؤها.



في الخطوة الأخيرة ، ينشئ المرسل العلاقة بين الضوضاء والرسالة ، ويتم تقسيم الرسالة السرية ونواقل الضوضاء لإنشاء مخطط. يمكن للمستقبل استخدام المستخرج لإعادة بناء متجه الضوضاء ، ثم يتم الحصول على الرسالة السرية باستخدام الخرائط الناتجة.



إخفاء المعلومات عن WGAN-GP



في هذا النهج ،  يتم تدريب مستخرج الرسائل ومولد صورة stego في وقت واحد. تم تكييف WGAN-GP لإنتاج صور ذات جودة أعلى. وفقًا للطريقة المقترحة ، يتعلم Generator G مدخلات الحد الأدنى من اللعبة (قاعدة قرار لتقليل الخسائر المحتملة من تلك التي لا يمكن منعها من قبل صانع القرار في سيناريو أسوأ الحالات بالنسبة له) من أجل التنافس مع التمييز (D) والمستخرج (E ).

تدريب المعلمين الجزئي

علم إخفاء المعلومات ACGAN من



أجل إجراء تدريب جزئي ، يجب إضافة شبكة مساعدة خاصة بالمهمة إلى GAN الأصلي.   تحدد هذه الطريقة العلاقة بين تسميات فئة الصور التي تم إنشاؤها والمعلومات السرية ، مع تسميات الفئة والضوضاء التي يتم حقنها مباشرة في المولد لإنشاء صورة stego. في مرحلة استخراج الرسالة ، يتم تغذية صورة Stego إلى أداة التمييز للحصول على أجزاء من المعلومات السرية.



إخفاء العينات المحدود



 في هذه الحالة ،  تصبح عملية تضمين الرسالة مشكلة في تحديد الصورة. تعتبر المقالة إنشاء صورة Stego كمشكلة لتقليل المسافة بين الصورة الأصلية وصورة Stego.



إخفاء المعلومات باستخدام دورة غانا



يعتبر بعض الباحثين أن توليف صورة stego هو مشكلة ترجمة "صورة إلى صورة". نموذج مشهور جدًا لترجمة الصور هو  CycleGAN . يتعلم هذا النموذج تحويل صورة من الفئة X إلى الفئة Y عن طريق تقليل دالة خسارة الخصومة ووظيفة فقدان تناسق الحلقة.  يجادل المقال بأنه يمكن النظر إلى CycleGAN كعملية ترميز لإخفاء المعلومات.

مستقبل GAN: ما الذي ينتظرنا في إخفاء المعلومات؟

تعتبر الطرق المستندة إلى GAN مثيرة للغاية وواعدة للاختزال. هذا النهج لديه حاليا ثلاثة اتجاهات رئيسية للتنمية. مستقبل GAN: ما الذي ينتظرنا في إخفاء المعلومات؟

سعة

في طرق مثل GAN-CSY ، يؤدي عدم استقرار وحدات البكسل المولدة إلى ضعف دقة استرجاع الرسائل. في طرق أخرى ، لا توجد الرسالة في شكلها المعتاد ، ولكنها سمة فئة أو متجه ضوضاء. العيب هو أن الرسائل في الأساليب الحالية لا تتضمن الكثير من المعلومات. وبالتالي ، فإن أحد المجالات التي تتطلب الاهتمام هو تحسين الاستقرار وزيادة حجم البيانات المرسلة.

تقييم جودة الصورة

من الصعب تحديد جودة الصور الاصطناعية. في مجال تركيب الصور ، لا يمكن الاعتماد على معايير تقييم الصور التي تم إنشاؤها بشكل كافٍ.



بعض الأساليب التي تستخدم التقييم اليدوي ذاتية وتفتقر إلى معايير موضوعية للتقييم. معايير التقييم الحالية هي أساسًا IS (درجة Inseption) و FID (Frechet Inception Distence). تأخذ هذه التقييمات في الاعتبار فقط أصالة وجودة الصورة. لذا فإن العثور على تقديرات مناسبة لا يزال يمثل خطًا مهمًا وغير مطور للبحث.

التحليل الخفي

تنقسم مهمة إخفاء المعلومات إلى مرحلتين. المرحلة الأولى هي فحص الصور والتي ستظهر ما إذا كانت الصورة مزيفة. الخطوة الثانية هي إخفاء الصورة ، والتي تحدد ما إذا كانت الصورة التي تم إنشاؤها تحتوي على رسالة سرية. حاليًا ، لا يمكن تمييز الصور التي تم إنشاؤها بواسطة GAN

بالعين البشرية. في علم إخفاء المعلومات التقليدي ، هناك العديد من الطرق لفحص الصور من أجل التمييز بين الصور الطبيعية والمولدة. ولكن في المستقبل ، مع تطوير الأساليب الموصوفة ، سيصبح من الصعب تحديد ما إذا كانت الصورة قد تم إنشاؤها أم لا. وبناءً على ذلك ، ينبغي الاعتراف بزيادة كفاءة التحليل المخفي باعتباره الاتجاه الواعد.



تم تحضير المواد بناءً على  هذه المقالة.