En este artículo vamos a ver cómo realizar estegoanálisis de imágenes basado en actores. Usaremos la herramienta Aletheia.
Work in progress…
Motivación
El estegoanálisis de imágenes ha sido tradicionalmente una actividad que se realiza de forma individual, es decir, analizando cada imagen por separado. Este enfoque tiene sentido en ciertos contextos, como cuando se necesita examinar una sola imagen en detalle o cuando se manejan imágenes que provienen de diferentes fuentes y carecen de una relación inherente entre ellas. En estos casos, el análisis uno a uno es apropiado.
Sin embargo, hay escenarios en los que este método puede no ser el más efectivo. Un enfoque alternativo que puede ofrecer una mejora significativa en la calidad del análisis es el estegoanálisis basado en actores, que implica examinar un conjunto de imágenes procedentes de un mismo origen o actor. La premisa subyacente de este enfoque es que las imágenes originadas por un único actor tienden a tener características comunes que pueden ser aprovechados para mejorar la precisión del estegoanálisis. Un ejemplo ilustrativo de esta situación se da cuando las fotografías son capturadas usando un mismo dispositivo, lo que resulta en imágenes con propiedades estadísticas similares.
Adicionalmente, la fiabilidad de la detección mejora conforme se incrementa el número de imágenes sometidas a análisis. Esto se debe a que contar con una mayor cantidad de datos para evaluar fortalece la precisión del análisis en general.
El análisis grupal de imágenes ofrece posibilidades como la aplicación de técnicas de detección de inconsistencias de clasificación otécnicas DCI [ 2 ] (Detection of Classifier Inconsistencies). Este enfoque permite examinar un conjunto de imágenes para determinar si la clasificación es consistente, permitiendo conocer la fiabilidad de los resultados. Este método es aplicable en el ámbito del estegoanálisis basado en machine learning, que es la forma habitual de realizar estegoanálisis actualmente.
En este contexto, uno de los problemas que suelen surgir es el del “Cover Source Mismatch” (CSM). Esta situación ocurre cuando las imágenes que se están analizando no comparten las mismas propiedades estadísticas que las imágenes utilizadas para entrenar el modelo clasificador. Esta falta de concordancia puede comprometer significativamente la eficacia del modelo, resultando en un deterioro del rendimiento en la detección de esteganografía.
De este modo, al adoptar un enfoque de estegoanálisis centrado en actores, buscamos cumplir con dos objetivos clave: en primer lugar, utilizar la información agregada de múltiples imágenes para optimizar la precisión del estegoanálisis; y en segundo lugar, abordar eficazmente el desafío del “Cover Source Mismatch” (CSM) a través de la detección de inconsistencias en el modelo clasificador.
Preparación de datos
Para poder experimentar con entornos de actores necesitamos poder simular de alguna manera estos escenarios. Para ello, Aletheia nos proporciona el comando “create-actors”. En este apartado veremos cómo usarlo.
Si ejecutamos el comando sin parámetros, podemos ver que parámetros requiere:
$ ./aletheia.py create-actors
./aletheia.py create-actors <cover-dir> <stego-dir> <output-dir> <#innocent> <#guilty> <min-max> <seed>
cover-dir: Directory containing cover images
stego-dir: Directory containing stego images
output-dir: Output directory where actors will be created
#innocent Number of innocent actors
#guilty: Number of guilty actors
min-max: Range of images for each actor
seed: Seed for reproducible results
Este comando usa un directorio que contiene imágenes cover “cover-dir)” y un directorio que contiene imágenes stego “stego-dir” para crear actores inocentes y culpables. Usaremos los parámetros “#innocent” y “#guilty”, para indicar el número de actores inocentes y el número de actores culpables (respectivamente) que queremos generar. En este punto, cabe destacar que los actores culpables generados tendrán como mínimo una imagen stego, el resto pueden ser cover (se elige aleatoriamente el número de cover y de stego). El parámetro “min-max” nos permite indicar el rango de imágenes que se usarán para cada actor. Por ejemplo, si seleccionamos como rango 10-50, cada actor que se genere tendrá entre 10 y 50 imagenes (un número seleccionado aleatoriamente). Finalmente “seed” nos permite seleccionar una semilla (un número) para inicializar el generador de números aleatorios. Esto nos permitirá poder repetir la misma selección de imágenes si en el futuro queremos volver a preparar el mismo experimento.
En los directorios “cover-dir” y “stego-dir” tenemos que proporcionar imágenes cover y imágenes stego. Por lo que tenemos que tenerlas preparadas antes de ejecutar el comando “create-actors”.
Veamos primero como preparar las imágenes cover y las imágenes stego, si no disponemos de ellas. Para generar imágenes cover, solo tenemos que descargarlas. Existen diferentes opciones, como por ejemplo la base de datos Alaska2. Para evitar fugas de información, conviene usar imágenes que no hayan sido usadas para entrenar los modelos de Aletheia. Para ello disponemos del conjunto de imágenes sample_images/alaska2jpg_tst. Podemos usar estas imágenes como nuestro directorio “cover-dir”.
Para crear las imágenes stego podemos usar cualquiera de los simuladores que proporciona Aletheia. Para este ejemplo vamos a usar el simulador de “nsF5”. Lo podemos hacer de la siguiente manera:
$ mkdir stego-images
$ /aletheia.py nsf5-color-sim sample_images/alaska2jpg_tst/ 0.10-0.50 stego-images/
De esta manera obtenemos imágenes stego a partir de las imágenes cover, i incrustando mensajes de un tamaño seleccionado aletaroriamente entre 0.10 y 0.50. Esto significa que el tamaño del mensaje será de entre un 10% y un 50% del total disponible para incrustar información.
Finalmente, ya podemos crear actores de prueba. Vamos a crear 10 actores inocentes y 10 actores culpables. Cada uno de ellos tendrá entre 10 y 50 imágenes.
./aletheia.py create-actors sample_images/alaska2jpg_tst stego-images experiment-S0 10 10 10-50 0
Los datos generados tienen la siguiente estructura:
$ ls experiment-S0/
guilty innocent
$ ls experiment-S0/innocent/
actor1 actor10 actor2 actor3 actor4 actor5 actor6 actor7 actor8 actor9
$ ls experiment-S0/guilty/
actor1 actor1.txt actor3 actor4.txt actor6 actor7.txt actor9
actor10 actor2 actor3.txt actor5 actor6.txt actor8 actor9.txt
actor10.txt actor2.txt actor4 actor5.txt actor7 actor8.txt
En el caso de los actores culpables, vemos que se ha generado un archivo de texto con información adicional sobre el actor.
Por ejemplo, el actor 4 está formado por 12 imágenes, 7 de las cuales son stego.
$ cat experiment-S0/guilty/actor4.txt
1.jpg, 1
2.jpg, 1
3.jpg, 1
4.jpg, 1
5.jpg, 1
6.jpg, 0
7.jpg, 0
8.jpg, 0
9.jpg, 0
10.jpg, 1
11.jpg, 0
12.jpg, 1
Estos datos nos proporcionan un entorno para realizar pruebas con actores.
Estegoanálisis de actores
Aletheia proporciona muchas herramientas para realizar estegoanálisis de imágenes. En el apartado siguiente vamos a ver diferentes casos de estudio, en los que veremos como usar Aletheia en escenarios con actores. Algunas de las herramientas que usaremos son las mismas que usamos para escenarios no basados en actores, que ja se han visto en otros artículos sobre estegoanálisis con Aletheia.
Adicionalmente, en este artículo nos centrearemos en el uso del comando “dci”.
XXX
Casos de estudio
Caso de estudio #1
Caso de estudio #2
Caso de estudio #3
Referencias
-
EfficientNet: Rethinking model scaling for convolutional neural networks. Mingxing Tan and Quoc V Le. In International Conference on Machine Learning, 2019.
-
Detection of Classifier Inconsistencies in Image Steganalysis. Daniel Lerch-Hostalot, David Megías. July 2019. Proceedings of the ACM Workshop on Information Hiding and Multimedia Security.
Actualmente no hay comentarios en este artículo.
Añade un comentario