梁天一 梁謙旺 施秦 魏蘇航 蔣翠玲

摘 要：為解決傳統(tǒng)的信息隱藏技術(shù)中隱寫容量小和隱寫安全性低的不足，提出了利用生成式對抗網(wǎng)絡(luò)（GAN）的無載體信息隱藏方法。首先利用噪聲驅(qū)動生成器直接生成含密圖像，然后訓(xùn)練秘密信息提取器以恢復(fù)隱藏的秘密消息。同時，進一步優(yōu)化了提取器的訓(xùn)練任務(wù)，并引入冗余糾錯編碼技術(shù)。實驗結(jié)果表明，相比同類方法，在大隱寫容量的情況下，具有更高的信息提取準確率，同時加快了提取器的訓(xùn)練收斂速度。

關(guān)鍵詞：信息隱藏;無嵌入隱寫;生成式對抗網(wǎng)絡(luò);糾錯編碼

中圖分類號：TP39 ? ? ?文獻標識碼：A

Abstract：A coverless information hiding method using Generative Adversarial Network （GAN） is proposed to address the shortcomings of the traditional information hiding techniques in terms of small hiding capacity and low security.Firstly， a generator is used to generate the digital imagedriven by the secret data directly. Next， the extractor for secret is trained to extracthidden information.At the same time， the training task of the extractor is further optimized and redundant error correction coding techniques are introduced. Compared with similar algorithms，at high steganography capacity，the proposed method ensures higher information extraction accuracy andfasterthe convergence speed intrainingstageofextractor.

Key words： information hiding; steganography without embedding; generative adversarial network; error correcting codes

隱寫是信息安全領(lǐng)域的重要技術(shù)之一，它將秘密信息嵌入到載體中以形成隱秘體，從而實現(xiàn)保密通信的目的。圖像隱寫技術(shù)大致可以分為三類：基于圖像修改的方法、基于圖像選擇的方法、基于圖像合成的方法[1]?；谳d體修改的方法通過在空域或變換域?qū)υ紙D像進行某種修改而將秘密消息嵌入到圖像中。由于對載體進行了修改，因而得到的隱秘圖像容易被隱寫分析者檢測出來，這類傳統(tǒng)的隱寫方法安全性相對較低?；趫D像選擇的方法中，發(fā)送者擁有一個固定的圖像庫，將秘密信息映射成圖像庫中的新的圖像排列或組合以形成隱秘圖像。如果隱寫分析者發(fā)現(xiàn)其映射規(guī)律仍可檢測出來，而且其嵌入率較低?；趫D像合成的方法是將秘密信息直接合成于載體中，因無固定載體而傳遞秘密信息，也稱為無載體信息隱藏，這類方法的安全性較高。生成式對抗網(wǎng)絡(luò)（Generative Adversarial Network，GAN）[2]的出現(xiàn)使得這類方法得到了進一步深入的研究[1]。

1 ?相關(guān)工作

傳統(tǒng)的有載體圖像隱寫技術(shù)易于被隱寫分析者檢測，安全性相對較低。而無載體的信息隱藏方法由與GAN的快速發(fā)展以及安全性高的特點，近幾年得到了快速的發(fā)展。該類方法的基本原理是將含密信息與原圖像的特征元素，比如噪點、顏色、像素等建立映射關(guān)系，以含密信息為驅(qū)動，生成載體圖像，從而抵御基于統(tǒng)計的隱寫分析的檢測，獲得了較高的安全性。

周等[3]提出一種基于BOW（Bag-of-words）模型的無載體信息隱藏算法。該方法使用BOW模型提取圖像的視覺關(guān)鍵詞（visual words， VM）來表達秘密信息，實現(xiàn)了信息隱藏，但是需要大量的構(gòu)建碼本，存儲開銷大，且隱藏容量小。文獻[4-5]的方法避免了構(gòu)建自然圖像，采用了基于紋理圖像合成的方法實現(xiàn)信息隱藏，但該圖像由于不是“自然圖像”，容易受到攻擊方的懷疑。張等[6]的基于變換域和主題分類的無載體圖像隱寫算法，能夠抵抗現(xiàn)有隱寫算法的檢測，對常用圖像處理具有更好的魯棒性和抗隱寫分析能力。劉等[7]在此基礎(chǔ)上，提出了基于輔助分類器生成對抗網(wǎng)絡(luò)ACGAN（Auxiliary Classifier GANs）[8]的無載體信息隱藏方案，利用類別標簽與噪聲聯(lián)合驅(qū)動生成載體圖像，實現(xiàn)了信息隱藏，該方案在抗隱寫分析的檢測和安全性方面均有不錯的表現(xiàn)，但隱寫容量低，且生成的圖像不夠清晰。胡等[9]首次提出了基于深度卷積生成對抗網(wǎng)絡(luò)DCGAN（Deep Convolutional GANs）[10]的一種新型圖像隱藏方案。該方案將秘密信息與噪聲向量建立映射關(guān)系，把預(yù)處理的秘密信息作為DCGAN的輸入，生成載體圖像，接收方利用卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）的提取器實現(xiàn)秘密信息的恢復(fù)。相比文獻[7]，胡[9]的方法隱寫后的圖像質(zhì)量更高，安全性更好。張等[11]進一步提出了一種綜合語義和生成對抗網(wǎng)絡(luò)的隱寫方法。該方法實現(xiàn)了秘密信息提取的高準確率，但隱寫容量有限。朱等[12]利用O-GAN（Orthogonal GAN）[13]代替DCGAN作為生成器，利用判別器與U型網(wǎng)絡(luò)相結(jié)合來從含密圖像中提取秘密信息，取得更高生成圖像質(zhì)量與恢復(fù)準確率。

基于文獻[9]，對其信息提取流程進行優(yōu)化，使得在高隱寫容量的情況下更高的秘密信息提取的準確率和更快的收斂速度。同時引入了糾錯編碼機制[14]，大幅提高了信息提取的準確率。

2 基于GAN的無嵌入隱寫方法及改進

2.1 基于DCGAN的無嵌入隱寫方法

改進的基于DCGAN的無嵌入隱寫方法分為三個階段實現(xiàn)，如圖1所示。

3 實驗與分析

3.1 實驗環(huán)境與數(shù)據(jù)來源

3.1.1 實驗環(huán)境

實驗網(wǎng)絡(luò)硬件平臺為移動版RTX2070顯卡，32GB內(nèi)存，采用PyTorch搭建神經(jīng)網(wǎng)絡(luò)。

3.1.2 數(shù)據(jù)源

實驗計劃在兩個數(shù)據(jù)集上進行，分別是開源的322像素的Cifar10[16]和642像素Celeb-A[17]數(shù)據(jù)集。

3.1.3 實驗方法

第一階段首先通過隨機函數(shù)產(chǎn)生二項分布的比特流作為秘密信息S，將其按照2.2.1小節(jié)中步驟1、2的映射方法映射為z，輸入到兩個訓(xùn)練好的DCGAN模型中，得到50，000張322像素的圖像，50，000張642像素的圖像，作為信息提取器E的數(shù)據(jù)集的x，對應(yīng)的S作為數(shù)據(jù)集y。

第二階段將上一階段得到的數(shù)據(jù)集按照7：2：1比例劃分為訓(xùn)練集、驗證集和測試集。分別在兩種方案的網(wǎng)絡(luò)上實驗。采用胡[9]的參數(shù)，設(shè)置學(xué)習(xí)率為0.0002，使用Adam優(yōu)化器，batch大小為100，將訓(xùn)練集的所有實例訓(xùn)練完一次稱為一次訓(xùn)練，每次訓(xùn)練記錄一次訓(xùn)練集、驗證集和測試集的損失（Loss）及準確度（Acc）。E的恢復(fù)準確率定義為輸出向量經(jīng)過離散化后的S'對比原S的正確率（S'與S相等的位數(shù)/S的總位數(shù)×100%）。

3.2 實驗結(jié)果與分析

基于同一預(yù)訓(xùn)練的DCGAN的生成器，輸入相同噪聲得到一批含密圖片作為第二階段數(shù)據(jù)集，之后分別進行文獻[9]中Stego→z→S與改進后方案的Stego→S任務(wù)。通過實驗與胡[9]的方案對比分析在不同攜帶位數(shù)σ值、不同的含密圖像大小和是否加入糾錯編碼的條件下對秘密信息恢復(fù)準確率的影響。

3.2.1 不同攜帶位數(shù)σ以及圖像大小對E的準確率的影響

圖4顯示了不同σ及圖像大小對E的準確率率的影響，隨著σ的增加，信息恢復(fù)的準確率下降，這是由于隨著σ的增大，網(wǎng)絡(luò)輸出維度增加，恢復(fù)難度增大。同時，含密圖像的像素越多，信息提取的準確率越大，這是由于尺寸更大的圖像能為E提供更多的信息量。

3.2.2 在驗證集與訓(xùn)練集上的提取器E的準確率

CNN提取器E在圖像大小為642的數(shù)據(jù)集上，驗證集與訓(xùn)練集上的Acc曲線如圖5所示。

由圖5分析可知，胡[9]的方案恢復(fù)準確率是在訓(xùn)練集上的準確率，高達95%以上，而交叉驗證集的準確率卻不高，σ=1時僅能達到85%左右。不過由于信息隱藏的實際應(yīng)用情況，可以針對特殊情景構(gòu)造不同的訓(xùn)練集，使得傳送的是訓(xùn)練集內(nèi)的消息，使之達到訓(xùn)練集內(nèi)恢復(fù)準確率。相比原文，改進后的方案在保持準確率差距不大的情況下， 訓(xùn)練的收斂速度更快。

3.2.3 引入冗余糾錯編碼對準確率的影響

在相同數(shù)據(jù)集下，其中糾錯碼數(shù)據(jù)集的密文長度為1000×σ （bits），不使用糾錯碼的數(shù)據(jù)集的密文長度為6000×σ（bits），分別采用胡[9]中的方法與改進后的方法進行對比，得到在不同σ（1、2、3）情況下E的恢復(fù)準確率，如表1所示。

如表1所示，隨著σ的增大，測試集的準確率大幅下降，在沒有考慮糾錯編碼時，準確率與胡[9]的相當。但在胡[9]的方法中，隨著σ的增大，不同編碼的映射范圍越來越小，由E恢復(fù)得到z′，再轉(zhuǎn)換成S′的錯誤概率會越來越大。在引入糾錯編碼之后，改進前后的方案的信息恢復(fù)準確率都得到了大大提高。同時，改進部分提高了在σ較高的情況下的準確率，這在引入糾錯碼后更為明顯。

4 結(jié) 論

提出了一種改進的基于GAN的無嵌入隱寫方法，優(yōu)化了信息提取器的訓(xùn)練方法，并引入了糾錯碼機制以提高信息恢復(fù)的準確率。實驗表明，相比原方法，該方法訓(xùn)練速度更快，實現(xiàn)方便，且在隨機噪聲攜帶秘密信息比特位數(shù)多的情況下，信息恢復(fù)準確率更高。在下一步工作中，可以考慮改進糾錯碼的機制，采用更為先進的糾錯機制，還可考慮進一步優(yōu)化提取器E的結(jié)構(gòu)。

參考文獻

[1]劉佳，柯彥，雷雨，等.生成對抗網(wǎng)絡(luò)在圖像隱寫中的應(yīng)用[J].武漢大學(xué)學(xué)報（理學(xué)版），2019，65（2）：139-152.

[2]GOODFELLOW I， POUGET-ABADIE J， MIRZA M， et al. Generative adversarial nets[C]. Advances in Neural Information Processing Systems. 2014： 2672-2680.

[3]周志立，曹燚，孫星明.基于圖像Bag-of-Words模型的無載體信息隱藏[J].應(yīng)用科學(xué)學(xué)報，2016，34（5）：527-536.

[4]XU Jia-yi， MAO Xiao-yang， JIN Xiao-gang， et al. Hidden message in a deformation-based texture[J]. The Visual Computer， 2015， 31（12）： 1653-1669.

[5]WU Kuo-chen， WANG Chung-ming. Steganography using reversible texture synthesis[J]. IEEE Transactions on Image Processing， 2014， 24（1）： 130-139.

[6]ZHANG Xiang， PENG Fei， LONG Min. Robust coverless image steganography based on DCT and LDA topic classification[J]. IEEE Transactions on Multimedia， 2018， 20（12）： 3223-3238.

[7]劉明明，張敏情，劉佳，等.基于生成對抗網(wǎng)絡(luò)的無載體信息隱藏[J].應(yīng)用科學(xué)學(xué)報，2018，36（2）：371-382.

[8]ODENA A， OLAH C， SHLENS J. Conditional image synthesis with auxiliary classifier gans[C]. International Conference on Machine Learning，2017： 2642-2651.

[9]HU Dong-hui， WANG Liang， JIANG Wen-jie， et al. A novel image steganography method via deep convolutional generative adversarial networks[J]. IEEE Access， 2018， 6： 38303-38314.

[10]RADFORD A， METZ L， CHINTALA S. Unsupervised representation learning with deep convolutional generative adversarial networks[J]. arXiv preprint arXiv：1511.06434， 2015.

[11]ZHANG Zhuo， FU Guang-yuan， NI Rong-rong， et al. A generative method for steganography by cover synthesis with auxiliary semantics[J]. Tsinghua Science and Technology， 2020， 25（4）： 516-527.

[12]朱翌明， 陳帆， 和紅杰， 等. 基于秘密信息驅(qū)動的正交 GAN 信息隱藏模型[J]. 應(yīng)用科學(xué)學(xué)報， 2019，37（5）：721-732.

[13]SU Jian-lin. O-GAN： Extremely concise approach for auto-encoding generative adversarial networks[J]. arXiv preprint arXiv：1903.01931， 2019.

[14]宗橙. 糾錯編碼原理和應(yīng)用[M]. 北京：電子工業(yè)出版社， 2003.

[15]馬永輝，徐長勇，平西建，等.基于糾錯碼的信息隱藏及其實現(xiàn)方法[J].計算機應(yīng)用研究，2012，29（7）：2686-2689.

[16]KRIZHEVSKY A. Learning multiple layers of features from tiny images[R]. Technical Report，University of Toronto，Canada，2009.

[17]LIU Zi-wei， LUO Ping， WANG Xiao-gang， et al. Deep learning face attributes in the wild[C].Proceedings of the IEEE International Conference on Computer Vision，2015： 3730-3738.