Актуальность темы исследования обусловлена необходимостью противодействия скрытым каналам передачи данных в форме файловой стеганографии в ведомственных и корпоративных компьютерных сетях. Статья посвящена формированию вектора признаков на основе гистограммы яркости для выявления стеганографии, искажающей несколько битовых плоскостей пространственной области изображения. Предполагается, что данный вид стеганографии наиболее вероятен для использования внутренним нарушителем, так как не требует глубоких базовых познаний в сфере информационных технологий, реализован в программных продуктах сегмента freeware, позволяет осуществить вложение до 50 % от размера контейнера. Для верификации результатов выполнен численный эксперимент. Приведено описание исходных данных и методики эксперимента. Датасеты получены в среде MatLab. Для обеспечения воспроизводимости эксперимента датасеты представлены в Kaggle. Применяется процедура машинного обучения на основе машины опорных векторов (SVM-регрессия). На основе экспериментальных данных рассчитаны базовые метрики результативности машинного обучения по предложенному вектору признаков для BPCS- и LSB-стеганоанализа. Показана зависимость ошибки регрессии для вектора признаков, учитывающего разные битовые срезы. С помощью полученных оценок аналитик может принять решение о включении признаков в комплексный вектор выявления стегановложения.
The relevance of the research is due to the need to counteract hidden data transmission channels in the form of file steganography in institutional and corporate computer networks. The article is devoted to the formation of a feature vector based on the brightness histogram to identify the steganography that distorts several bit planes of the spatial domain in the image. It is assumed that this type of steganography is most likely to be used by inner violator because it does not require deep knowledge in the field of information technology. Additionally, it is implemented in software products of the freeware segment and helps to payload up to 50 % of the container size. A numerical experiment was performed to verify the results. The description of the initial data and the experimental methodology is given. Datasets are obtained by MatLab. To ensure reproducibility of the experiments, the datasets and MatLab scripts are presented in Kaggle. The machine learning procedure based on SVM regression is applied. Based on experimental data, the basic metrics of machine learning effectiveness of feature vectors for BPCS- and LSB-steganalysis are calculated. The dependence of the regression error for feature vectors based on combinations of different bit planes is shown. With the help of the obtained estimates, the analyst can include one features or another in the complex vector.
The authors declare that there are no conflicts of interest present.