GANash——一种基于 GAN 的隐写术方法
密码学与安全
2021-10-27 v1
摘要
数据安全是通信系统最为关注的问题。自早期以来，已做出许多改进系统性能的进展。接收信号的峰值信噪比(PSNR)、安全传输信道、所用编码质量等是良好系统的若干关键属性。为确保安全，最常用的技术是密码学，其中消息相对于密钥被改变，并在接收端利用该密钥对编码消息进行解码。另一种被广泛用于保障安全的互补技术是隐写术。人工智能(AI)的进步为以智能、防篡改的方式执行隐写术铺平了道路。深度学习(DL)领域研究人员的近期发现——一种称为生成对抗网络(GAN)的无监督学习网络——使该技术的性能得到指数级提升。已证明深度神经网络对输入数据的微小扰动高度敏感，从而产生对抗样本。尽管该特性通常被视为学习模型的弱点，但若恰当使用则可能是有益的。MIT 为此目的完成的工作，即名为 SteganoGAN 的深度神经模型，已显示出使用该技术进行隐写术的价值。本工作中，我们提出了一种新方法，通过对编码数据进行潜空间压缩来改进现有系统的性能。这在理论上将使性能指数级提升。因此，本文阐明了用于改进系统性能的算法及所获得的结果。结果表明该系统所能达到的优势水平，能够消解实时问题中在安全、部署与数据库管理方面的困难。
引用
@article{arxiv.2110.13650,
title = {GANash -- A GAN approach to steganography},
author = {Venkatesh Subramaniyan and Vignesh Sivakumar and A. K. Vagheesan and S. Sakthivelan and K. J. Jegadish Kumar and K. K. Nagarajan},
journal= {arXiv preprint arXiv:2110.13650},
year = {2021}
}
备注
Presented at the 6 th National Conference on Information and Communication Technologies (NCICT 2020), June 12, 2020