基于压缩语音信令的分层图神经网络干扰分析
密码学与安全
2025-09-29 v2 人工智能
声音
音频与语音处理
摘要
基于深度学习的干扰分析方法往往面临计算复杂度高和难以在不同数据集之间泛化的挑战。将图神经网络（GNN）融入干扰分析方案中可实现利用关系数据提高检测精度和适应性。本文首次应用图神经网络（GNN），具体为 GraphSAGE 架构，对压缩语音信令（VoIP）语音流进行干扰分析。该方法通过简单的图构建从 VoIP 流中提取信息，并采用 GraphSAGE 捕获分层干扰信息，包括细粒度细节和高层模式，从而实现高检测精度。实验结果表明，所develop方法在揭示基于量化指数调制（QIM）基于语音信令的干扰模式方面表现良好。即使在仅 0.5 秒的短样本中，检测准确率也超过 98%；在低嵌入率、较具挑战性的条件下，准确率达 95.17%，相较于最佳现有方法提升了 2.8%。此外，该模型显示出卓越的效率，0.5 秒样本的平均检测时间仅为 0.016 秒，较现有方法快 0.003 秒。这使其能够高效地完成在线干扰分析任务，在短样本且嵌入率较低的约束下，实现了检测精度与效率之间的卓越平衡。
引用
@article{arxiv.2507.21591,
title = {Hierarchical Graph Neural Network for Compressed Speech Steganalysis},
author = {Mustapha Hemis and Hamza Kheddar and Mohamed Chahine Ghanem and Bachir Boudraa},
journal= {arXiv preprint arXiv:2507.21591},
year = {2025}
}