迈向下一代隐写分析:LLM 释放检测隐写术的力量
密码学与安全
2024-05-16 v1
摘要
语言隐写术为隐藏消息提供了便捷的实现方式,尤其是在 AI 生成技术出现之后。对该技术的潜在滥用引发了社会的安全担忧,需要强大的语言隐写分析来检测包含隐写消息的载体。现有方法局限于从符号统计角度寻找隐写文本与正常文本之间的分布差异。然而,这两类文本的分布差异难以精确构建,这严重损害了现有方法在现实场景中的检测能力。为了在现实世界中寻找构建实用隐写分析的可行途径,本文提出利用大型语言模型(LLM)类人的文本处理能力,在传统统计角度之外,从人类感知角度实现差异识别。具体而言,我们通过将其建模为生成范式而非传统分类范式,系统地研究了 LLM 在该任务中的表现。大量实验结果表明,生成式 LLM 在语言隐写分析中展现出显著优势,并表现出与传统方法截然不同的性能趋势。结果还表明,LLM 以大幅优势优于现有基线,且 LLM 与领域无关的能力使得训练通用隐写分析模型成为可能(代码与训练模型均开源于 https://github.com/ba0z1/Linguistic-Steganalysis-with-LLMs)。
引用
@article{arxiv.2405.09090,
title = {Towards Next-Generation Steganalysis: LLMs Unleash the Power of Detecting Steganography},
author = {Minhao Bai. Jinshuai Yang and Kaiyi Pang and Huili Wang and Yongfeng Huang},
journal= {arXiv preprint arXiv:2405.09090},
year = {2024}
}