面向安全网关中扩散隐写恶意软件防御的无训练色彩感知对抗扩散净化
密码学与安全
2026-01-01 v1 计算机视觉与模式识别
摘要
生成式人工智能的快速扩张使大规模合成媒体创作常态化，催生了新型隐蔽通信形式。最近的生成式隐写术方法，特别是基于扩散模型的方法，能够在不进行微调或使用辅助解码器的情况下嵌入高容量载荷，给检测和修复带来了重大挑战。无载体扩散技术难以对抗，因为它们直接从秘密数据生成图像载体，使攻击者能够传递用于命令与控制、载荷暂存和数据窃取的隐写恶意软件，同时绕过依赖载体-隐写差异的检测器。本文引入了对抗扩散净化（ADS），这是一种面向安全网关的无训练防御方法，旨在中和隐藏载荷而非检测它们。ADS采用现成的预训练去噪器作为基于扩散的解码器的可微代理，并结合了一种色彩感知的四元数耦合更新规则，以在严格的失真限制下减少伪影。在实际威胁模型下，并针对最先进的扩散隐写术方法Pulsar进行评估，ADS将解码器成功率降至接近零，同时感知影响极小。结果表明，与标准内容变换相比，ADS提供了更优的安全-效用权衡，为应对扩散驱动的隐写术提供了一种有效的缓解策略。
引用
@article{arxiv.2512.24499,
title = {Training-Free Color-Aware Adversarial Diffusion Sanitization for Diffusion Stegomalware Defense at Security Gateways},
author = {Vladimir Frants and Sos Agaian},
journal= {arXiv preprint arXiv:2512.24499},
year = {2026}
}