Image steganalysis for digital forensics

Abstract

Nowadays, steganography is the main mean of illegal secret communication. Therefore, the need of detecting steganographic content and especially stego images is becoming more compulsory. However, steganalysis is a very difficult task and its success depends on many factors, like the presence of the cover medium, evidence of the utilized steganographic algorithm etc. Early steganalysis methods deploy statistical attacks on stego images while more recent ones use deep learning techniques. The latter ones mainly utilize convolutional neural networks and show promising results. This dissertation deals with issues related to steganalysis and in particular to image steganalysis. Βasic concepts of image steganalysis along with a taxonomy for classification of the different steganalysis methods used by a digital forensic examiner are presented. Moreover, a detailed overview of state-of-the-art methods proposed in literature is given. The research focuses in two major research questions i.e. the proposal of a novel convolutional neural network, and afterwards its utilization as a feature extractor. The proposed method initially utilized a dilated convolutional neural network - KarNet - to identify stego images from two different steganographic algorithms i.e. Spatial-Universal Wavelet Relative Distortion (S-UNIWARD) and Wavelet Obtained Weights (WOW). The proposed convolutional neural network was compared against other state-of-the-art deep learning techniques and it outperforms them.

Στην σημερινή εποχή, η στεγανογραφία είναι ο κύριος τρόπος για την επίτευξη παράνομης μυστικής επικοινωνίας. Ως εκ τούτου, η ανάγκη ανίχνευσης στεγανογραφικού περιεχομένου και ιδίως στεγανογραφημένων εικόνων γίνεται επιτακτική. Ωστόσο, η στεγανάλυση είναι ένα πολύ δύσκολο έργο και η επιτυχία της εξαρτάται από πολλούς παράγοντες, όπως η παρουσία του μέσου στεγανογράφησης, τα αποδεικτικά στοιχεία του χρησιμοποιούμενου στεγνογραφικού αλγορίθμου κ.λπ. Οι πιο συνηθισμένες μέθοδοι στεγανάλυσης χρησιμοποιούν στατιστικά μέτρα για να αναγνωρίσουν στεγανογραφημένες εικόνες, ενώ οι πιο πρόσφατες χρησιμοποιούν τεχνικές βαθιάς μάθησης (deep learning). Οι τελευταίες χρησιμοποιούν κυρίως συνελικτικά νευρωνικά δίκτυα και παρουσιάζουν υποσχόμενα αποτελέσματα. Αυτή η διατριβή ασχολείται με ζητήματα που σχετίζονται με τη στεγανάλυση και ειδικότερα με τη στεγανάλυση εικόνων. Παρουσιάζονται οι βασικές έννοιες της στεγανάλυσης εικόνων μαζί με μια ταξινόμηση των διαφορετικών μεθόδων στεγανάλυσης που χρησιμοποιούνται από έναν εξεταστή ψηφιακών πειστηρίων. Επιπλέον, παρέχεται μια λεπτομερής επισκόπηση των προηγμένων μεθόδων που προτείνονται στη βιβλιογραφία. Η έρευνα επικεντρώνεται σε δύο μεγάλα ερευνητικά ερωτήματα, δηλαδή την πρόταση ενός νέου συνελικτικού νευρωνικού δικτύου και στη συνέχεια τη χρήση του ως εξαγωγέα χαρακτηριστικών. Η προτεινόμενη μέθοδος χρησιμοποιεί αρχικά ένα καινοτόμο συνελικτικό νευρωνικό δίκτυο - KarNet - για τον εντοπισμό στεγανογραφημένων εικόνων από δύο διαφορετικούς αλγόριθμους στεγανογραφίας, τους Spatial-Universal Wavelet Relative Distortion (S-UNIWARD) και Wavelet Obained Weights (WOW). Το προτεινόμενο συνελικτικό νευρωνικό δίκτυο συγκρίθηκε με άλλες προηγμένες τεχνικές βαθιάς μάθησης και τις ξεπερνά.