Авторы: Chen Zhi-li, Huang Liu-sheng, Yu Zhen-shan, Zhao Xin-xin, Zheng Xue-ling, перевод Сипаков Д.С.
Источник: Natural Science Foundation of Jiangsu Province of China. – Anhui, University of Science and Technology of China – 2010.

Аннотация

Лингвистическая стеганография скрывает секретные сообщения. Она использует свойства естественного языка, такие как языковая структура, чтобы скрыть сообщения. В этой статье, предложен эффективный метод для обнаружения стеганографии. Метод был сосредоточен на обнаружение небольших размеров текстовых сегментов, до сотни слов. Он выполняется быстро и достаточно точно. Данный метод может быть использован в качестве общего метода для обнаружения наличия скрытых сообщений.

1 Введение

Стеганография появилась еще до появления компьютера. В настоящее время, у нас есть огромное количество доступных данных для использования стеганографии и более изощренные методы для ее реализации. Большая часть последних исследований в стеганографии, особенно языковой стеганографии была сосредоточена на том, как скрыть секретные сообщения в обложке СМИ, важно использовать эффективные подходы, чтобы стегоанализ, который обычно пытается обнаружить статистические аномалии в данных обложках, не смог обнаружить скрытое сообщение. Эта статья фокусируется на расследовании обнаружения лингвистической стеганографии в сообщениях. В данной статье предложен метод обнаружения лингвистической стеганографии, с помощью статистических показателей анализа текста. Для работы алгоритма не требуются ни какие дополнительные данные, кроме самого сегмента текста.

2 Похожие работы

2.1. Лингвистическая стеганография

Самый простой метод изменения текста для встраивания сообщения – замена слов их синонимами так, чтобы значение измененного предложения сохранилось как можно больше. Один подход стеганографии, который основывается на синонимах, предложен Винштайном [2]. Есть некоторые другие подходы. Среди них NICETEXT и TEXTO являются самыми известными.
Система NICETEXT [3], [4] генерирует как будто естественный текст шифрования, используя смесь замены слов и вероятностные бесконтекстные грамматики . В системе используется таблица словаря и шаблон стиля. Шаблон стиля может быть сгенерирован, используя вероятностные бесконтекстные грамматики или демонстрационный текст. Словарь в произвольном порядке генерирует последовательность слов, в то время как стиль шаблона выбирает естественные последовательности частей речи, или управляет генерацией слов. Система NICETEXT была предназначена, чтобы защитить частную жизнь криптограмм, чтобы избежать обнаружения цензорами.
TEXTO [5] - текстовая программа стеганографии разработанная для преобразования, кодируемых программой uuencode или pgp, ASCII данных в английские предложения. Это было сделано, чтобы упростить обмен двоичными данными, особенно зашифрованными. Работает TEXTO точно так же, как и простой шифр подстановки. Не все слова в получающемся тексте значительные, только те существительные, глаголы, прилагательные и наречия, которые раньше заполняли предварительно установленные структуры предложения. Пунктуация и "соединение" слов (или любых других слов не в словарь), проигнорированы.

2.2. Лингвистический стегоанализ

В статье [7] представлена атака против систем на основе замены синонимов, особенно система представленная Винштеймом. Экспериментальная точность этого метода на классификации составляла 84.9% , для неизмененного предложения – 61.4%. Другой алгоритм обнаружения был предложенный в статье [8], предложено использовать измерения корреляция между предложениями. Точность обнаружение, используя этот алгоритм, составила 76%. Кроме того, первый метод потребовал, чтобы большая партия вычисления вычислила большое количество параметров языка модели, в то время как второй требует базы данных правил.
Это исследование показали недостатки последних двух подходов стеганографии, стремясь точно обнаруживать скрытое сообщение в маленьком текстовом сегменте. Для создания нового метода использовалась подобная энтропия и информация о статистических переменных, чтобы различить stego-текст сегменты и нормальные текстовые сегменты.

3 Предложенный метод

3.1 Определение статистических переменных

Сначала определяется измерение счета, чтобы указать вхождение слов в тексте обложки. Пусть C общее количество вхождений всех слов в тексте обложке, слово x одно из слов. У слова x есть n вхождений, тогда роль для слова x вычисляется с помощью формулы на рисунке 1.
Уравнение подобно уравнению, которое вычисляет частоту слова x, за исключением того, что увеличивается счет, из-за количества вхождений x. Мы можем расценить Sx как вероятность слова x, без рассмотрения того, в каком диапазоне значений это находится. Статистическая переменная об обнаружении (Detection Information, DI), вычисляется по формуле на рисунке 2.
С вышеупомянутыми определениями Sx и DIx, мы можем определить функцию классификации. Пусть текст обложки содержит слова N. "Информационная энтропия " как статистическая переменная (Detection Entropy,DE), текста обложки определяется по формуле на рисунке 3.
DE дисперсия, как статистическая переменная, вычисляется по формуле на рисунке 4.

3.2 Описание метода обнаружения

В нашем методе мы применяем следующую процедуру по каждому обнаруженному текстовому сегменту, чтобы вычислить две функции классификации, описанные в разделе 3.1. Во-первых, текстовый сегмент проанализирован к словам, игнорирующим всю пунктуацию и пробелы. Тогда все найденные отличные слова, которые могут быть различными словами первоначально или различные формы тех же слов, и общее количество вхождений всех слов, число вхождения каждого отличного слова вычисленный, счет каждого отличного слова вычисляется уравнением, представленным на рисунке 1.
Во-вторых, мы расцениваем счет каждого отличного слова как его вероятность, несмотря на то, что значение не находится в диапазоне [0, 1].
Наконец, DE и Var (DE) вычисляются уравнениями на рисунках 3 и 4, используя Ss и DIs, вычисленные в первый и второй шаг.
После того, как вышеупомянутая процедура применена к обработанному текстовому сегменту, мы получаем функции DE ,классификации и Var (DE), эти значения мы будем использовать позже для SVM классификация. Классификация SVM включает два процесса: обучение и тестирование. Схема SVM представлена на рисунке 5.

4. Результаты исследований

4.1. Структура экспериментальных данных

В нашем эксперименте набор экспериментальных данных содержит обучающий набор данных и тестирующий набор данных, оба из которых состоят из хорошего набора данных и набора неправильных данных.

Таблица 1 – Экспериментальные данные

Набор данных	Тип данных	Количество файлов
Обучение	Хороший набор	117
Обучение	Плохой набор	100
Тестирование	Хороший набор	146
Тестирование	Плохой набор	322

Как показано в таблице 1, набор данных обучения содержит хороший набор со своими 117 текстовыми сегментами, и плохой набор с его 100 текстовыми сегментами. Набор данных тестирования содержит 146 текстовых сегменты, прибывающие из S-корпуса в хорошем наборе и 322 текстовые сегменты, прибывающие из плохого набора.

4.2. Результаты и обсуждение

Как описано в разделе 4.1, есть сотни текстовых файлов, которые будут протестированы. В эксперименте мы стремимся обнаружить текстовые сегменты с размером, меньшим, чем 5 КБ. Различный размер текстовых сегментов должен быть обнаружен, когда точность обнаружения достаточно высока. Для каждого протестированного текстового файла мы читаем определенный размер сегмента. Результаты обнаружения из текстовых сегментов размера 1 КБ, 2 КБ, 3 КБ, 4 КБ и 5 КБ показаны в таблице 2.

Таблица 2 – Результаты обнаружений

Размер сегмента, КБ	Оценка подсчитанных слов	Удачно	Неудачно	Доля, %
1	150-250	333	135	71.15
2	350-450	371	97	79.27
3	500-600	403	65	86.11
4	650-800	426	42	91.03
5	800-1000	435	33	92.95

В таблице 2 мы видим, что текстовый размер сегмента довольно маленький для статистического алгоритма, чтобы работать. Каждый текстовый сегмент содержит сотни слов, однако точность относительно высока, особенно когда размер сегмента не меньше, чем 3 КБ.

5 Заключение

В этой статье, был представлен статистический алгоритм для обнаружение лингвистической стеганографии. Алгоритм использует статистические переменные текстового сегмента. Алгоритм базируется на подобных методах NICETEXT, TEXTO. Общая точность на обнаружение stego-текстовых сегментов и нормального текста, 90% когда сегмент размером не больше, чем 5 КБ.
Много интересных и новых проблем включены в анализ лингвистических алгоритмов стеганографии, который известен как лингвистический стегоанализ. Производительность методов стегоанализа строго зависит от многих факторов, таких как длина скрытого сообщения и способ генерации текста-обложкии т.д. Наш алгоритм центрируется при обнаружении маленького текстового сегмента.

Список литературы