神经网络与信息隐藏的结合

神经网络与信息隐藏的结合

Contents

1 引言... 1

2 切入点介绍... 1

2.1 SGAN & SSGAN.. 1

2.2 使用神经网络生成隐写失真代价... 1

2.3 使用神经网络做隐写分析... 1

2.4 生成含秘载体... 2

3 面临的挑战及机遇... 2

3.1 和GAN网络进行融合... 2

3.2使用神经网络生成隐写失真代价... 2

3.3 使用神经网络做隐写分析... 2

3.4 使用神经网络实现水印的嵌入... 2

4 关于设备和最后总结... 3

参考文献... 4

1 引言

以下是我对目前神经网络和信息隐藏的交叉点进行了总结，知识匮乏，该文章只能代表我目前的对该领域的理解程度。从信息隐藏转型到神经网络深度学习的话，我认为有四个点可以进行切入：Semi-Supervised Learning with Generative Adversarial Networks(SGAN)；使用神经网络做隐写分析；使用神经网络生成隐写失真代价；使用神经网络直接生成含秘载体。接下来将展开叙述。

2 切入点介绍

2.1 SGAN & SSGAN

SGAN是GAN的一种改进传统的GAN在判别器网络的输出端会使用二分类模式，代表真和假，在SGAN中，就是把这个二分类（sigmoid）转化为多分类（softmax），类型数量为N+1，指代N个标签的数据和“一个假数据”。在GAN网络中，我们会用到很多的对抗样本，通过对某个图像加一个轻微扰动就可以骗过解码器，而对抗样本本质上可以看作一种特殊的隐写，对抗样本让人类看似图片还是原来的样子，但可以成功骗过解码器。所以可以将隐写分析的原理用于训练之中用于区分出假数据。

2.2 使用神经网络生成隐写失真代价

使用神经网络生成失真代价，即可实现自适应隐写。在隐写中，我们关注于图像在嵌入秘密信息后和嵌入之前变化的大小，如果变化太大我们将认为这不是一种好的隐写方案。我们可以使用神经网络来调整参数，生成隐写是真代价，选择最好的嵌入位置。

2.3 使用神经网络做隐写分析

隐写分析也是信息安全中的一个重要方面，之前我们多用手工来进行隐写分析，现在证明深度学习在图像分辨上具有很好的性能，我们可以把隐写分析的工作交给深度学习来做，和图片分类不同，隐写的图像和原图极其相似，所以其信号会很弱，可能需要选取更优秀的网络，或者进行一些优化改进。

2.4 生成含秘载体

直接使用神经网络生成含秘载体，是使用深度学习在图像水印及信息隐藏上的里程碑，李飞飞团队在论文hiding data with deep networks中实现了这一功能。

3 面临的挑战及机遇

3.1 和GAN网络进行融合

对抗生成网络目前很火，对待分类图像加一个轻微的扰动，就可以欺骗神经网络，出现分类错误。通过将隐写分析的一些基础规则应用于GAN网络中，可以帮助GAN网络进行训练。我认为如果从这个点切入需要有深度学习的基础知识，并且最好了解GAN网络，而这类攻防大赛已经很成熟，可以考虑参加各类比赛来激发学习兴趣，难度四星。

3.2使用神经网络生成隐写失真代价

用神经网络辅助秘密信息的嵌入，可以选择出较好的嵌入位置而降低由于信息隐写引起的失真。从这一点切入需要我们有一些信息隐藏、图像水印的知识，把神经网络当作一种工具来使用，属于较易实现的一个点，难度二星。

3.3 使用神经网络做隐写分析

目前神经网络用于最多的场景就是图像分类，图像识别，这也是现在神经网络凸显出优势的方面，可以借鉴现有的神经网络进行修改来用于隐写分析，从该方向切入，需要较深的神经网络知识，理解神经网络的网络结构，能够对网络结构做出一定的修改，难度四星。

3.4 使用神经网络实现水印的嵌入

直接使用深度学习神经网络实现水印的嵌入无疑是一个之前没什么人做过的方向，直接生成载秘图像，李飞飞团队正是在做这方面工作，使用神经网络直接进行载体图像和秘密信息融合的效果目前并不是特别好。这个方向无疑是最难的，需要对神经网络有很深的基础，并且能够自己设计神经网络的架构，虽然有所参考，但需要吃透后再进行修改完善，难度五星。

4 关于设备和最后总结

至于深度学习所要使用的设备，反而不用太过于担心，目前各种云服务平台很多，价格低廉，以5元/小时的价格就可以租用到一块2080ti的显卡，前期实验阶段，免费的资源甚至自己的笔记本足够使用。相比于设备更加重要是拥有扎实的基础知识和选择一个好的切入点。

 

 

参考文献

[1] 2019 福州大学 CSIG中国行

[2] Zhu, Jiren, et al. "HiDDeN: Hiding Data with Deep Networks." european conference on computer vision (2018): 682-697.