اي تمام تصاوير داراي نکات مشترکي است. اول اينکه همانطور که گفته شد در حالت تصوير بدون تغييرات، R-M RM و S-M SM است. دوم آنکه مقادير RM و SM با افزايش درصد تغييرات در بيتهاي با کمترين ارزش تصوير به هم نزديک شده و در حالتي که 50% آنها تغيير کرده باشند(يعني طول بردار پيام مخفي شده به اندازهي طول بردار بيتهاي با کمترين ارزش تصوير باشد) اين دو مقدار تقريباً برابر هم خواهند بود. در مقابل مقادير R-M و S-M با افزايش در صد تغييرات در بيتهاي با کمترين ارزش تصوير، از هم دور ميشوند.
با استفاده از اين نکات، براي تصوير مشکوک دراختيار با بدست آوردن مقادير RM و SM و R-M و S-M ميتوان تخمين زد که درصد تغييرات ايجاد شده در بيتهاي با کمترين ارزش سيگنال چقدر بوده است. در حقيقت نمودار RS براي تصوير مشکوک با تخمين آماري مقادير آن در نقاط مختلف (با ميانگينگيري از اين مقادير به ازاي بردار M هاي متفاوت)، قابل رسم بوده و به اين ترتيب مکاني که تصوير در نمودار RSدر آن قرار ميگيرد، نشان دهندهي درصد تغييرات رخداده دربيتهاي با کمترين ارزش آن خواهد بود. شايان ذکر است که اعمال اين روش تنها با اطلاع از حوزهي اجراي روش جايگزيني بيت با کمترين ارزش امکانپذير است.
6-4-3- روش Provos
در سال 2001 پس از حوادث تروريستي يازدهم سپتامبر، عدهاي به اين شک افتادند که گروههاي تروريستي از طريق سايتهاي معروف اينترنتي به تبادل اطلاعات با استفاده از نهاننگاري بر روي تصاوير ميپردازند. به اين ترتيب بررسي اين مسأله به محققين سپرده شد. بيش از دو ميليون تصوير از سايتeBay و يک ميليون تصوير از سايت USENET توسط Provos و Honeyman مورد تحليل قرار گرفت و در نهايت هيچ اثري از نهاننگاري بدست نيامد. اين نرمافزار داراي قابليت تحليل بسياري از روشها و نرمافزارهاي نهاننگاري به شيوهي آزمون همانندي است.
اين نرمافزار توسط Provos طراحي شد و نسخههاي بروز آن از سايت OutGuess [26] قابل تهيه است. از سال 2001 که اولين نسخه از اين نرمافزار ارائه شد، تاکنون چندين نسخه بروز شدهي آن منتشر شده که آخرين آنها در سال 2004 بوده است. در حال حاضر اين نرمافزار قابليت تحليل J-Steg، JPHide، Invisible Secrets، OutGuess، F5 و Camouflage را داراست. همچنين همراه StegDetect، نرمافزار ديگري به نامStegBreak وجود دارد که در صورت اطمينان از وجود اطلاعات مخفي در سيگنال و اطلاع از نرمافزار نهاننگاري مورد استفاده، ميتواند رمز عبور آن و درنتيجه پيام مخفي را استخراج کند. اما مهمترين مشکل نرمافزار StegDetect و نرمافزارهاي مشابه در اين است که براي تعداد محدودي از الگوريتمهاي نهاننگاري قابل استفاده هستند و در صورتي که الگوريتم نهاننگاري مشخص نباشد، بايد با صرف زمان زياد، تمام روشهاي پيش فرض مورد بررسي قرار گيرد.
7-4-3- روش Dumitrescu 2002
اين روش اولين روش تحليلي است که توسط Dumitrescu و در سال 2002 ارائه شد[34]. روش تحليل ديگري نيز توسط Dumitrescu در سال 2005 گزارش شدکه در [35] توضيح داده شده است.
روشي که در اين زيربخش بررسي ميشود قادر است به شيوهي تحليلي، طول بردار پيام مخفي شده در بيتهاي با کمترين ارزش سيگنال را تخمين بزند. اين روش برپايهي يک کميت مهم آماري است که به گروههاي خاصي از بايتهاي سيگنال مربوط ميشود و به تغييرات در بيتهاي با کمترين ارزش بسيار حساس است. در زير به بررسي اين روش پرداخته شده است.
اگر فرض کنيم سيگنـال مورد نظر يـک تصوير است، ابتدا آن را به زوج پيکسـلهاي کنار هم بخشبندي ميکنيم. P را مجموعهي تمام اين زوج پيکسلها تعريف ميکنيم. زيرمجموعههاي X و Y و Z را به صورت زير تعريف ميکنيم:
* X مجموعهي زوجهاي P (u,v) که v زوج است و v u يا v فرد است و v u
* Y مجموعهي زوجهاي P (u,v) که v زوج است و v u يا v فرد است و v u
* Z مجموعهي زوجهاي P (u,v) که v = u
به اين ترتيب ميتوان در حالت کلي فرض کرد که |X|=|Y| باشد که در تصاوير طبيعي فرض قابل قبولي است. اکنون مجموعهي Y را به دو زيرمجموعهي ديگر تقسيم ميکنيم. زير مجموعهي W که شـامل زوجهايي از P به فـرم (2k,2k+1) و (2k+1,2k) اسـت و زير مجموعـهي V=Y-W. به اين ترتيب و گروههاي X و V و W و Z مجموعههاي اوليه خوانده ميشود.
با اعمال روش جايگزيني بيت با کمترين ارزش به سيگنال، مقادير پيکسلها و درنتيجه عضويت زوج پيکسلها در مجموعههاي اوليه تغيير ميکند. بنابراين چهار حالت زير را در نظر ميگيريم:
00) هيچ کدام از v و u تغيير نکند.
01) تنها مقدار v تغيير کند.
10) تنها مقدار u تغيير کند.
11) هر دو مقدار v و u تغيير کند.

شکل(3-4): تغييرات در عضويت زوج پيکسلها در مجموعههاي اوليه
لذا تغييرات در عضـويت زوج پيکسلها در مجموعـههاي اوليه به صورت نمـايش داده در شکل(3-4) است. گروههـاي X’ و V’ و W’ و Z’ را به عنـوان مجموعـههاي اوليـه براي تصوير تغيير يافتـه درنظر ميگيريم. به اين ترتيب Dumitrescu نشان داده که رابطهي زير برقرار است.
(3-6)
0.5?p2 + (2| X’| – |P| )p + | Y’| = 0

در رابطه (3-6)، = |W| + |Z| = |W’| + |Z’| ? و p طول پيام مخفي شده است که از اين رابطه بدست ميآيد. روشن است که براي استفاده از اين روش تحليل آگاهي از اينکه سيستم نهاننگاري از نوع جايگزيني بيت با کمترين ارزش بوده است الزامي است.
8-4-3- روش Blockiness
Fridrich و همکارانش در سال 2002 روشي ارائه نمودند که ميتواند طول پيام سري را تخمين بزند[36]. آنها اين حمله را به OutGuessاعمال نمودند. از آنجايي کهOutGuess نسبت به حملات آماري مرتبهي اول مقاوم است، حملهي مذکور را بايستي براساس حملات آماري مرتبه دوم و بالاتر اجرا نمود.
براي بيشتر سيستمهاي نهاننگاري، پيدا کردن کميت قابل رؤيت S(p)که به صورت قابل پيش بيني(مثلاً اکيداً افزايشي) با طول پيام سري (p) تغيير کند، کار دشواري نيست. فرض کنيد فرم تابعي S معلوم باشد و يا بتوان آن را بر اساس تجربيات و آزمايشات حدس زد. تابع Sميتواند به چندين پارامتر تعيين نشده بستگي داشته باشد. ميتوان اين پارامترها را با در نظر گرفتن مقادير حدي S مثلاً S(0) (يعني S براي تصوير پوشش) يا S(pmax) (يعني S به ازاي تصوير نهاننگاري شده با پيام سري به طول ماکزيمم) تعيين نمود. هنگامي که اين پارامترها تعيين شدند، ميتوان تخمين طول پيام q را با حل معادله Sq= S(q) براي q به دست آورد که Sq مقدار S براي تصوير نهاننگاري شده مورد بررسي است. مزيت مهم اين روش آن است که آشکارپذيري آن وابسته به يک مقدار آستانه نيست و ميتوان طول پيام سري را تخمين زد.
در اين روش از ناپيوستگي موجود در مرزهاي قطعههاي 8*8 پيکسلي تصوير به عنوان کميت قابل رؤيت که با طول پيام سري افزايش مييابد، استفاده نمودند. ناپيوستگي از رابطهي زير که آن را Blockiness ناميداند، به دست ميآيد:
(3-7)

در رابطه بالا gij مقادير پيکسلها در يک تصويـر سياه و سفيد N*M است. آزمـايش نشـان ميدهد که تابع Blockiness با افزايش LSBهاي تغيير کرده در ضرايب به صورت يکنوا خت افزايش مييابد و مشتق اول آن با طول پيام مخفي کاهش مييابد. بنابراين شيب تابع Blockiness براي تصوير پوشش ماکزيمم است و با قرار دادن پيام سري در تصوير، کاهش مييابد.
با استفاده از اندازه گيري Blockiness ، الگوريتم کشفOutGuess به صورت زير خواهد بود:
* Blockiness، BS(0) را براي تصوير نهاننگاري شدهي غيرفشرده تعيين کنيد.
* با استفاده از OutGuess پيام با طول ماکزيمم را در تصوير نهانسازي نموده و Blockiness تصوير نهاننگاري شدهي حاصل يعني BS(1) را محاسبه کنيد.
* چهار پيکسل از تصوير نهاننگاري شده را ببريد تا تصويري مشابه تصوير پوشش حاصل شود. تصوير حاصل را با جدول کوانتيزاسيون JPEG مشابه تصوير نهاننگاري شده فشرده کرده و ضريب Blockiness، B(0) را محاسبه نماييد.
* با استفاده از OutGuess پيام به طول ماکزيمم را در تصوير بريده شده نهانسازي نموده و ضريب Blockiness، B(1) را براي آن محاسبه کنيد.
* با استفاده از OutGuess پيام به طول ماکزيمم را در تصوير نهاننگاري شدهي حاصل از مرحلهي قبل نهانسازي نموده و ضريب Blockiness، B1(1) را براي آن محاسبه نماييد.
* شيب S0= B(1) – B(0) مربوط به تصوير پوشش است. شيب S1= B1(1) – B(1) متناظر با تصوير نهاننگاري شده با طول پيام سري ماکزيمم است. شيب تصوير نهاننگاري شده يعني S بين دو مقدار S0 و S1 قرار دارد و طول پيام سري به صورت زير به دست ميآيد:
(3-8)
P =
کهP =0 متناظر با تصوير پوشش و P =1 مربوط به تصوير نهاننگاري شده با طول پيام سري ماکزيمم است. Fridrich و همکارانش اين الگوريتم را روي 70 تصوير که 24 تا از آنها حامل پيام سري بودند، آزمودند. نتايج حاکي از خطاي تخمين طول پيام 6±0.48- درصد کل ظرفيت است[36].
9-4-3- روش Avcibas
اين روش همانطور که در زير بخش 2-2-3 گفته شد يک روش تحليل فراگير است و در سال 2003 توسط Avcibas ارائه شده است[27]. در اين روش با استفاده از يک مجموعه از مقياسهاي کيفيت تصوير IQM’s، تابع تمايز براي تشخيص تصوير پاک از تصوير نهاننگاري شده، طراحي شده است. ايدهي کار، يافتن IQMهايي است که به تغييرات حاصل از نهاننگاري حساس باشند. در شکل(5-3) نمودار موقعيت تصاوير آزمايش شده در فضاي سهبعدي مربوط به سه مقياس کيفيت تصوير نمايش داده شده است.

شکل(3-5): نمودار موقعيت تصاوير آزمايش شده در فضاي سهبعدي مربوط به سه مقياس کيفيت تصوير
10-4-3- روش Harmsen
اين روش که در سال 2003 توسط Harmsen [37] ارائه شده، روش تحليل نهاننگاري با مدل کردن اثر نهاننگاري به صورت نويز جمعي بر سيگنال پوشش است. ايدهي اوليهي اين روش بر پايهي چند نکته است. اول آنکه سيگنال تصوير به طور کلي در معرض انواع مختلف نويز(نويز دوربين عکاسي يا اسکنر، نويز نمونه برداري، نويز کانال و . . .) قرار دارد و به همين علت برخي از روشهاي نهاننگاري از اين نکته براي پنهان کردن پيام به شکل نويز بر روي سيگنال پوشش تصوير بهره ميبرند. از طرفي تغييرات ايجاد شده در سيگنال پوشش در اثر بعضي از روشهاي نهاننگاري قابل مدل سازي به صورت نويز جمعي است.
همچنين در سيگنال تصوير(و هر سيگنال پوشش ديگر از قبيل صوت و . . .) مقادير زيادي همبستگي موجود است و پنهان کردن دنبالهي پيامي که هيچ همبستگي با سيگنال پوشش ندارد شک برانگيز است.

شکل(3-6): مدل نهاننگاري به صورت نويز جمعي

حال فرض کنيم که اثر نهايي سيستم نهاننگاري مورد استفاده بر روي سيگنال پوشش در حوزهي مکان به صورت نمايش داده شده در شکل(3-6) باشد. به اين ترتيب اگر نمودار فراواني براي بايتهاي سيگنال پوشش(بافتنگار در مورد سيگنال تصوير) را با hc[n] و اين نمودار را براي سيگنال نهاننگاري شده با hs[n] نمايش دهيم در اين صورت اثر نويز جمعي نهاننگاري از طريق تابع توزيع نويز نهاننگاري f?[n] معين ميشود.
در [37] نشان داده شده که اثر نويز جمعي در مدل شکل(3-5) به صورت زير قابل بيان است:
(3-9)
hs[n] = hc[n] * f?[n]

و اين عبارت با بردن تمام توابع به حوزه تبديل DCT به شکل زير تبديل ميشود:
(3-10)
Hs[k] = F?[k] Hc[k]

از طرفي با معرفي H[k] به عنوان تابع مشخصه بافتنگار يا HCF ميتوان براي آن مرکز جرم يا CoM را به صورت زير تعريف کرد:
(3-11)

دسته بندی : No category

دیدگاهتان را بنویسید