CN101527001A - 一种基于专家系统方法的隐秘信息检测系统 - Google Patents

Abstract

本发明公开了一种基于专家系统方法的隐秘信息检测系统，包括图像采集引擎、检测器、报告生成模块、图像数据库、知识库和知识获取模块，其中图像采集引擎用于从网络上快速收集不同格式的数字图像，并将数据提供给检测器；检测器根据知识库中的知识来判断图像采集引擎采集的或者图像数据库中的图像中是否隐藏了信息，然后在检测报告模块中生成检测报告并输出。本发明提供的信息检查方法可以充分利用嵌入信息特征、图像特征、隐藏工具和算法特征等信息，不仅使得可检测的范围扩大，同时提高了检测的精度；将基于粗糙集的知识获取方法引入信息隐藏检测领域，从而可以从大量的实验案例中提取有价值的信息；该系统具有可扩展性。

Description

一种基于专家系统方法的隐秘信息检测系统

技术领域

本发明属于信息安全技术领域，涉及信息隐藏检测技术、专家系统方法，具体涉及一种基于专家系统方法的隐秘信息的检测系统。

背景技术

信息隐藏技术作为隐秘通信的一种形式，已经被越来越多应用于军事领域中。但当信息隐藏技术作为不法分子、恐怖分子散布消息、组织恐怖袭击的工具时，将带来灾难性的后果。因此信息隐藏的检测技术目前已成为国内外相关领域的研究热点，现阶段国内外的学者在信息隐藏的检测领域已经取得了一些成果，有了一些检测的算法。例如Andress Westfeld和Andreas Pfitzmann，在1999年提出的可视攻击和统计攻击方法；Jessica Fridrich等人提出的在彩色图像中检测隐藏信息的方法。但是这些方法主要针对于信息隐藏工具和算法、信息隐藏检测算法的研究上，而忽略了嵌入信息的特征分析、图像的特征等有价值的信息。因此目前的算法均存在一定的局限性，它们只能针对于特定的算法或者特定的图像类型有效。

粗糙集理论是由波兰华沙理工大学Pawlak教授于20世纪80年代初提出的一种研究不完整、不确定知识和数据的表达、学习归纳的理论方法。它能够从大量的、不确定的、模糊的甚至是不完整的信息中获取有用的信息，且还能有效地对这些信息进行分析和处理，并从中发现隐含的知识、揭示潜在的规律。近年来，已广泛应用到商业领域、医学领域、环保领域、交通领域、图像领域以及故障诊断等领域。目前尚没有应用到信息隐藏检测领域的先例。

粗糙集理论涉及离散化、属性约简、值约简等问题。离散化的方法很多，不同的离散化方法会产生出不同的离散化结果，其中由Wu Qingxiang，和David A.Bell等人提出的分布指数离散化方法是一种比较好的方法。目前关于粗糙集的属性约简问题已有不少的研究，由于约简过程是NP-Hard问题，所以采用《粗糙决策理论与应用》中介绍的基于属性重要度的启发式约简算法是一种常见的方法。对于值约简，目前国内外也已经有了一些研究成果，其中常犁云，王国胤，吴渝等人在《一种基于Rough Set理论的属性约简及规则提取方法》中提出的基于可辨识矩阵的值约简算法是一种易于工程实现的方法。

综上，基于图像的信息隐藏检测技术是一个综合性、跨学科的研究项目，该技术通常与图像格式、图像压缩、图像内容、嵌入信息和隐藏算法紧密相关，虽然目前已经有了一些检测算法，但是这些算法均存在一定的局限性，它们只能针对于特定的算法或者特定的图像类型有效。

发明内容

本发明提出了一种基于专家系统方法的隐秘信息检测系统，本系统在综合了背景技术中提到的分布指数离散化方法、基于属性重要度的启发式约简算法、基于可辨识矩阵的值约简算法，在综合考虑嵌入信息特征、图像特征、隐藏工具和算法特征等信息的基础上，将粗糙集理论应用到信息隐藏检测技术领域，获取用于检测的知识。

所述的基于专家系统方法的隐秘信息检测系统包括：图像采集引擎、检测器、报告生成模块、图像数据库、知识库、知识获取模块，其中图像采集引擎用于从网络上快速收集不同格式的数字图像，并将数据提供给检测器；当检测器不能及时处理图像数据时，所述的图像采集引擎采集到的图像分类保存于图像数据库；检测器根据知识库中的知识来判断图像采集引擎采集或者图像数据库中的图像中是否隐藏了信息，然后在检测报告模块中生成检测报告并输出。所述知识获取模块采用粗糙集方法获取信息，并与专家知识一起储存在知识库中，为检测器提供检测知识。

本发明的优点在于：

(1)可以通过知识库的扩充，使得系统具有可扩展性；

(2)使检测的范围扩大，提高检测精度。

附图说明

图1是本发明检测系统结构图；

图2是本发明中基于粗糙集方法的检测规则获取流程。

具体实施方式

下面结合附图对本发明的基于专家系统方法的隐秘信息检测系统进行详细说明。

如图1所示，本发明提供的基于专家系统方法的隐秘信息检测系统的结构如图1所示，包括图像采集引擎1、检测器2、报告生成模块3、图像数据库4、知识库5、知识获取模块6，专家知识获取模块7，其中图像采集引擎1用于从网络上快速收集不同格式的数字图像，并将数据提供给检测器2；检测器2根据知识库5中的知识来判断图像采集引擎1采集或者图像数据库4中的图像中是否隐藏了信息，然后在检测报告模块3中生成检测报告并输出。所述知识库5为检测器2提供检测信息规则，其中知识库5的知识是通过知识获取模块6获得，同时在知识库5中也包含了通过7获得的领域专家的知识。当检测器2正在工作来不及处理图像采集引擎1刚采集的图像时，此时采集的图像分类保存在图像数据库4中。

具体各个部分的功能如下：

1、图像采集引擎。

图像采集引擎1采用专用采集服务器，从网络上快速收集不同格式的数字图像，将数据提供给检测器2，同时图像采集引擎1具有采集图像存储的功能。图像采集器采集的图像分两种情况进行处理，如果图像采集引擎1采集某个图像的工作完成后，此时检测器2正在处理其它图像，则将采集的图像分类保存在图像数据库4中，以便以后提供给检测器2进行检测，否则直接将图像送到检测器2进行检测。

2、知识库

知识库5是整个检测系统的基础和关键，它负责提供检测器2检测需要的信息，包括嵌入信息的特征、隐藏算法的特征、图像的特征等信息。知识库5中数据表的设计如表1、表2所示。

表1规则表

名称	数据类型	描述
			PreFact	VARchar	规则前提描述
Conclusion	VARchar	规则结论描述

规则前提描述是指包括嵌入信息的特征量、隐藏算法的特征量、图像的特征量的取值范围，也就是利用粗糙集方法获取的知识的前提。规则结论描述是指描述该图像是否嵌入了信息；如果嵌入了信息，则给出嵌入信息时利用的嵌入算法，否则给出没有嵌入信息的结论。

表2征兆表

名称	数据类型	描述
			SymID	char	征兆编号
SymD escription	VARchar	对征兆的全部信息描述

征兆表描述了征兆编号和对征兆的全部信息描述，征兆的全部信息描述是指利用粗糙集方法最终得到的决策表中的条件属性，也就是对某些嵌入信息的特征量、隐藏算法的特征量、图像的特征量的描述。

知识库5中的规则以及征兆可以通过两种方法得到，一种是领域内的专家知识，一种是通过知识获取模块6获取，因此知识库5具有可扩充性。

所述的知识获取模块6采用的是基于粗糙集的知识获取方法，方法的流程如图2所示，具体包括如下步骤：

1)建立决策表。

决策表中包含条件属性和决策属性，如表3所示。其中嵌入信息特征、图像特征、隐藏算法特征属于条件属性，隐藏算法是决策属性，如果此图像中隐藏了信息，给出隐藏算法，并分别用相应的编号表示；否则决策属性值为0。表1中的U表示案例集合，u_i(i为正整数，i＝1，2，3……n)表示通过实验获得的案例，实验时将案例的实验值填在表3中的相应位置。

这样设计的决策表可以随时将通过实验获得的案例加入决策表，从而有利于提高获得的检测规则的准确度。

表3决策表

2)离散化。

连续属性离散化是决策表约简的第一步，也是最重要的一步。离散化结果的好坏，直接影响着所获得规则的适应度。本发明采用了基于分布指数的离散化方法，这是一种有监督、局部离散化方法，它能够依据数据的实际分布情况获得合理的断点。

3)属性约简。

来自于实际系统的信息量常常含有不确定性、随机性及模糊性。众所周知，所有的信息并不是等同重要的，有些甚至是冗余的。特别是当信息系统是随机采集的时候，其冗余性更为普遍。因此，去除冗余信息，获得更为简便的决策规则，就成为粗糙集理论中的基本问题之一。设计实现属性约简模块，采用的是基于属性重要度的启发式约简算法。该算法以决策表的相对核为起点，依照属性的重要度大小，将其加入到约简集合中。然后，再依次去除每个多余的属性，最终获得约简属性集。

4)值约简。

值约简是在属性约简的基础上对决策表的进一步简化。因为属性约简只是在一定程度上去掉了决策表中的冗余属性，但是还没有充分去掉决策表中的冗余信息。对于决策分类来说，仍然可能包含冗余信息。从中得到的规则，不是最简规则，因此还需要对决策表进一步进行值约简，以得到更加简化的决策表。设计实现值约简功能模块时，采用了基于可辨识矩阵的值约简算法。该值约简算法得到的新信息表，所有属性值均为该表的核值，且所有记录均为该信息表的规则，为规则的转化提供了便利。

5)生成规则。

经过上述几个步骤将决策表进行了简化，最终就可以从决策表中获得检测规则，储存在知识库中。其中决策表的条件属性为检测规则的前提，决策表的决策属性为检测规则的结论。

3、检测器

检测器2是整个检测系统的核心，它完成的功能是根据知识库5中的检测规则知识来判断图像采集引擎1采集的图像中是否隐藏了信息。

检测器2的工作流程是：

1)从图像采集引擎1或者图像数据库4获得图像；

2)计算此图像的各个征兆所对应的值；

3)将征兆值与知识库5中的规则前提进行匹配，从而得出此图像中是否嵌入了信息，以及嵌入信息的方法。

4、报告生成模块。

检测器2输出的最终结果在报告生成模块3中生成检测报告，检测报告包括是否嵌入信息和采用的嵌入信息的方法等内容。

Claims (3)

1、一种基于专家系统方法的隐秘信息检测系统，其特征在于：该系统包括图像采集引擎、检测器、报告生成模块、图像数据库、知识库、知识获取模块和专家知识模块，其中图像采集引擎用于从网络上收集不同格式的数字图像，并将数据提供给检测器；检测器根据知识库中的检测规则知识来判断图像采集引擎采集的或者图像数据库中的图像中是否隐藏了信息，然后在报告生成模块中生成检测报告并输出；所述的图像数据库用于存储图像采集引擎采集到的图像并进行分类保存；所述的知识获取模块通过粗糙集方法获取用于检测的规则，这些检测规则中包含了嵌入信息的特征、隐藏算法的特征、图像的特征等信息；知识获取模块获取的知识以及专家知识一起储存在知识库中，为检测器提供检测规则。

2、根据权利要求1所述的一种基于专家系统方法的隐秘信息检测系统，其特征在于：所述的知识获取模块采用粗糙集方法获取知识，具体步骤为：

(a)建立决策表，决策表中包含条件属性和决策属性，其中嵌入信息特征、图像特征、隐藏算法特征属于条件属性，隐藏算法是决策属性，如果图像中隐藏了信息，给出相应的隐藏算法，并分别用相应的编号表示；否则决策属性值为0；

(b)离散化，采用基于分布指数离散化方法对决策表进行离散化；

(c)属性约简，采用基于属性重要度的启发式约简算法设计属性约简模块，去除决策表中的冗余信息，获得决策规则；

(d)值约筒，采用基于可辨识矩阵的值约简算法，在属性约简的基础上对决策表进一步简化；

(e)生成规则，经上述步骤将决策表进行简化后，从决策表中获得检测规则，储存在知识库中，将决策表的条件属性作为规则的前提，决策值作为规则的结论。

3、根据权利要求1所述的一种基于专家系统方法的隐秘信息检测系统，其特征在于：所述检测器的工作流程是：首先从图像采集引擎或者图像数据库获得图像，然后计算此图像的各个征兆所对应的值，所述征兆是指规则前提所对应的特征量；最后将征兆值与知识库中的规则前提进行匹配，从而得出此图像中是否嵌入了信息，以及嵌入信息的方法。

Images