CN104183244A - 一种基于证据推理的隐写检测方法 - Google Patents

Abstract

本发明涉及一种基于证据推理的隐写检测方法。通过使用不确定性问题的理论和技术解决通用隐写检测问题，提高通用隐写检测的可靠性以及检测率。首先对通用隐写检测中的不确定性因素进行综合分析，给出了通用隐写检测问题中的不确定性情况；其次构建基于不确定性推理的隐写检测模型，将证据理论原理应用于隐写检测中，设计了基于证据推理的通用隐写检测方法。通过使用本发明提出的方法，实现了MP3格式的音频通用隐写检测的目的，对网络媒体内容进行监管。

Description

一种基于证据推理的隐写检测方法

本发明涉及音频隐写检测中一种基于证据推理的隐写检测方法，属于隐写检测领域。

背景技术

伴随互联网的蓬勃发展，网络媒体以其信息丰富、传播及时、涵盖范围广、互动性强等特点，迅速成为信息传播的主流，成为人们日常获取信息和知识的主要通道，对社会政治经济文化生活的各个方面产生了广泛而深刻的影响。然而，随着网络媒体社会影响力的日益扩大，也出现了许多不良媒体内容，日益凸显出诸多问题。一方面，对网络媒体内容的监管比较薄弱，不少网络媒体在发布有益信息的同时，也发布了一些虚假甚至不良信息，造成网上信息污染严重；另一方面，网络媒体，尤其是音频、视频和图像等多媒体中含有大量冗余信息，极易被恐怖分子、商业间谍等不法分子利用作为载体传播隐秘信息、进行文化渗透，对国家和个人安全造成很大威胁。

为保证对互联网信息的监控、遏制隐写术的非法应用、打击恐怖主义、维护国家和社会的安全，如何对信息网络中的海量多媒体数据进行隐蔽信息的监测，及时阻断可能存在的非法信息通信已成为一个迫切需要解决的问题。隐写检测是针图像、视频和音频等多媒体数据，在对信息隐藏算法或隐藏的信息一无所知的情况下，仅仅是对可能携秘的载体进行检测或者预测，以判断载体中是否携带秘密信息。隐写检测技术作为隐写术的对立技术，可以有效防止隐写术的滥用，在信息对抗中具有重要意义，对于隐写检测技术的研究也一直是信息隐藏领域的研究热点。

传统的隐秘信息检测方法是专门针对某一类的信息嵌入方法，是专用隐写检测。这种检测方法是根据隐秘信息在嵌入时所引起的音频数据统计特性的变化特征来进行检测。这种专用隐写方法的检测率通常比较高，但是适用性和实用性比较差。在复杂多样的网络环境中进行检测时，我们并不知道音频文件是经过哪种隐写方法生成。随着隐写技术的不断发展，这种专门针对特定嵌入方法的隐写检测方法已不能很好的满足网络安全监管的需要，因此研究通用隐写检测方法有着更为重要的意义。通用隐写检测技术相对于专用隐写检测技术，有着很好的适用性，在网络监管中，可以作为信道传输的筛选工具，当检测到传输文件存在不安全隐写信息时，即使秘密信息的内容未被破译，网络监管人员也可以随时中断信息传输，并且在后期对不安全文件来源与去向进行追查。

另一方面，伴随着网络媒体的压缩技术飞速发展，压缩域的数字水印技术和隐写技术的研究也在不断的成熟，在音频格式中，现在使用最为广泛的压缩域信息隐藏方法的是MP3格式的压缩隐藏，越来越多的不法分子利用MP3压缩域隐写技术传输隐秘信息。MP3压缩域的隐写技术是将隐藏信息在音频压缩过程中进行嵌入的的一种技术。在压缩域嵌入隐秘信息可以避免感知编码对隐藏信息的攻击，比如在JPEG图像压缩中对量化因子和变换域系数修改的压缩过程中嵌入秘密信息能有效的抗JPEG解压缩与再压缩的攻击。

为了能够更好的对MP3压缩格式进行更好的检测，本文提出了一种基于证据推理的MP3音频隐写检测方法。

发明内容

本发明的目的是，提出一种基于证据推理的音频隐写检测方法，实现了MP3格式的音频实现通用隐写检测的目的，同时具有更加广泛的适用性。

本发明的技术方案如下：

一种基于证据推理的隐写检测方法，包括如下步骤：

第一步，构建有效证据特征集；

第二步，生成证据矩阵；

第三步，证据融合；

1、证据选择：

A、所选取的证据支持对不同方面的决策；

B、所选择的证据可以对判决提供有效良好的支持；

优选证据特征集如下：

Set1 　Markov特征的证据；

Set2 　领域联合密度特征的证据；

Set3 　多项式拟合差值特征的证据；

2、构造BPA函数

通过改造后验概率SVM，得到BPA函数；

实现SVM后验概率的输出如下：

$p(y=1|f)=\frac{1}{1+\exp (\mathrm{Af}+B)}---\left(1\right)$

其中：A、B可以通过最小化已知训练数据和其决策值f的负的对数似然函数得到：

$\min [-(\underset{i}{\mathrm{\Σ}}{t}_i\log \left(p_i\right)+(1-t_i)\log (1-p_i))]---\left(2\right)$

其中： $p_i=\frac{1}{1+\exp ({\mathrm{Af}}_i+B)},t_i=\frac{y_i+1}{2},$ y_i为样本类标签；

然而，这种后验概率输出仅体现了绝对判别的概率，没有考虑SVM判别的不确定性，因此，对以上输出进行改造；

判决的不确定性通常与检测样本、训练样本、分类器等因素有关，因此，对以下因素不确定性进行描述：

根据SVM识别误差定义，设分类器不确定因子为u_svm，得到SVM分类器的不确定因子计算式：

$u_{\mathrm{svm}}=\frac{E\left(N_{\mathrm{sv}}\right)}{N-1}---\left(3\right)$

其中：N_sv为支持向量的数量，N为训练样本的数量；

即使是同一种分类器中，由于训练样本的不同，所得到的分类规则也不相同，所以，设训练样本不确定性因子为：

$u_{\mathrm{train}}=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\left(\frac{N\′}{N}\right)---\left(4\right)$

其中：N为测试样本数，N’为错检样本数，n为检测次数；

在检测判决的时候，在分类器边界的样本容易被错判，这是因为，在分类器边界的样本，在判决为“0”和“1”的概率差距比较小，所以，我们通过“0”和“1”检测概率差描述检测样本的不确定性(其中p₁为有隐写的概率，p₀为无隐写的概率)，设检测样本不确定因子为：

u_audio＝|p₁-p₀|   (5)

根据式(2)～(5)，可以得到不确定性的输出式：

$\mathrm{\θ}=\left\{\begin{array}{cc}0.1,& p_1=p_0\\ \frac{{\mathrm{ku}}_{\mathrm{svm}}{u}_{\mathrm{train}}}{u_{\mathrm{audio}}},& p_1=p_0\end{array}\right.---\left(6\right)$

其中，θ表示为动态的不确定因子，θ∈(0,1)，k表示约束因子，将θ限制在(0,1)的取值范围中，不同的检测音频u_audio取值不同，θ随着u_audio呈动态变化；

通过公式(1)～(5)得到BPA函数输出：

$m_i\left(0\right)=\frac{1}{1+\exp (\mathrm{Af}\left(x_i\right)+B_i)}(1-\mathrm{\θ})---\left(7\right)$

$m_i\left(1\right)=\frac{\exp (\mathrm{Af}\left(x_i\right)+B_i)}{1+\exp (\mathrm{Af}\left(x_i\right)+B_i)}(1-\mathrm{\θ})---\left(8\right)$

m_i(Θ)＝θ   (9)

根据式(7)～(9)计算得到BPA函数输出值，即{m_i(0),m_i(1),m_i(Θ)}(i＝1,2,3)；

3、证据融合和决策

在决策判决的时候，为了降低冲突证据对判决影响，本文设计了降低证据冲突影响的证据融合规则，此辨识框架Θ下，幂集2Θ＝{A₁，A₂，A₃}，BPA函数中的m₁,m₂,…m_n正交和如下：

$m=m_1\⊕m_2\⊕\·\·\·m_{n-1}\⊕m_n$

融合规则如下：

$m\left(A\right)=K^{-1}\mathrm{\Σ}\underset{1\≤i\≤n}{\mathrm{\Π}}{m}_i\left(A_i\right)+m_n\left(A_i\right)---\left(11\right)$

$K=\underset{\∩A_I=A}{\mathrm{\Σ}}\underset{1\≤i\≤n-1}{\mathrm{\Π}}{m}_i\left(A_i\right)---\left(12\right)$

根据融合的结果，通过下式进行隐写判决：

有益效果：本发明提出了一种基于证据推理的音频隐写检测方法。通过使用本发明提出的方法，实现了MP3格式的音频通用隐写检测的目的，对网络媒体内容进行监管。

附图说明

图1：基于证据推理的隐写检测模型。

图2：本发明的隐写检测流程图。

具体实施方式

以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。

图1所示是给出了基于证据推理的隐写检测流程，而要实现对MP3压缩域音频的检测，以下几个环节是关键：

(1)证据选择

证据选取的优劣与否，将会直接影响隐写检测的判决。本文将依据隐写检测的特点，按照以下的两个标准来进行证据的选择：

A、所选取的证据支持对不同方面的决策。

B、所选择的证据可以对判决提供有效良好的支持。

依据这两个评判的标准，我们选取了上一节中分析的MP3压缩域音频隐写特征作为特征集，优选证据特征集如下：

Set1　 Markov特征的证据。

Set2　 领域联合密度特征的证据。

Set3　 多项式拟合差值特征的证据。

(2)构造BPA函数

本文引入对分类不确定性的描述，通过改造后验概率SVM，得到BPA函数。利用sigmoid函数，实现SVM后验概率的输出如下：

$p(y=1|f)=\frac{1}{1+\exp (\mathrm{Af}+B)}$

其中：A、B可以通过最小化已知训练数据和其决策值f的负的对数似然函数得到：

$\min [-(\underset{i}{\mathrm{\Σ}}{t}_i\log \left(p_i\right)+(1-t_i)\log (1-p_i))]$

其中： $p_i=\frac{1}{1+\exp ({\mathrm{Af}}_i+B)},t_i=\frac{y_i+1}{2},$ y_i为样本类标签。

然而，这种后验概率输出仅体现了绝对判别的概率，没有考虑SVM判别的不确定性。因此，对以上输出进行改造。

判决的不确定性通常与检测样本、训练样本、分类器等因素有关。因此，对以下因素不确定性进行描述：

根据SVM识别误差定义，设分类器不确定因子为u_svm，得到SVM分类器的不确定因子计算式：

$u_{\mathrm{svm}}=\frac{E\left(N_{\mathrm{sv}}\right)}{N-1}$

其中：N_sv为支持向量的数量，N为训练样本的数量。

即使是同一种分类器中，由于训练样本的不同，所得到的分类规则也不相同。所以，设训练样本不确定性因子为：

$u_{\mathrm{train}}=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\left(\frac{N\′}{N}\right)$

其中：N为测试样本数，N’为错检样本数，n为检测次数。

在检测判决的时候，在分类器边界的样本容易被错判，这是因为，在分类器边界的样本，在判决为“0”和“1”的概率差距比较小。所以，我们通过“0”和“1”检测概率差描述检测样本的不确定性(其中p₁为有隐写的概率，p₀为无隐写的概率)，设检测样本不确定因子为：

u_audio＝|p₁-p₀|

根据式上式，可以得到不确定性的输出式：

$\mathrm{\θ}=\left\{\begin{array}{cc}0.1,& p_1=p_0\\ \frac{{\mathrm{ku}}_{\mathrm{svm}}{u}_{\mathrm{train}}}{u_{\mathrm{audio}}},& p_1=p_0\end{array}\right.$

其中：θ表示为动态的不确定因子，θ∈(0,1)，k表示约束因子，将θ限制在(0,1)的取值范围中。不同的检测音频u_audio取值不同，θ随着u_audio呈动态变化。

(3)证据融合和决策

在决策判决的时候，为了降低冲突证据对判决影响，本文设计了降低证据冲突影响的证据融合规则，此辨识框架Θ下，幂集2Θ＝{A₁，A₂，A₃}，BPA函数中的m₁,m₂,…m_n正交和如下：

$m=m_1\⊕m_2\⊕\·\·\·m_{n-1}\⊕m_n$

融合规则如下：

$m\left(A\right)=K^{-1}\mathrm{\Σ}\underset{1\≤i\≤n}{\mathrm{\Π}}{m}_i\left(A_i\right)+m_n\left(A_i\right)$

$K=\underset{\∩A_I=A}{\mathrm{\Σ}}\underset{1\≤i\≤n-1}{\mathrm{\Π}}{m}_i\left(A_i\right)$

根据融合的结果，通过下式进行隐写判决：

Claims (2)

1.一种基于证据推理的隐写检测方法，其特征在于包括如下步骤：

步骤一，构建有效证据特征集；

步骤二，生成证据矩阵；

步骤三，证据融合。

2.根据权利要求1所述的一种基于证据推理的隐写检测方法，其特征在于，在所述步骤一中：

(1)证据选择

A、所选取的证据支持对不同方面的决策；

B、所选择的证据可以对判决提供有效良好的支持；

优选证据特征集如下：

Set1 　Markov特征的证据；

Set2 　领域联合密度特征的证据；

Set3 　多项式拟合差值特征的证据；

(2)构造BPA函数

通过改造后验概率SVM，得到BPA函数；

实现SVM后验概率的输出如下：

$p(y=1|f)=\frac{1}{1+\exp (\mathrm{Af}+B)}---\left(1\right)$

其中：A、B可以通过最小化已知训练数据和其决策值f的负的对数似然函数得到：

$\min [-(\underset{i}{\mathrm{\Σ}}{t}_i\log \left(p_i\right)+(1-t_i)\log (1-p_i))]---\left(2\right)$

其中： $p_i=\frac{1}{1+\exp ({\mathrm{Af}}_i+B)},t_i=\frac{y_i+1}{2},$ y_i为样本类标签；

然而，这种后验概率输出仅体现了绝对判别的概率，没有考虑SVM判别的不确定性，因此，对以上输出进行改造；

判决的不确定性通常与检测样本、训练样本、分类器等因素有关，因此，对以下因素不确定性进行描述：

根据SVM识别误差定义，设分类器不确定因子为u_svm，得到SVM分类器的不

确定因子计算式：

$u_{\mathrm{svm}}=\frac{E\left(N_{\mathrm{sv}}\right)}{N-1}---\left(3\right)$

其中：N_sv为支持向量的数量，N为训练样本的数量；

即使是同一种分类器中，由于训练样本的不同，所得到的分类规则也不相同，所以，设训练样本不确定性因子为：

$u_{\mathrm{train}}=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\left(\frac{N\′}{N}\right)---\left(4\right)$

其中：N为测试样本数，N’为错检样本数，n为检测次数；

在检测判决的时候，在分类器边界的样本容易被错判，这是因为，在分类器边界的样本，在判决为“0”和“1”的概率差距比较小，所以，我们通过“0”和“1”检测概率差描述检测样本的不确定性；

其中：p₁为有隐写的概率，p₀为无隐写的概率，设检测样本不确定因子为：

u_audio＝|p₁-p₀|   (5)

根据式(2)～(5)，可以得到不确定性的输出式：

$\mathrm{\θ}=\left\{\begin{array}{cc}0.1,& p_1=p_0\\ \frac{{\mathrm{ku}}_{\mathrm{svm}}{u}_{\mathrm{train}}}{u_{\mathrm{audio}}},& p_1=p_0\end{array}\right.---\left(6\right)$

其中：θ表示为动态的不确定因子，θ∈(0,1)，k表示约束因子，将θ限制在(0,

1)的取值范围中，不同的检测音频u_audio取值不同，θ随着u_audio呈动态变化；

通过公式(1)～(5)得到BPA函数输出：

$m_i\left(0\right)=\frac{1}{1+\exp (\mathrm{Af}\left(x_i\right)+B_i)}(1-\mathrm{\θ})---\left(7\right)$

$m_i\left(1\right)=\frac{\exp (\mathrm{Af}\left(x_i\right)+B_i)}{1+\exp (\mathrm{Af}\left(x_i\right)+B_i)}(1-\mathrm{\θ})---\left(8\right)$

m_i(Θ)＝θ   (9)

根据式(7)～(9)计算得到BPA函数输出值，即{m_i(0),m_i(1),m_i(Θ)}(i＝1,2,3)；

(3)证据融合和决策

在决策判决的时候，为了降低冲突证据对判决影响，设计了降低证据冲突影响的证据融合规则，此辨识框架Θ下，幂集2Θ＝{A₁，A₂，A₃}，BPA函数中的m₁,m₂,…m_n正交和如下：

$m=m_1\⊕m_2\⊕\·\·\·m_{n-1}\⊕m_n$

融合规则如下：

$m\left(A\right)=K^{-1}\mathrm{\Σ}\underset{1\≤i\≤n}{\mathrm{\Π}}{m}_i\left(A_i\right)+m_n\left(A_i\right)---\left(11\right)$

$K=\underset{\∩A_I=A}{\mathrm{\Σ}}\underset{1\≤i\≤n-1}{\mathrm{\Π}}{m}_i\left(A_i\right)---\left(12\right)$

根据融合的结果，通过下式进行隐写判决：