以即時通信語音流為載體的隱寫模型與方法

周 鵬，黃永峰

（1.清華大學 電子工程系 信息認知與智能系統研究所，北京100084；2.清華大學 信息科學與技術國家實驗室，北京100084）

0 引 言

以即時通信的實時流媒體作為隱藏載體實現隱蔽通信，攻擊者在進行檢測時，很難找到原始的流媒體數據進行分析比對，檢測難度很大，提高了隱秘信息的安全性［1］。

如何截獲這些即時通信的語音流以及在通信過程中哪個階段截獲適合于隱寫的不同編碼格式語音 （即掛接點選擇問題）是目前研究的難點技術。文獻綜述了基于語音流為載體進行隱蔽通信的常用實現方法，包括采用HOOK 技術，但回避了上述兩個關鍵問題。袁鍵［2］等采用HOOK 技術實現了對Cool Sip的語音流截獲具體方法，并實現了基于G723.1語音編碼的隱寫。但是該方法截獲的是G.723.1編碼器壓縮編碼后比特流，不是很適合隱寫，因此，該方法實現隱寫算法的隱蔽性較差，而且，由于通信軟件版本差異，HOOK 過程的穩定性較差。楊俊［3］在文獻 ［2］的基礎上，提出了自適應的套接字函數截獲方法，雖然提高HOOK 過程的穩定性，但仍然截獲的是Bol SipPhone通信軟件中語音編碼后的比特流，隱寫性能還是不理想。上述方面在進行隱蔽通信時，通話音質下降較大。因此，本文針對目前存在的問題，提出了一種新的采用2次HOOK 機制實現以即時通信語音流為隱寫載體的隱寫模型，解決了掛機點選擇問題。同時，建立了高效的基于iSAC語音編碼下的語音流隱寫算法。

1 基于HOOK 機制的隱寫模型

1.1 HOOK 的基本原理

HOOK 是Windows消息處理機制的一個平臺，本質是一段用以處理系統消息的程序，通過系統調用，將其掛入到系統。鉤子機制允許應用程序截獲并處理發往指定目標的消息或事件，其監視的目標可以是本進程內的線程，也可以是由其它進程所創建的。在被監視的消息產生并在到達目標之前，鉤子程序先行截獲此消息并對此消息享有處理權。這樣，在鉤子程序中就可以對截獲的消息進行修改或處理，甚至終止該消息的傳遞［4］。

在使用HOOK 機制截獲即時通信的語音流時，需要解決的關鍵技術是掛接點選擇問題，因為掛接點選擇會受到版本差異影響，而且截獲語音格式不同也會影響到隱寫算法的設計。因此，本文通過分析Windows音頻處理特點，建立一種適合于Windows操作下即時通信語音流HOOK的方法，設計了相應的隱寫模型。

1.2 以即時通信語音流為隱寫載體的隱寫模型

在Windows操作系統上，基本上都是對麥克風輸入的采集使用WaveIn系列API函數。音頻采集設備采集到音頻數據后，會調用在waveInOpen中設置的回調函數。其中參數包括一個消息類型，根據其消息類型就可以進行相應的操作。需要特別關注的是，在從聲卡采集音頻數據的過程中，程序在waveInOpen （）開啟音頻采集設備以后，調用waveInPrepareHeader（）函數準備好緩存空間，然后調用waveInStart（）控制音頻采集設備開始采集音頻數據。當設備寫滿一個緩存空間時，系統會發出消息MM＿WIM＿DATA，應用程序收到這個消息即可得到該緩存區的指針，并且應用程序必須調用一次waveInUnprepareHeader（），用以對該緩存區的屬性進行修改。當調用過waveInUnprepareHeader（）后，程序會調用waveInAddBuffer（）將該緩存區加入緩存隊列里，用以等待存入音頻數據 （基本過程如圖1所示）。針對Windows語音采集過程和相關API函數的特點，本文提出了一種針對waveInUnprepareHeader（）的HOOK 方法。該方法不同于現有文獻在語音編碼后的HOOK 方法。

圖1 waveIn系列函數處理錄音流程

文獻 ［2，3］均是在發送端的sendto （）函數使用HOOK 技術，其實質是對語音數據壓縮編碼并封裝之后的數據進行攔截，然后再依據隱寫算法對低速率語音編碼后的數據進行改寫。采用在語音編碼過程中進行信息隱寫的算法時，數據截獲仍按上述文獻操作，則需要在sendto （）函數中對編碼后的數據先進行語音解碼器解碼，然后再將隱秘信息通過編碼算法嵌入，影響數據的實時傳輸。通過實驗驗證，由于語音數據在發送端經過了兩次編碼、一次解碼，在接收端再進行一次解碼后，語音數據與原始語音數據相比音質下降較大。因此該方法有使用上的限制。

通過以上分析，本文提出針對waveInUnprepareHeader（）的每一次調用采用HOOK 技術進行編碼前語音流截獲。獲取該函數調用時的LPWAVEHDR－＞lpData，這個指針指向了音頻數據的緩存地址，由此，我們就可以獲取到即時通信軟件從聲卡采集到的原始pcm 數據。

通信軟件從聲卡采集到原始pcm 數據后，會對語音數據進行一系列的操作，包括活動幀的檢測、信號處理、語音編解碼等操作。語音編碼結束后，調用sendto（）函數將壓縮編碼后的數據封裝成RTP數據包，然后發送給接收方。

通信語音數據處理流程如圖2所示。

圖2 通信語音數據處理流程

為了實現隱蔽通信，需要將嵌入了隱秘信息的數據掛接到即時通信過程中。嵌入隱秘信息的載體數據是對waveInUnprepareHeader（）采用HOOK 技術而獲得的語音數據。第二個 “鉤子”是在通信軟件調用sendto （）函數的時候進行掛接，將載體數據與待嵌入隱秘信息進行語音壓縮編碼，并將嵌入隱秘信息的編碼后數據替換到原sendto （）中的RTP數據包，最后將這個修改后的RTP 包發送給接收方。這樣，通過掛接兩個 “鉤子”，可以減少調用語音編碼器的次數，提高隱寫模型的實時性和語音質量。

采用HOOK 機制實現以即時通信語音流為隱寫載體的隱寫模型如圖3所示。

圖3 采用HOOK 機制實現以即時通信語音流為隱寫載體的隱寫模型

2 基于iSAC語音編碼的隱寫算法的研究

iSAC是GIPS公司推出的為在高速率和低速率下傳送寬帶語音質量的一種自適應的語音編碼器，能自動在低速率傳輸的情況下，在比特率和語音質量之間尋找最佳平衡，具有超強的抗丟包強健性［5］。iSAC 基于專利技術，獨特地把預測性編碼和無損耗編碼方法結合起來，以降低編解碼器的比特率，同時維持語音的高質量。還有一項專利則是以統計方法為基礎的創新技術，用于檢測語音活動，這個高質量和低復雜性的解決方案，只在模塊感測到用戶講話時，才傳送數據。其最突出的特點是在最惡劣的網絡下能提供優秀的聲音質量，回聲消除算法可以最大限度的消除聲音傳輸過程中形成的回音現象。iSAC 語音編碼器被很多公司應用，包括Google Talk，AIM，QQ 等。但是，由于iSAC的編碼技術還沒有公開，目前沒有文獻具體其編碼過程，因此，針對該語音編碼的隱寫方法還沒有公開發表。本文在充分分析編碼器代碼的基礎上，首先提出了一種基于LPC系數量化的隱寫算法。

iSAC在處理音頻數據時，首先通過正交鏡像濾波器（QMF）將音頻數據分解成低頻 （0～16kHz）數據和高頻（高于16kHz）數據，然后分別進行編碼處理，最后將低頻和高頻編碼出的數據使用雙路混合過濾器，從而得到最后的編碼數據［6］。

iSAC編碼過程模塊如圖4所示。

圖4 iSAC編碼過程模塊

iSAC 語 音 編 碼 器 采 用 了CELP （code excited linear prediction）二元激勵分析技術。CELP 編碼算法用從碼本中搜索出來的最佳碼矢量，乘以最佳增益，代替LP余量信號作為激勵信源［7］。所以，iSAC 在編碼時，短時合成濾波器主要是通過LPC 分析得到LPC 參數，然后進行基音搜索，得到基音周期和增益，最后進行固定碼本搜索，得到固定碼本的序號和增益。CELP 解碼中時，自適應碼本和固定碼本分別被乘以各自的增益，加起來構成激勵。通過激勵LP合成濾波器來重構語音。

通過分析iSAC 的編碼過程以及LPC 的特點，本文重點研究了基于LPC 系數量化的隱寫算法。圖5是iSAC 低頻分量的LPC Coef編碼計算過程［8］。

圖5 iSAC低頻分量LPC參數編碼過程

2.1 隱寫算法的實現原理

在對LPC系數進行編碼時，iSAC 并不是直接對LPC系數直接進行編碼，而是將LPC 系數轉換成LAR （log area ratio）系數，然后再對LAR 系數 （共108 個）進行KLT （karhuner－loeve transform）變換后再進行量化，具體的實現過程是通過LPC 參數量化過程中的LAR 域所涉及到的LPC參數的量化值index＿s［k］進行的。根據隱秘信息數據是 “1”還是 “0”來對量化值index＿s［k］進行相應的更改。考慮到對量化值修改的均衡性，本文方法對這個量化器按索引值的奇偶性劃分成兩部分，當要隱寫的隱秘信息為 “0”時，我們在偶數部分進行最優搜索，當要隱寫的隱秘信息為 “1”時，在奇數部分進行最優搜索。解碼時，根據量化索引值的奇偶來判斷隱寫的隱秘信息是1還是0。由于LPC參數量化器中相鄰的兩個值相差并不是很大，但索引必有一個為奇數，一個為偶數，這樣我們無論是取最優索引還是取次最優索引對語音影響并不是很大。

為了減少載體文件PESQ 的退化值，增加隱寫的隱蔽性，本文并沒有把iSAC 編碼器中的108個LPC 參數量化值全部用來信息隱寫，而是通過測試，選擇了其中的31個量化值來進行信息隱寫，這樣保證了使用該方法進行信息隱寫時，載體文件PESQ 的退化值保持在0.3 左右。將本方法選取的31個量化值的標號依次記下，記為j（j＝0，1，…，30）。

2.2 隱秘信息隱寫步驟

設隱秘信息Embed經過隱秘信息預處理轉化為隱秘信息比特流S＝ ［S（0），S（1），S（2），S（i），…S（L）］，L 為隱秘信息比特流的長度，N＝0，量化器為U。

步驟1 根據S（i）（i＝0，1，2…）將量化器U 調整為U′，U′＝ ｛x｜x∈U，x≡S（i）Mod2｝；搜索找到次最優索引S｀＿index ［j］，N＝N＋1；

步驟2 重復步驟1，直到得到所有S｀＿index ［j］，j＝0，1，…30；

步驟3 如果N＞＝L，則嵌入結束，否則，跳到步驟1。

2.3 隱秘信息提取步驟

步驟1 將N 置成0，j置成0；

步驟2 利用公式S（N）＝S｀＿index ［j］Mod2，可以提取隱秘信S（N），N＝N＋1；

步驟3 如果N＞＝L，則提取結束，否則，跳到步驟2。

本文提出的隱寫方法每幀可隱寫31bit隱秘信息，若對隱寫方法的音質影響要求稍微降低一些，本方法可以適當調整用于隱寫的LPC參數，從而提升隱寫方法的容量。

3 實驗結果與分析

3.1 基于Gtalk的語音截獲的測試與分析

為了驗證本文提出的隱蔽通信方法適用，在實驗階段對使用較為廣泛的Gtalk通信軟件按照本文的截獲和替換的方法進行了代碼實現，并進行了測試。為了便于觀測方法是否可靠，本測試將一段從音頻庫里的VoIP對話文件作為Gtalk語音會話其中一方的輸入數據，采用常用的Wireshark軟件捕獲Gtalk會話過程中所產生的網絡數據包，通過分析網絡數據包中語音活動幀的數據長度，來驗證本方法是否具有可行性。

通過測試，本文提到的方法在Gtalk 客戶端所產生出的數據包進行統計，從捕捉到第一幀語音活動幀開始，到最后一幀語音活動幀結束，兩種通信模式所捕捉到的靜音幀數量和語音活動幀數量均相同。圖6 （a）是正常語音通信過程中產生的語音活動幀的長度統計，圖6 （b）是采用本文提出的隱寫模型所產生出的網絡數據包中的語音活動幀長度統計。通過對通信過程中的語音活動幀進行比對，可以發現，兩種方法在網絡層所觀察到的數據包長度特征吻合，這也就驗證了，本文所提出的以即時通信語音流為隱寫載體的隱寫模型具有可行性。事實上，我們在采用本文提出的方案進行Gtalk 的語音會話中，從主觀判斷上，幾乎感覺不到異常。

圖6 Gtalk網絡數據包分析

3.2 基于iSAC的隱寫算法的測試與分析

為了驗證本文提出的隱寫算法具有較好的適用性，本文在進行測試時，選擇不同人物的多個語音片段組成語音測試樣本庫。本次測試語音片段樣本包含英文女聲 （English speech woman，ESW）、中 文 男 聲 （Chinese speech man，CSM）、中文女聲 （Chinese speech woman，CSW）、英文男聲 （English speech man，ESM）4種類別每一類包含不少于500個10s長的語音片段，每個語音片段采樣率為16kHz，對每個采樣點用16比特進行量化，保存為PCM格式文件。

3.2.1 音頻文件時域幅度分析

圖7所示的是任意選取了一段PCM 語音文件在未進行隱寫和進行信息隱寫后的時域幅度對比。從圖上可以看到，隱寫信息前后幅度譜沒有較大改變，整個幅度譜的包絡曲線幾乎與原始語音一樣，說明本文提出的隱寫算法，對合成語音質量影響很小。

圖7 隱寫前后語音文件時域幅度對比

3.2.2 PESQ 測試與分析

本次測試將語音樣本庫里的語音片段分別進行隱秘信息的嵌入，并使用PESQ工具對隱寫后的語音數據與原始語音數據進行評定［12］，得到圖8所示結果。從圖8的4幅圖中我們可以看到，隱寫前后中文男聲和英文男聲的PESQ 值惡化較小，說明本文隱寫算法對男聲的影響很小。而相比較而言，女聲的PESQ 值惡化稍微大一些，這可能與iSAC 語音編碼對女聲的LPC量化值更敏銳有關。表1是我們對4類樣本庫中的語音片段的PESQ值進行的統計與計算。

圖8 隱寫前后PESQ 取值對比

通過計算，我們可以看到，中文男聲PESQ 值惡化最小，僅有0.001，惡化率為0.03%，惡化值最大的是英文女聲，平均惡化值為0.320，惡化率為7.89%，總體來講，4種類型的語音樣本平均惡化值為0.176，惡化率為4.33%，可以看到，本隱寫算法的實際測試結果惡化率均低于8%，對語音質量的影響較小，也驗證了本隱寫算法的適用性。

表1 隱寫前后PESQ 值變化統計

由于本隱寫算法具體實現是每幀的108個LPC 參數中選取對語音質量影響較小的31個參數進行改寫嵌入隱秘信息，所以，本隱寫算法的隱寫容量為31bit／幀，隱寫速率可以達到1.03kbps，具有很好的實用性。

4 結束語

本文針對目前基于即時通信的隱蔽通信方法存在的問題，提出了一種基于2次HOOK 機制的以即時通信語音流為隱寫載體的隱寫模型，解決HOOK 的掛機點選擇的問題，提高了HOOK 機制的適用性；并選擇目前還處于研究空白的iSAC語音編碼進行了隱寫方法研究，首次建立了一種基于iSAC語音編碼的LPC 系數的隱寫算法。本文提出的以即時通信語音流為載體的隱寫模型具有良好的普適性，能夠適用于大多數的即時通信軟件，本文提出的隱寫算法隱寫速率能夠達到1.03kbps，具有很好的實用價值。后續工作主要改善隱蔽通信的同步和可靠性機制，減少丟包對隱秘信息丟失的影響，開發出一套具有實用價值的隱蔽通信系統軟件。

［1］Huang Y，Tang S，Bao C，et al.Steganalysis of compressed speech to detect covert voice over Internet protocol channels［J］.Information Security，IET，2011，5 （1）：26－32.

［2］YUAN Jian，ZHOU Xuesi，HUANG Yongfeng.Application of HOOK technology in network covert communication ［J］.Journal of Sichuan University （Natural Science Edition），2011，48 （3）：539－545 （in Chinese）. ［袁 鍵，周 學 思，黃 永 峰.HOOK 技術在網絡隱蔽通信中的應用 ［J］.四川大學學報，2011，48 （3）：539－545.］

［3］YANG Jun，BAI Sen，HUANG Yongfeng，et al.Realization of stegnography based on speech of Bol SipPhone［J］.Application Research of Computers，2011，28 （5）：1901－1913 （in Chinese）. ［楊俊，柏森，黃永峰，等.以Bol SipPhone語音流為載體的信息隱寫方法實現 ［J］.計算機應用研究，2011，28 （5）：1901－1913.］

［4］Sridhar S.Method of intercepting VoIP communications：U.S.Patent 20，130，039，226［P］.2013－02－14.

［5］Google.WebRTC FAQ ［EB／OL］. ［2014－01－11］.http：／／www.webrtc.org／faq＃TOC－What－is－the－iSAC－audio－codec.

［6］Introduce of iSAC ［EB／OL］.［2012－02－14］.http：／／www.cnblogs.com／gaozehua／archive／2012／02／14／2350477.html.

［7］YAO Tianren.Digital speech coding ［M］.Beijing：Publishing House of Electronics Industry，2011：228－230 （in Chinese）. ［姚天任.數字語音編碼 ［M］北京：電子工業出版社，2011：228－230.］

［8］Google.WebRTC code package ［CP／OL］.［2014－01－11］.https：／／code.google.com／p／webrtc／source／checkout.

［9］Oskycar.About windows API record ［EB／OL］.［2013－06－13］.http：／／www.360doc.com／content／13／0613／18／2036337＿292631223.shtml.

［10］XU Rong，WU Hao，ZHANG Hang.Research of covert channel based on Gtalk instant messenger protocol［J］.Computer Engineering and Design，2012，33 （12）：4471－4475（in Chinese）.［許蓉，吳灝，張航.基于GTALK 即時通訊協議的隱蔽通道研究 ［J］.計算機工程與設計，2012，33（12）：4471－4475.］

［11］Google.Google talk for developers［CP／OL］.［2013－05－15］.https：／／developers.google.com／talk／？hl＝zh－CN.

［12］Liu Y，Shen Y，Liu Q，et al.Performance evaluation and accuracy upgrading of PESQ in Chinese environment［C］／／IEEE 77th Vehicular Technology Conference.IEEE，2013：1－5.