基于深度學習的多媒體信息隱藏技術

文/雷樸承

隨著深度學習技術在近幾年的迅速發(fā)展，在信息隱藏領域，很多研究是利用深度網(wǎng)絡來進行隱寫分析(Steganalysis)，而專門利用深度學習來幫助信息隱藏(Steganography)的研究相對較少，因此，本文提出了將深度學習與信息隱藏相結合的模型，在一定程度上推動了該領域的發(fā)展。

1 衡量指標分析

要衡量一個現(xiàn)代信息隱藏方案的質量如何，經(jīng)常從三個性能指標來進行評價——即容量、透明性和魯棒性。

1.1 容量

在單位時間或者一幅作品中能夠實際嵌入的隱藏消息數(shù)，對圖片而言，即為一幅圖中的隱藏信息比特數(shù)；對音頻而言，即為單位時間內(nèi)能夠嵌入的隱藏信息比特數(shù)。

1.2 透明性

所嵌入信息不被探測到的程度，也稱不可感知性。對于一個多媒體媒介，嵌入秘密信息必然會改變其原有信號特征，因此隱藏方案不應導致原媒體質量的明顯下降，不會對載體的正常使用產(chǎn)生影響。

1.3 魯棒性

圖1：音頻信息隱藏的深度網(wǎng)絡結構

隱寫載體抵抗不同種類信號處理攻擊的能力，是數(shù)字水印比較注重的特征，高魯棒性的隱藏方案應使得原有媒介在經(jīng)過一定程度的信號處理或攻擊后，仍能重建隱藏信息。

這三個指標往往是相互對立的，沒有一種方案能夠完全將三者都做好，因為透明性需要隱藏的信息量較少，不能對原有載體改動過大，與容量指標是矛盾的；而高魯棒性的算法往往修改了圖像的重要部分以抵御攻擊，因此對圖像的改動較大，降低了方案的透明性。

2 深度網(wǎng)絡結構

由于載體媒介的形式與圖像不同，因此整個深度網(wǎng)絡相比之前的結構需要重新設計，但其背后的原理是一致的，網(wǎng)絡模型的結構如圖1。

原始音頻Ao首先經(jīng)過頻域變換，此處可靈活地選取不同種類的方案來進行，例如DCT、DWT、SVD 等，亦或是它們的組合，變換完成后即進入編碼層網(wǎng)絡，此處進行秘密信息的嵌入，以及頻域的反變換，完成后即可得到編碼完成的音頻Ae；然后進入解碼層網(wǎng)絡，由此處進行隱藏信息的重建，得到Mr。

與先前圖像隱寫的網(wǎng)絡結構類似，這里不同層的網(wǎng)絡依然可以受到損失函數(shù)的影響，來達到訓練效果。

3 結論

本文在已有的多媒體隱寫實現(xiàn)之上，結合深度學習提出了兩種具有可行性的圖片、音頻深度網(wǎng)絡隱寫模型。本文提出的模型在現(xiàn)有的隱寫領域研究相對較少，而隨著深度學習技術的發(fā)展，它仍可以繼續(xù)完善，在版權保護、保密通信領域都具有一定的發(fā)展和應用潛力。