Exploiting Adversarial Embeddings for Better Steganography
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F19%3A00339848" target="_blank" >RIV/68407700:21230/19:00339848 - isvavai.cz</a>
Výsledek na webu
<a href="https://doi.org/10.1145/3335203.3335737" target="_blank" >https://doi.org/10.1145/3335203.3335737</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1145/3335203.3335737" target="_blank" >10.1145/3335203.3335737</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Exploiting Adversarial Embeddings for Better Steganography
Popis výsledku v původním jazyce
This work proposes a protocol to iteratively build a distortion function for adaptive steganography while increasing its practical security after each iteration. It relies on prior art on targeted attacks and iterative design of steganalysis schemes. It combines targeted attacks on a given detector with a minmax strategy, which dynamically selects the most difficult stego content associated with the best classifier at each iteration. We theoretically prove the convergence, which is confirmed by the practical results. Applied on J-Uniward this new protocol increases perr from 7% to 20% estimated by Xu-Net, and from 10% to 23% for a non-targeted steganalysis by a linear classifier with GFR features.
Název v anglickém jazyce
Exploiting Adversarial Embeddings for Better Steganography
Popis výsledku anglicky
This work proposes a protocol to iteratively build a distortion function for adaptive steganography while increasing its practical security after each iteration. It relies on prior art on targeted attacks and iterative design of steganalysis schemes. It combines targeted attacks on a given detector with a minmax strategy, which dynamically selects the most difficult stego content associated with the best classifier at each iteration. We theoretically prove the convergence, which is confirmed by the practical results. Applied on J-Uniward this new protocol increases perr from 7% to 20% estimated by Xu-Net, and from 10% to 23% for a non-targeted steganalysis by a linear classifier with GFR features.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
—
OECD FORD obor
10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)
Návaznosti výsledku
Projekt
Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)
Ostatní
Rok uplatnění
2019
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
Proceedings of the ACM Workshop on Information Hiding and Multimedia Security
ISBN
978-1-4503-6821-6
ISSN
—
e-ISSN
—
Počet stran výsledku
6
Strana od-do
216-221
Název nakladatele
ACM
Místo vydání
New York
Místo konání akce
Paris
Datum konání akce
3. 7. 2019
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
—