Exploiting Adversarial Embeddings for Better Steganography

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>

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.

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)

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)

Rok uplatnění

2019

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

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

—