Машиналық оқыту арқылы стеганализ алгоритмдерін жасау

Қазақстан Республикасы білім және ғылым министрлігі

Әл - Фараби атындағы Қазақ Ұлттық Университеті

Факультеті «Ақпараттық технологиялар»

Кафедрасы «Ақпараттық қауіпсіздік»

МӨЖ

Тақырыбы: Жоғары мектеп педагогикасы мен зерттеу жұмысының мазмұнын кіріктіру негізінде ғылыми мақала жариялау және қорғау

Орындаған: Қыдыр А.Е.

​​​ Тексерген: Текесбаева А.М.

Алматы, 2025

Мазмұны:

Аннотация

Кіріспе

2. Негізгі бөлім

2.1. Қолданыстағы тәсілдерге шолу

3. Архитектураны оңтайландыру әдістері

3.1. Кіріс деректерін өңдеу

3.2. Архитектуралық модификациялар

3.3. Белсендіру функциялары

3.4. Реттеу және оқыту

3.5. Назар аудару механизмдері

4. Пайдаланылған деректер жиынтығы

4.1. BOSSBase

4.2. BOWS2

4.3. ALASKA

4.4.. StegoAppDB және StegoZoo

4.Эксперименттік зерттеу

5. Нәтижелерді талқылау

6. Қорытынды

7. Әдебиеттер тізімі

Аннотация

Бұл мақалада стегоанализ үшін қолданылатын нейрондық желілердің архитектурасын оңтайландырудың заманауи тәсілдері қарастырылады-ақпаратты сандық кескіндерге жасырын енгізу фактісін анықтау. Архитектураларды стегоанализ міндеттерінің ерекшеліктеріне бейімдеу әдістері, соның ішінде архитектуралық модификациялар, активтендіру функцияларын таңдау, оқыту стратегиялары, регуляризация және алдын-ала өңдеу талқыланады. Пайдаланылған датасеттерге талдау, сондай - ақ стего және нестего кескіндерін жіктеу дәлдігін жақсартуға бағытталған салыстырмалы эксперименттік зерттеу берілген.

Кіріспе

Стегоанализ ақпараттық қауіпсіздік пен цифрлық криминалистика саласындағы маңызды міндет болып табылады. Ол стеганография әдістерін қолдана отырып, сандық кескіндерге енгізілген жасырын деректерді анықтауға бағытталған. Қазіргі заманғы енгізу әдістері барған сайын жетілдіріліп, байқалмай келеді, бұл дәстүрлі тәсілдерді нақты қауіп-қатер жағдайында қолдану мүмкін емес етеді [1], [2].

Ең перспективалы бағыттардың бірі-терең нейрондық желілерді (DNN), атап айтқанда кескін құрылымындағы нәзік өзгерістерге жоғары сезімталдықты көрсететін конволюциялық нейрондық желілерді (CNN) пайдалану [3], [4]. Дегенмен, барлық жағдайларда әмбебап архитектура жоқ, бұл архитектураларды нақты тапсырмалар үшін теңшеуді және оңтайландыруды қажет етеді.

Мақаланың мақсаты-құрылымдық және оқу өзгерістерін қоса алғанда, стегоанализ үшін нейрондық желі архитектурасын оңтайландыру жолдарын зерттеу және әдебиеттегі бар тәсілдерді жалпылау.

2. Негізгі бөлім

2.1. Қолданыстағы тәсілдерге шолу

Нейрондық желілік стегоанализдегі заманауи зерттеулер бірнеше негізгі бағыттарға бағытталған:

Классикалық CNN архитектуралары: ResNet, VGG, Xception және EfficientNet негізгі модельдер ретінде қолданылды[3], [5], [6];

Сүзу арқылы алдын ала өңдеу: SRM, Gabor және DCT сүзгілерін пайдалану қабылдауды сезінетін жоғары жиілікті компоненттерді бөлуге мүмкіндік береді [7], [8];

Автоэнкодерлер және GAN: жасырын артефактілерді алу үшін немесе синтетикалық деректерді генерациялау үшін қолданылады [9], [10];

Зейін механизмдері және трансформаторлар: Attention-Модульдер желінің назарын кескіннің күдікті аймақтарына аударуға мүмкіндік береді [11], [12];

Көп модельді ансамбльдер: әр түрлі модельдердің болжамдарын біріктіру (ансамбльдік оқыту) шешімдердің тұрақтылығын арттырады [13];

Қайтымды архитектуралар мен Резидуалдық байланыстар: ақпараттың қайтымдылығын және сигналдардың бұрмалануына төзімділікті жақсартады [4], [14].

3. Архитектураны оңтайландыру әдістері

3.1. Кіріс деректерін өңдеу

SRM (Spatial Rich Model) сүзгілерін қолдану желілерге үлкен кескін элементтерін елемей, стеганографиялық өзгерістерге тән ерекшеліктерге назар аударуға мүмкіндік береді. Gabor сүзгілері және DCT негізіндегі түрлендірулер алдын ала өңдеуде де қолданылады[7], [8], [15].

3.2. Архитектуралық модификациялар

Residual-блоктарды қосу және терең тар желілерді пайдалану модельдердің тиімділігін арттыратыны анықталды [4], [14]. U-Net құрылымдарын пайдалану кеңістіктік тәуелділіктерді модельдеуге мүмкіндік береді [16].

3.3. Белсендіру функциялары

Mish және Swish белсендіру мүмкіндіктері әлсіз градиенттерді жұмсақ өңдеу арқылы ReLU-мен салыстырғанда жақсы нәтиже көрсетеді [5], [17].

3.4. Реттеу және оқыту