ВИЯВЛЕННЯ СТЕГАНОГРАФІЇ НА ЗОБРАЖЕННІ З ВИКОРИСТАННЯМ ЛЕГКОВАЖНИХ МОДЕЛЕЙ ГЛИБОКОГО НАВЧАННЯ

Наталія Лащевська; Юрій Мішкур

doi:10.28925/2663-4023.2026.32.1086

Автор(и)

Наталія Лащевська Державний університет інформаційно-комунікаційних технологій https://orcid.org/0000-0003-2148-115X
Юрій Мішкур Державний університет інформаційно-комунікаційних технологій https://orcid.org/0009-0004-6807-6914

DOI:

https://doi.org/10.28925/2663-4023.2026.32.1086

Ключові слова:

стегоаналіз, глибоке навчання, EfficientNet, MobileNet, HPF, згорткові нейронні мережі, залишкові шуми

Анотація

У роботі представлено комплексне експериментальне дослідження можливостей застосування легковажних згорткових нейронних мереж для задач стегоаналізу цифрових зображень в умовах обмежених обчислювальних ресурсів. Метою роботи є оцінювання ефективності компактних архітектур MobileNetV2 та EfficientNetV2S у поєднанні з високочастотним препроцесінгом зображень та визначення умов, за яких такі моделі можуть забезпечити високу точність виявлення прихованих повідомлень без використання ресурсоємних спеціалізованих мереж.

У ході дослідження встановлено, що високочастотна попередня обробка є критично необхідною складовою сучасних систем стегоаналізу. За відсутності блоку високочастотних фільтрів легковажні CNN не здатні ефективно відокремлювати слабкий стегошум від семантичного контенту зображення. Показано, що недостатня кількість HPF-фільтрів або шарів препроцесінгу призводить до швидкого перенавчання та нестабільності результатів класифікації. Водночас використання структурованого та достатньо потужного блоку HPF забезпечує стійке навчання і високу узагальнювальну здатність моделей.

Окрему увагу приділено порівнянню фіксованих та тренованих високочастотних фільтрів. Результати експериментів свідчать, що можливість адаптації HPF-ядер у процесі навчання дозволяє моделі підлаштовуватися під статистичні особливості стегошуму, забезпечуючи додатковий приріст точності. Такий підхід ефективно поєднує апріорні знання класичного стегоаналізу з перевагами глибокого навчання.

Запропонований підхід було перевірено на зображеннях з прихованими повідомленнями, вбудованими методом LSB за різних значень обсягу вбудовування. Отримані результати підтверджують, що архітектури MobileNetV2 та EfficientNetV2S у поєднанні з HPF-препроцесінгом забезпечують високу якість виявлення за низьких ресурсних витрат. Водночас подальші дослідження необхідні для поширення підходу на складні адаптивні методи стеганографічного вбудовування.

Завантаження

Дані завантаження ще не доступні.

Посилання

. Fridrich, Jessica. (2010). Steganography in Digital Media: Principles, Algorithms, and Applications. Steganography in Digital Media. 10.1017/CBO9781139192903.

. Fridrich and J. Kodovsky, "Rich Models for Steganalysis of Digital Images," in IEEE Transactions on Information Forensics and Security, vol. 7, no. 3, pp. 868-882, June 2012, doi: 10.1109/TIFS.2012.2190402.

. Ma, Yuanyuan & Wang, Jian & Zhang, Xinyu & Wang, Guifang & Xin, Xianwei & Zhang, Qianqian. (2025). LGS‐Net: A lightweight convolutional neural network based on global feature capture for spatial image steganalysis. IET Image Processing. 19. 10.1049/ipr2.70005.

. Karamanji, Awab & Ahmed, Asia & Fadhil, Ali. (2024). Comparative Deep Learning Models in Applications of Steganography Detection. Journal of Image and Graphics. 12. 312-319. 10.18178/joig.12.3.312-319.

. Zhang, R., Zhu, F., Liu, J., & Liu, G. (2018). Efficient feature learning and multi-size image steganalysis based on CNN. ArXiv, abs/1807.11428.

. Agarwal, S., & Jung, K.-H. (2022). Identification of Content-Adaptive Image Steganography Using Convolutional Neural Network Guided by High-Pass Kernel. Applied Sciences, 12(22), 11869. https://doi.org/10.3390/app122211869

. Deng, XQ., Chen, BL., Luo, WQ. et al. Universal Image Steganalysis Based on Convolutional Neural Network with Global Covariance Pooling. J. Comput. Sci. Technol. 37, 1134–1145 (2022). https://doi.org/10.1007/s11390-021-0572-0

. Yatsura, Pavlo & Progonov, Dmytro. (2025). A Review of modern methods for steganalysis and localization of embedded data in digital images. Theoretical and Applied Cybersecurity. 7. 10.20535/tacs.2664-29132025.1.328265.

. L. I. Hao, Z. Yi, W. Jinwei, Z. Weiming, and L. U. O. Xiangyang, “Lightweight Steganography Detection Method Based on Multiple Residual Structures and Transformer,” dzxbyw, vol. 33, no. 4, pp. 965–978, Jul. 2024, doi: 10.23919/cje.2022.00.452.

. W. Mazurczyk and L. Caviglione, “Steganography in Modern Smartphones and Mitigation Techniques,” Aug. 27, 2014, arXiv: arXiv:1410.6796. Accessed: Nov. 08, 2024. [Online]. Available: http://arxiv.org/abs/1410.6796

. Chen, Niusen & Chen, Bo. (2022). Defending against OS-Level Malware in Mobile Devices via Real-Time Malware Detection and Storage Restoration. Journal of Cybersecurity and Privacy. 2. 10.3390/jcp2020017.

. M. Boroumand, M. Chen, and J. Fridrich, “Deep Residual Network for Steganalysis of Digital Images,” IEEE Trans.Inform.Forensic Secur., vol. 14, no. 5, pp. 1181–1193, May 2019, doi: 10.1109/TIFS.2018.2871749.

. J. Ye, J. Ni and Y. Yi, "Deep Learning Hierarchical Representations for Image Steganalysis," in IEEE Transactions on Information Forensics and Security, vol. 12, no. 11, pp. 2545-2557, Nov. 2017, doi: 10.1109/TIFS.2017.2710946.

. Zhang, R., Zhu, F., Liu, J., & Liu, G. (2018). Efficient feature learning and multi-size image steganalysis based on CNN. ArXiv, abs/1807.11428.

. Hu, Fengsong & Xu, Rong & Cheng, Zhekun. (2021). A fast and effective image steganalysis model based on convolutional neural network. Journal of Physics: Conference Series. 1861. 012074. 10.1088/1742-6596/1861/1/012074.

. Agarwal, S., Kim, H., & Jung, K.-H. (2023). High-Pass-Kernel-Driven Content-Adaptive Image Steganalysis Using Deep Learning. Mathematics, 11(20), 4322. https://doi.org/10.3390/math11204322

. Yinlong Qian, Jing Dong, Wei Wang, and Tieniu Tan "Deep learning for steganalysis via convolutional neural networks", Proc. SPIE 9409, Media Watermarking, Security, and Forensics 2015, 94090J (4 March 2015); https://doi.org/10.1117/12.2083479

. Holub, Vojtech & Fridrich, Jessica. (2012). Designing Steganographic Distortion Using Directional Filters. WIFS 2012 - Proceedings of the 2012 IEEE International Workshop on Information Forensics and Security. 10.1109/WIFS.2012.6412655.

. Hussain, Israr & Zeng, Jishen & Tan, Shunquan. (2020). A Survey on Deep Convolutional Neural Networks for Image Steganography and Steganalysis. KSII Transactions on Internet and Information Systems. 14. 1228-1248. 10.3837/tiis.2020.03.017.

. Wu, Lan & Han, Xiaolei & Wen, Chenglin & Li, Binquan. (2020). A Steganalysis framework based on CNN using the filter subset selection method. Multimedia Tools and Applications. 79. 10.1007/s11042-020-08831-8.

. Krizhevsky, Alex. (2012). Learning Multiple Layers of Features from Tiny Images. University of Toronto.

. DiSalvo, N. (2025). Steganographic Embeddings as an Effective Data Augmentation. ArXiv, abs/2502.15245.

. Stefanek G., Gulbransen L., Spink G., Morawski J., Filla D., Rabello De Castro R. A comparison of ai models to detect hidden messages in images. (2024). Issues In Information Systems. 119-132. https://doi.org/10.48009/3_iis_2024_110

. K, V., Annem, P., Devarakonda, M., Jyothi, A., & Rayudu, N. (2025). Image Steganography with CNN Based Encoder - Decoder. International Journal for Modern Trends in Science and Technology, 11(04), 60–64. https://doi.org/10.5281/zenodo.15108976

. Fridrich, Jessica & Goljan, Miroslav & Du, Rui. (2001). Detecting LSB steganography in color, and gray-scale images. Multimedia, IEEE. 8. 22 - 28. 10.1109/93.959097.

. Meike Helena Kombrink, Zeno Jean Marius Hubert Geradts, and Marcel Worring. 2024. Image Steganography Approaches and Their Detection Strategies: A Survey. ACM Comput. Surv. 57, 2, Article 33 (February 2025), 40 pages. https://doi.org/10.1145/3694965

. Bauravindah, Achmad & Fudholi, Dhomas. (2024). Lightweight Models for Real-Time Steganalysis: A Comparison of MobileNet, ShuffleNet, and EfficientNet. Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi). 8. 737-747. 10.29207/resti.v8i6.6091.

. Sandler, M., Howard, A.G., Zhu, M., Zhmoginov, A., & Chen, L. (2018). MobileNetV2: Inverted Residuals and Linear Bottlenecks. 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition, 4510-4520.

. Zhou, Aihua & Ma, Yujun & Ji, Wanting & Zong, Ming & Yang, Pei & Wu, Min & Liu, Mingzhe. (2022). Multi-head attention-based two-stream EfficientNet for action recognition. Multimedia Systems. 29. 1-12. 10.1007/s00530-022-00961-3.

. Farooq N., Mir R. Image Steganalysis using Deep Convolution Neural Networks: A Literature Survey // International Journal of Sensors, Wireless Communications and Control. - 2024. - Vol. 14. - N. 4. - P. 247-264. doi: 10.2174/0122103279296370240529075507

. Chaumont, Marc. (2020). Deep learning in steganography and steganalysis. 10.1016/B978-0-12-819438-6.00022-0.

. S. Wu, S. -h. Zhong and Y. Liu, "A Novel Convolutional Neural Network for Image Steganalysis With Shared Normalization," in IEEE Transactions on Multimedia, vol. 22, no. 1, pp. 256-270, Jan. 2020, doi: 10.1109/TMM.2019.2920605.

. Dwaik, A., & Belkhouche, Y. (2024). Enhancing the performance of convolutional neural network image-based steganalysis in spatial domain using Spatial Rich Model and 2D Gabor filters. Journal of Information Security and Applications, 85, 103864. https://doi.org/10.1016/j.jisa.2024.103864