مروري برروش استگآناليز در ابعاد بالا به كمك هم جوشاني كلاسيفايرها

به دليل پيچيده شدن روز افزون متدهاي استگانوگرافي )اختفاي اطلاعات( در ابعاد بالاي فضاي ويژگي كه سعي در افزايش امنيت و اختفاي اطلاعات به طور كاملا نامحسوس در كاور را دارند، نياز به متدهاي جديد استگآناليز)تشخيص اطلاعات نهان( جهت جدا كردن شي كاور از شي استگانوگرافي حاوي اطلاعات پنهان، حس مي شود. در كار كردن با كاورهاي با ابعاد بالا، اگر بخواهيم از متدهاي قديمي استگآناليز استفاده كنيم مي بينيم كه محاسبات بسيار پيچيده مي شود و براي محاسبات، وابستگي شديدي به المان هاي متعدد كاور به وجود مي آيد. به طور كل مي توان گفت در استگآناليز در ابعاد بالا دو موضوع مطرح است: اولاانتخاب ويژگي هاي مناسب از ميان كل ويژگيهاي موجود در ابعاد بالا كه بايد براي كلاسيفاير در نظر گرفته شوند، دوما استفاده از يك الگوريتم يادگيري ماشيني كه مقياس پذير با ابعاد بالا باشد. در كلاسيفاير كردن در ابعاد بالا مشكلاتي مانند كمبود داده هاي مجموعه آموزش، پيچيده بودن محاسبات و مرحله ي آموزش داده ها، غير قابل تعميم بودن، روباست پايين و كاهش كارايي وجود دارد. به مشكلات مذكور، پديده نفرين بعدگفته مي شود. در جهت رفع اين مشكل در روش استگاناليز نوين بر خلاف تكنيك هاي قديمي به جاي استفاده از تعداد متعددي ماشين بردار پشتيبان، از روش كلاسيفايرها 2 استفاده شده است. در واقع در اين روش تعدادي كلاسيفاير ضعيف )زير كلاسيفاير 3 (داريم كه برمبناي انتخاب رندم تعدادي از ويژگي ها از ميان كل ويژگيهاي موجود ساخته شده اند و كلاسيفاير نهايي از تركيب و هم جوشاني اين كلاسيفايرهاي ضعيف بدست مي آيد . مزاياي استفاده از اين نوع كلاسيفاير، قابل تعميم بودن، سادگي، سريعبودن، عدم پيچيدگي محاسباتي و افزايش كارايي است . لازم به ذكر است كه اين روش براي اولين بار در مقاله ] ,21 [ مطرح شده و در كارهاي بعدي تغييرات و اصلاحات جديدي در جهت افزايش كارايي آن براي استگاناليز درابعاد بالا صورت پذيرفته است.