كاهش ابعاد روش پنهان‌شكني CDF با استفاده از يك روش انتخاب ويژگي مبتني بر تئوري گراف

Reduce Dimensions of CDF Steganalysis Approach Using a Graph Theory Based Feature Selection Method

پنهان‌شكني دانش كشف حضور داده پنهان در يك رسانه پوششي است. هدف پنهان‌شكني جلوگيري از رسيدن روش‌هاي پنهان‌نگاري به اهداف خود مي‌باشد. يكي از معروف‌ترين روش‌هاي پنهان‌شكني روش CDF است كه در اين پژوهش استفاده شده است. يكي از چالش‌هاي عمده در مسئله پنهان‌شكني تصاوير تعداد زياد ويژگي‌هاي استخراج‌شده براي اين كار است. مجموعه‌هاي داده‌اي با ابعاد بالا از دو جهت باعث كاهش عملكرد پنهان‌شكني مي‌شود. از يك طرف با افزايش ابعاد داده‌‌ها، حجم محاسبات افزايش پيدا مي‌كند و از طرف ديگر مدلي كه بر اساس داده‌هاي با ابعاد بالا ساخته مي‌شود داراي قابليت تعميم پاييني است و احتمال بيش‌برازش افزايش مي‌يابد. در نتيجه، كاهش ابعاد مسئله مي‌تواند هم پيچيدگي محاسباتي را كاهش داده و هم باعث بهبود عملكرد پنهان‌شكني شود. در اين مقاله تلاش شده با تركيب مفهوم زيرگراف كامل بيشينه وزن‌دار و معيار مركزيت يال و در نظر گرفتن مناسب‌بودن هر ويژگي، ويژگي‌هاي تأثيرگذار و داراي حداقل افزونگي به‌عنوان ويژگي‌هاي نهايي انتخاب ‌شوند. نتايج شبيه‌سازي بر روي مجموعه داده‌هاي SPAM و CC-PEV نشان داد روش پيشنهادي داراي عملكرد مناسبي است و به دقت حدود 96% در تشخيص جاسازي داده در تصاوير دست پيدا كرده و همچنين اين روش در مقايسه با روش‌هاي شناخته‌شده قبلي داراي دقت بالاتري است.

The steganalysis purpose is to prevent the pursuit of steganography methods for your goals. In steganography, in order to evaluate new ideas, there should be known steganalysis attacks on them, and the results should be compared with other existing methods. One of the most well-known steganalysis methods is CDF method that used in this research. One of the major challenges in the image steganalysis issue is the large number of extracted features. High-dimensional data sets from two directions reduce steganalysis performance. On the one hand, with the increase in the dimensions of the data, the volume of computing increases, and on the other hand, a model based on high-dimensional data has a low generalization capability and increases probability of overfitting. As a result, reducing the dimensions of the problem can both reduce the computational complexity and improve the steganalysis performance. In this paper, has been tried to combine the concept of the maximum weighted clique problem and edge centrality measure, and to consider the suitability of each feature, to select the most effective features with minimum redundancy as the final features. The simulation results on the SPAM and CC-PEV data showed that the proposed method had a good performance and accurately obtained about 96% in the detection of data embedding in the images, and this method is more accurate than the previously known methods.