Удосконалення методу спектрально-візуального та структурного аналізу фото- і відеооб'єктів мережевих ресурсів шляхом збереження походження ознак
Анотація
Удосконалено метод спектрально-візуального та структурного аналізу фото- і відеооб'єктів, які опрацьовують мережеві ресурси, шляхом збереження походження кожної ознаки до етапу їх числового поєднання. Встановлено, що рання інтеграція контейнерних і декодованих даних ускладнює відновлення байтової, просторової або часової підстави рішення моделі логістичної регресії та може прирівняти недоступну перевірку до перевірки з нульовим результатом. Сформовано два незалежні подання одного й того самого незмінного об'єкта: структурне подання ознак відображає сигнатуру, граматику контейнера, фізичні й логічні межі, вкладеність елементів, службові поля та невіднесені байтові ділянки, а спектрально-візуальне подання ознак охоплює локальні статистики, високочастотні залишки, дискретно-косинусні, хвилькові й часові характеристики. Розроблено простежуваний опис, який поєднує числові подання ознак з байтовими та просторово-часовими локалізаціями, маскою доступності, контрольною сумою, версіями правил і параметрами декодування. Проведено групово-незалежне оцінювання 200 джерельних груп, розподілених між навчальною, налаштувальною та перевірною частинами до створення похідних об'єктів. Встановлено, що на внутрішній перевірній частині з 80 об'єктів спільне подання ознак забезпечило Accuracy 0,9750, Recall 0,9500, F1 0,9744 і ROC-AUC 0,9869. Оцінено статистичну відмінність парних рішень: точний критерій Мак-Немара підтвердив перевагу над спектрально-візуальним поданням ознак, але не підтвердив перевагу над структурним за рівня значущості 0,05. З'ясовано, що у зовнішній серії з 56 MP4-об'єктів Balanced Accuracy становила 0,8333 – для структурного, 0,7857 – для спільного та 0,5000 – для спектрально-візуального подання ознак, що вказує на залежність реалізованих зорових ознак від пристрою, кодека й попереднього опрацювання. Визначено, що 95 % часу дорівнював 2,136 мс – для структурного і 853,971 мс – для спільного варіанта. Отримані результати підтверджують придатність методу до формування відтворюваного опису контрольовано змінених об'єктів, але не доводять виявлення природно поширеного шкідливого коду або готовності до промислового застосування.
Завантаження
Посилання
Agarwal, S., & Jung, K.-H. (2024). Digital image steganalysis using entropy driven deep neural network. Journal of Information Security and Applications, 84, article ID 103799. https://doi.org/10.1016/j.jisa.2024.103799
Boroumand, M., Chen, M., & Fridrich, J. (2019). Deep residual network for steganalysis of digital images. IEEE Transactions on Information Forensics and Security, 14(5), 1181–1193. https://doi.org/10.1109/TIFS.2018.2871749
Bouzegza, M., Belatreche, A., Bouridane, A., & Tounsi, M. (2022). A comprehensive review of video steganalysis. IET Image Processing, 16(13), 3407–3425. https://doi.org/10.1049/ipr2.12573
Bravo-Ortiz, M. A., Mercado-Ruiz, E., Villa-Pulgarin, J. P., Hormaza-Cardona, C. A., Quiñones-Arredondo, S., Arteaga-Arteaga, H. B., Orozco-Arias, S., Cardona-Morales, O., & Tabares-Soto, R. (2024). CVTStego-Net: A convolutional vision transformer architecture for spatial image steganalysis. Journal of Information Security and Applications, 81, article ID 103695. https://doi.org/10.1016/j.jisa.2023.103695
Cardenuto, J. P., & Rocha, A. (2022). Benchmarking scientific image forgery detectors. Science and Engineering Ethics, 28, article number 35. https://doi.org/10.1007/s11948-022-00391-4
Cohen, A., Nissim, N., & Elovici, Y. (2020). MalJPEG: Machine learning based solution for the detection of malicious JPEG images. IEEE Access, 8, 19997–20011. https://doi.org/10.1109/ACCESS.2020.2969022
Denysiuk, D., Savenko, O., Lysenko, S., Savenko, B., & Kashtalian, A. (2023). Method for detecting steganographic changes in images using machine learning. In 2023 IEEE 13th International Conference on Dependable Systems, Services and Technologies (DESSERT) (pp. 1–6). IEEE. https://doi.org/10.1109/DESSERT61349.2023.10416453
Dong, C., Chen, X., Hu, R., Cao, J., & Li, X. (2023). MVSS-Net: Multi-view multi-scale supervised networks for image manipulation detection. IEEE Transactions on Pattern Analysis and Machine Intelligence, 45(3), 3539–3553. https://doi.org/10.1109/TPAMI.2022.3180556
Guillaro, F., Cozzolino, D., Sud, A., Dufour, N., & Verdoliva, L. (2023). TruFor: Leveraging all-round clues for trustworthy image forgery detection and localization. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (pp. 20606–20615). IEEE. https://doi.org/10.1109/CVPR52729.2023.01974
Kiltz, S., Dittmann, J., Loewe, F., Heidecke, C., John, M., Mädel, J., & Preißler, F. (2024). Forensic image trace map for image-stego-malware analysis: Validation of the effectiveness with structured image sets. In Proceedings of the 2024 ACM Workshop on Information Hiding and Multimedia Security (pp. 125–130). Association for Computing Machinery. https://doi.org/10.1145/3658664.3659659
Koch, L., Oesch, S., Sadovnik, A., Weber, B., Chaulagain, A., Dixson, M., Dixon, J., Huettel, M., Watson, C., Hartman, J., & Patulski, R. (2025). On the abuse and detection of polyglot files. In Proceedings of the ACM Web Conference 2025 (pp. 4810–4822). Association for Computing Machinery. https://doi.org/10.1145/3696410.3714814
Kwon, M.-J., Yu, I.-J., Nam, S.-H., & Lee, H.-K. (2021). CAT-Net: Compression artifact tracing network for detection and localization of image splicing. In Proceedings of the IEEE/CVF Winter Conference on Applications of Computer Vision (pp. 375–384). IEEE. https://doi.org/10.1109/WACV48630.2021.00042
Moreira, D., Theisen, W., Scheirer, W., Bharati, A., Brogan, J., & Rocha, A. (2022). Image provenance analysis. In H. T. Sencar, L. Verdoliva, & N. Memon (Eds.). Multimedia Forensics (pp. 389–432). Springer. https://doi.org/10.1007/978-981-16-7621-5_15
Spalazzi, L., Paolanti, M., & Frontoni, E. (2022). An offline parallel architecture for forensic multimedia classification. Multimedia Tools and Applications, 81, 22715–22730. https://doi.org/10.1007/s11042-021-10819-x
Tsafrir, T., Cohen, A., Nir, E., & Nissim, N. (2023). Efficient feature extraction methodologies for unknown MP4-malware detection using machine learning algorithms. Expert Systems with Applications, 219, article ID 119615. https://doi.org/10.1016/j.eswa.2023.119615
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
