Застосування методів глибокого навчання для стеганозахисту зображень

Abstract

Магістерська кваліфікаційна робота виконана студентом групи КНСШ-21 Морозом Павлом Сергійовичем. Тема “Застосування методів глибокого навчання для стеганозахисту зображень”. Робота направлена на здобуття ступеня магістр за спеціальністю 122 «Комп’ютерні науки». Об’єктом дослідження є алгоритми стеганозахисту. Предметом досліджень є методи для стеганозахисту зображень що використовують глибоке навчання. Досягнення мети відбувається за рахунок створення енкодер-декодер моделі. Енкодер – частина, яка приймає на вхід зображення-підкладку та текст, перетворений у зображення для отримання стегано-обʼєкту. Декодер – приймає на вхід стегано-обʼєкт і виділяє з нього приховане зображення, яке згодом перетворюється на текст. У результаті виконання дипломної роботи створено модель, що використовує Residual Convolution Block Attention Module як будівельний блок моделі, що була натренована та протестована на наборі даних у обсязі 12800 записів, розподілених у співвідношенні 70:20:10 на тренувальні, тестові та валідаційні. Для перетворення тексту в зображення було застосовано поканальний побуквений метод, поканальний побуквений із заміною символів та n-нарний. Було досягнуто точність в 95+% посимвольного відтворення та 20% 100% відтворення залежно від параметрів, а саме кількості станів, що показує кількість можливих станів блоку (чим менше станів – тим менше різних символів можна закодувати, проте більша точність відтворення) та його розмір: чим менший блок – тим більше даних можна приховати в зображенні, проте пожертвувавши точністю. Метрики щодо зображень - SSIM – 0.85+ та MSE – 0.004 для зображення-носія та MSE на рівні 0.004 – для прихованого зображення. Загальний обсяг роботи: 59 сторінок 36 рисунків, 12 таблиць, 23 посилання. Master's degree work of a student of the KNSSH-21 group, Moroz Pavlo Serhiyovych. The topic is “Application of deep learning methods for image steganography”. The work is aimed at obtaining a master's degree in specialty 122 “Computer Science”. The object of the research is steganography algorithms. The subject of the research is methods for steganography of images using deep learning. The goal of the research is achieved by creating an encoder-decoder model. The encoder is a part that takes as input a substrate image and text converted into an image to obtain a steganographic object. The decoder takes as input a steganographic object and extracts a hidden image from it, which is subsequently converted into text. As a result of the work, a model was created that uses the Residual Convolution Block Attention Module as a building block of the model, which was trained and tested on a dataset of 12,800 records, distributed in a ratio of 70:20:10 into training, test and validation. To convert text into an image, a channel-by-letter method, a channel-byletter method with character replacement and n-narrative were used. Accuracy of 95+% of character-by-character reproduction and 20% 100% reproduction was achieved depending on the parameters, namely the number of states, which shows the number of possible states of the block (the fewer states - the fewer different characters can be encoded, but the greater the reproduction accuracy) and its size: the smaller the block - the more data can be hidden in the image, but at the expense of accuracy. Image metrics - SSIM – 0.85+ and MSE – 0.004 for the carrier image and MSE at 0.004 for the hidden image.Total volume of work: 59 pages, 36 figures, 12 tables, 23 references.