大尺度分布式深度学习框架在隐写分析上的应用

Steganalysis of digital images based on high-dimensional feature set has made progress in the war against sophisticated content-adaptive steganography. However, all of those improvements are achieved in laboratory environments with a lot of assumptions and limiting conditions. Their performance is highly suspicious in real information warfare. The proposed project researches the applications of large-scaled distributed deep learning framework based on the cluster of general-purpose graphics processing units (for short GPGPU) in the field of steganalysis. A GPGPU based large-scaled distributed deep learning framework suitable for universal blind steganalysis is constructed via assembly of specific filter bank layers, nonlinear transformation layers and pooling layers. On top of this framework, a new universal steganalytic algorithm is proposed using the pixel values of original target images (or target images after simple pre-processing) as input features. The proposed algorithm is appliable to not only supervised training, but also sem-supervised and unsupervised training. Therefore it is expected to efficiently attack the most advanced steganography in real information warfare.

基于高维特征集的学习型隐写分析技术在对抗以内容自适应隐写术为代表的先进隐写算法的战争中取得了一定的进展。但这些进展都是在加入了很多假设和限制条件的实验室环境中取得的，这种技术在真实的信息对抗环境中的效能是存疑的。本项目把基于通用计算图形处理器集群，也即GPGPU集群的大尺度分布式深度学习框架引入到学习型隐写分析研究中。通过把多个特异的滤波器组层、非线性变换层、池化层进行组合，建立能够部署在GPGPU集群之上的，面向学习型隐写分析的大尺度深度学习框架。在此之上，直接以目标原始图像（或者经过简单预处理的目标图像）像素值作为输入特征，构建基于深度学习框架的学习型隐写分析算法。新设计的隐写分析算法适用于半监督和无监督机器训练，有望应用于真实的信息对抗环境中，有效对抗最先进的隐写技术。

基于高维特征集的学习型隐写分析技术在对抗以内容自适应隐写术为代表的先进隐写算法的战争中取得了一定的进展。但这些进展都是在加入了很多假设和限制条件的实验室环境中取得的，这种技术在真实的信息对抗环境中的效能是存疑的。本项目把基于通用计算图形处理器集群，也即GPGPU集群的大尺度分布式深度学习框架引入到学习型隐写分析研究中，并在此基础上研究信息隐藏对抗及其在多媒体取证领域上的应用。项目的主要研究成果包括：（1）我们提出了一种基于拟合富模型的深度学习隐写分析模型预训练过程；（2）我们提出了一种成功应用于大规模JPEG图像隐写分析的大尺度混合深度学习隐写分析框架；（3）我们在灰度图像和真彩图像上提出了基于同步相邻嵌入策略的最小非加性失真隐写术；（4）我们基于隔点删除下采样，提出了一种针对同步相邻嵌入隐写术的隐写分析策略；（5）我们提出了JPEG图像量化噪音统计模型；（6）我们基于现代学习型隐写分析，构造了一种视频目标对象篡改取证算法。项目组发表研究论文10篇，其中SCI检索6篇，EI检索9篇。申请专利2项。培养博士研究生2人，硕士研究生4人。