| Titre : |
Étude des techniques d’apprentissage-machine pour la stéganalyse universelle |
| Type de document : |
texte imprimé |
| Auteurs : |
François Kasséné Gomis, Auteur |
| Editeur : |
Dakar : Université Cheikh Anta Diop de Dakar : Ecole Doctorale Mathématiques et Informatique |
| Année de publication : |
******** |
| Importance : |
155 P. |
| Format : |
29 cm |
| Langues : |
Français (fre) |
| Mots-clés : |
cover-image stego-image stéganographie stéganalyse apprentissage machine apprentissage profond clustering classification régression linéaire régression linéaire multiple perceptron multicouche réseau de neurones convolutif réseau de neurones informatique telecommunication apprentissage-machine |
| Résumé : |
La stéganographie est la pratique consistant à communiquer à son interlocuteur un message
secret en le cachant dans un support de couverture comme un fichier image, audio ou vidéo. La
stéganographie moderne opère sur un support numérique et regorge d’algorithmes très performants
qui rendent la détection de plus en plus difficile. Visuellement, il est quasi impossible d’affirmer
l’existence d’unmessage caché dans le support numérique.
La stéganalyse est la détection de la présence d’un message caché par le processus de stéganographie.
Il existe deux types d’approches en stéganalyse : La stéganalyse spécifique où le stéganalyste
a des connaissances à priori sur l’algorithme d’insertion utilisé par le stéganographe et
celle universelle (aveugle) où il n’a aucune information sur ces algorithmes d’insertion de données
secrètes. Dans une grande base de données contenant des millions d’images, les algorithmes
de stéganographie utilisés pour cacher des informations dans certaines images peuvent être nombreux
et variés.Dans ce cas, la stéganalyse spécifique devient très coûteuse et inefficace. Celle universelle
est donc l’approche de stéganalyse privilégiée lorsque la quantité de données augmente
exponentiellement.
Techniquement, pour faire de la stéganalyse universelle, il est nécessaire d’abord d’extraire les
meilleures caractéristiques du support numérique. En ce qui concerne les images, ces caractéristiques
proviennent du domaine spatial ou bien du domaine transformé; cela dépend tout simplement
du domaine dans lequel l’insertion a été effectuée. Elles sont souvent insensibles au contenu
visuel de l’image et très sensibles aux impacts des algorithmes de stéganographie. Ensuite choisir
un algorithme d’apprentissage-machine, voire apprentissage profond, afin de concevoir un modèle
de classification ou de régression respectivement pour distinguer les images marquées de
celles qui ne le sont pas ou pour estimer la longueur du message caché. Enfin vérifier la performance
du modèle avant de commencer à l’utiliser.
Aujourd’hui, l’un des objectifs majeur en stéganalyse universelle demeure l’augmentation de
la capacité de détection des classifieurs. Le but est de mettre au point des systèmes de stéganalyse
universelle fiables (taux d’erreurs faible) et très performants (capacité de détection très élevée).
Dans cemanuscrit, nous proposons trois méthodes de stéganalyse universelle qui contribuent
grandement à l’atteinte de cet objectif. Toutes ces méthodes reposent sur des algorithmes classiques
d’apprentissage-machine. La première montre que, sous certaines conditions, la régression
linéaire multiple devient un algorithme de stéganalyse universelle permettant d’estimer le
payload, une grandeur donnant une idée sur la longueur du message caché. La deuxième proposition
est un algorithme de réduction des caractéristiques, nommée S-SELECT, qui permet de
réduire la longueur du vecteur des caractéristiques afin de faciliter l’entrainement du classifieur.
La troisième proposition est DeepStego; il s’agit d’une méthode d’apprentissage profond pour la
stéganalyse universelle. |
| Permalink : |
https://bibliothequefst.ucad.sn/index.php?lvl=notice_display&id=829 |
Étude des techniques d’apprentissage-machine pour la stéganalyse universelle [texte imprimé] / François Kasséné Gomis, Auteur . - Dakar : Université Cheikh Anta Diop de Dakar : Ecole Doctorale Mathématiques et Informatique, ******** . - 155 P. ; 29 cm. Langues : Français ( fre)
| Mots-clés : |
cover-image stego-image stéganographie stéganalyse apprentissage machine apprentissage profond clustering classification régression linéaire régression linéaire multiple perceptron multicouche réseau de neurones convolutif réseau de neurones informatique telecommunication apprentissage-machine |
| Résumé : |
La stéganographie est la pratique consistant à communiquer à son interlocuteur un message
secret en le cachant dans un support de couverture comme un fichier image, audio ou vidéo. La
stéganographie moderne opère sur un support numérique et regorge d’algorithmes très performants
qui rendent la détection de plus en plus difficile. Visuellement, il est quasi impossible d’affirmer
l’existence d’unmessage caché dans le support numérique.
La stéganalyse est la détection de la présence d’un message caché par le processus de stéganographie.
Il existe deux types d’approches en stéganalyse : La stéganalyse spécifique où le stéganalyste
a des connaissances à priori sur l’algorithme d’insertion utilisé par le stéganographe et
celle universelle (aveugle) où il n’a aucune information sur ces algorithmes d’insertion de données
secrètes. Dans une grande base de données contenant des millions d’images, les algorithmes
de stéganographie utilisés pour cacher des informations dans certaines images peuvent être nombreux
et variés.Dans ce cas, la stéganalyse spécifique devient très coûteuse et inefficace. Celle universelle
est donc l’approche de stéganalyse privilégiée lorsque la quantité de données augmente
exponentiellement.
Techniquement, pour faire de la stéganalyse universelle, il est nécessaire d’abord d’extraire les
meilleures caractéristiques du support numérique. En ce qui concerne les images, ces caractéristiques
proviennent du domaine spatial ou bien du domaine transformé; cela dépend tout simplement
du domaine dans lequel l’insertion a été effectuée. Elles sont souvent insensibles au contenu
visuel de l’image et très sensibles aux impacts des algorithmes de stéganographie. Ensuite choisir
un algorithme d’apprentissage-machine, voire apprentissage profond, afin de concevoir un modèle
de classification ou de régression respectivement pour distinguer les images marquées de
celles qui ne le sont pas ou pour estimer la longueur du message caché. Enfin vérifier la performance
du modèle avant de commencer à l’utiliser.
Aujourd’hui, l’un des objectifs majeur en stéganalyse universelle demeure l’augmentation de
la capacité de détection des classifieurs. Le but est de mettre au point des systèmes de stéganalyse
universelle fiables (taux d’erreurs faible) et très performants (capacité de détection très élevée).
Dans cemanuscrit, nous proposons trois méthodes de stéganalyse universelle qui contribuent
grandement à l’atteinte de cet objectif. Toutes ces méthodes reposent sur des algorithmes classiques
d’apprentissage-machine. La première montre que, sous certaines conditions, la régression
linéaire multiple devient un algorithme de stéganalyse universelle permettant d’estimer le
payload, une grandeur donnant une idée sur la longueur du message caché. La deuxième proposition
est un algorithme de réduction des caractéristiques, nommée S-SELECT, qui permet de
réduire la longueur du vecteur des caractéristiques afin de faciliter l’entrainement du classifieur.
La troisième proposition est DeepStego; il s’agit d’une méthode d’apprentissage profond pour la
stéganalyse universelle. |
| Permalink : |
https://bibliothequefst.ucad.sn/index.php?lvl=notice_display&id=829 |
|  |
Accueil
Étude des techniques d’apprentissage-machine pour la stéganalyse universelle (********)
