KaydedilenlerDerginizi ekleyin

Dergiler / Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi / 2026 / Cilt: 40 Sayı: 1

Seçilen steganografi yöntemlerinin derin öğrenme modelleri ile steganaliz performansının incelenmesi

Ercan Buluş(TEKIRDAG NAMIK KEMAL UNIVERSITY)0000-0001-9442-6253
Sayfa
443–454
Yayın Tarihi
2024-08-16
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Ayrıca, derin öğrenmeye dayalı steganaliz ile ilgili zorlukları ve sınırlamaları vurgulanılmış ve gelecekteki araştırmalar için potansiyel yollar önerilmiştir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Görünüşte zararsız dijital ortamlarda bilgi gizleme sanatı olan steganografi, bilgi güvenliği için önemli bir sorun teşkil etmektedir.
📊
Temel Bulgular & Veri:Steganografinin altında yatan kavramlar ve sonuçları araştırıldı, ardından bu çalışmada steganalizde kullanılan farklı derin öğrenme mimarileri ve metodolojileri keşfedilmiştir.
💡
Sonuç & Katkı:Ayrıca, derin öğrenmeye dayalı steganaliz ile ilgili zorlukları ve sınırlamaları vurgulanılmış ve gelecekteki araştırmalar için potansiyel yollar önerilmiştir.
🔬Tür:Araştırma Makalesi
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Görüntü Steganografisi · Görüntü Steganalizi · Veri Gizleme

Özet

Görünüşte zararsız dijital ortamlarda bilgi gizleme sanatı olan steganografi, bilgi güvenliği için önemli bir sorun teşkil etmektedir. Son yıllarda, derin öğrenme teknikleri, çeşitli bilgisayarla görme görevleri için güçlü araçlar olarak ortaya çıkmıştır. Bu makale, dijital ortamdan gizli bilgilerin saptanması ve çıkarılmasına odaklanan, derin öğrenmeye dayalı steganalizdeki en son teknolojinin kapsamlı bir incelemesini sunar. Steganografinin altında yatan kavramlar ve sonuçları araştırıldı, ardından bu çalışmada steganalizde kullanılan farklı derin öğrenme mimarileri ve metodolojileri keşfedilmiştir. Ayrıca, derin öğrenmeye dayalı steganaliz ile ilgili zorlukları ve sınırlamaları vurgulanılmış ve gelecekteki araştırmalar için potansiyel yollar önerilmiştir.

🔖

Bu Makaleye Atıf Yap

Buluş, E. (2024). Seçilen steganografi yöntemlerinin derin öğrenme modelleri ile steganaliz performansının incelenmesi. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt: 40 Sayı: 1, 443–454. https://doi.org/10.17341/gazimmfd.1324765

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (26)

  1. Kodovsky J.S., Sedighi V., Fridrich J., Study of Cover Source Mismatch in Steganalysis and Ways to Mitigate its Impact, Proc. SPIE 9028, Media Watermarking, Security, and Forensics 2014, San Francisco, California, USA, 2014.
  2. Sedighi V., Cogranne R., Fridrich J., Content-adaptive steganography by minimizing statistical detectability, IEEE Transactions on Information Forensics and Security, 11 (2), 221–234, 2016.
  3. Forouzan B.A., Introduction to Cryptography and Network Security, McGraw-Hill Higher Education, isbn: 978-0-07-287022-0, New York, USA, 2008.
  4. Fridrich J., Kodovsky J., Rich models for steganalysis of digital images, IEEE Transactions on Information Forensics and Security 7 (3), 868–882, 2012.
  5. Ye J., Ni J., Yi Y., Deep learning hierarchical representations for image steganalysis, IEEE Transactions on Information Forensics and Security, 12 (11), 2545–2557, 2017.
  6. Tompson J., Goroshin R., Jain A., LeCun Y., Bregler C., Efficient object localization using convolutional networks, 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Boston, MA, USA, 648-656., 2015.
  7. Simonyan K., Andrew Z., Very Deep Convolutional Networks for Large-Scale Image Recognition, ICLR 2015, San Diego, USA, 2015.
  8. Pevny T., FillerT., Bas P., Using High-Dimensional Image Models to Perform Highly Undetectable Steganography., Information Hiding, Calgary, Canada, 161-177, 2010.
  9. Qian Y., Dong J., Wang W., Tan T., Deep learning for steganalysis via convolutional neural networks, Proc. SPIE 9409, Media Watermarking, Security, and Forensics 2015, San Francisco, California, USA, 2015.
  10. Xu G., Wu H., Shi Y.Q., Structural Design of Convolutional Neural Networks for Steganalysis, IEEE Signal Processing Letters, 23, 708-712, 2016.
  11. Xu G., Wu H., Shi Y.Q., Ensemble of CNNs for Steganalysis: An Empirical Study, IH&MMSec '16: Proceedings of the 4th ACM Workshop on Information Hiding and Multimedia Security, New York, USA, 103-107, 2016.
  12. Yedroudj M., Comby F., Chaumont M., Yedroudj-Net: An Efficient CNN for Spatial Steganalysis, 2018 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), Calgary, Canada, 2092-2096, 2018.
  13. Tabares-Soto R., Arteaga H.B., Mora-Rubio A., Bravo-Ortíz M.A., Garzón D.A., Grisales J.A.A., Jacome A.B., Orozco-Arias S., Isaza G., Pollan R.R., Strategy to improve the accuracy of convolutional neural network architectures applied to digital image steganalysis in the spatial domain., PeerJ Computer Science, 2021.
  14. Fu T., Chen L., Fu Z., Yu K., Wang Y., CCNet: CNN model with channel attention and convolutional pooling mechanism for spatial image steganalysis, Journal of Visual Communication and Image Representation, 88, 2022.
  15. Buluş E., Gender Determination from Pictures with CNN Models, 2021 6th International Conference on Computer Science and Engineering (UBMK), Ankara, Turkey, 310-313, 2021.
  16. Bas P., Filler T., Pevny T., Break our steganographic system: the ins and outs of organizing BOSS, Information Hiding IH 2011, Lecture Notes in Computer Science, 6958, 59–70, 2011.
  17. Mazurczyk W., Wendzel S., Information Hiding: Challenges for Forensic Experts, Communications of the ACM. 61, 86-94, 2017.
  18. Zhang R., Zhu F., Liu J., Liu G., Depth-Wise Separable Convolutions and Multi-Level Pooling for an Efficient Spatial CNN-Based Steganalysis, in IEEE Transactions on Information Forensics and Security, 15, 1138-1150, 2020.
  19. Holub V., Fridrich J., Designing steganographic distortion using directional filters, In: IEEE International Workshop on Information Forensics and Security 2012, 234–239, 2012.
  20. Binghamton University, Steganographic algorithms, http://dde.binghamton edu/download/stego_algorith ms/, yayın tarihi 2015, Erişim tarihi Temmuz 2023.
  21. Boroumand M., Fridrich J., Synchronizing Embedding Changes in Side-Informed Steganography, Proc. IS&T Int’l. Symp. on Electronic Imaging: Media Watermarking, Security, and Forensics, 290, 1-12, 2020.
  22. Holub V., Fridrich J., Denemark T., Universal distortion function for steganography in an arbitrary domain. EURASIP Journal on Information Security, 2014.
  23. Li B., Wang M., Huang J, Li X., A new cost function for spatial image steganography, In: 2014 IEEE International Conference on Image Processing (ICIP). Piscataway: IEEE, 4206–4210, 2014.
  24. StanfordVisionLab, ImageNet Large Scale Visual Recognition Challenge 2014 (ILSVRC2014), https://www.image-net.org/challenges/LSVRC/2014/, yayın tarihi 2014, Erişim tarihi Temmuz 2023.
  25. Karahanlı G., Taşkın C., Determining the growth stages of sunflower plants using deep learning methods, Journal of the Faculty of Engineering and Architecture of Gazi University, 39(3), 1455-1472, 2024.
  26. Kadiroğlu Z., Deniz E., Şenyiğit A., A comparison of deep learning models for pneumonia detection from chest x-ray images, Journal of the Faculty of Engineering and Architecture of Gazi University, 39 (2), 729-740, 2023.