Abstract
WAM steganalysis is a feature-based classifier for detecting LSB matching steganography, presented in 2006 by Goljan et al. and demonstrated to be sensitive even to small payloads. This paper makes three contributions to the development of the WAM method. First, we benchmark some variants of WAM in a number of sets of cover images, and we are able to quantify the significance of differences in results between different machine learning algorithms based on WAM features. It turns out that, like many of its competitors, WAM is not effective in certain types of cover, and furthermore it is hard to predict which types of cover are suitable for WAM steganalysis. Second, we demonstrate that only a few the features used in WAM steganalysis do almost all of the work, so that a simplified WAM steganalyser can be constructed in exchange for a little less detection power. Finally, we demonstrate how the WAM method can be extended to provide forensic tools to identify the location (and potentially content) of LSB matching payload, given a number of stego images with payload placed in the same locations. Although easily evaded, this is a plausible situation if the same stego key is mistakenly re-used for embedding in multiple images
چکیده
استخراج اطلاعات WAM یک ایجادکننده‌ی طبقاتِ مبتنی بر ویژگی برای شناسائی LSB مطابق با پنهان‌نگاری است، که در سال 2006 توسط Golijan et al. ارائه گردید؛ در این مقاله ثابت گردید که حتی این روش به بارهای مفیدِ کوچک نیز می‌تواند حساس باشد. در این مقاله سه کار برای توسعه روش WAM انجام شده است. اولاً، ما برخی متغیرها‌ی WAM را برحسب یک سری مجموعه از تصاویر پوششی جرم‌شناسی را بررسی می‌کنیم و قادر خواهیم بود از لحاظ کیفی اهمیتِ تفاوت‌های نتایج در میانِ الگوریتم‌های یادگیری ماشینی براساسِ ویژگی‌های WAM را تعیین کنیم. این موضوع همانندِ بسیاری از دیگر روش‌ها این مطلب را می‌رساند که WAM در برخی از پوشش‌های خاص موثر نمی‌باشد و علاوه بر این، پیش‌بینی انواعی از پوشش‌ها که برای تمامیِ آنالیزهای استخراج اطلاعات مناسب هستند، سخت می‌باشد. دوماً، ما ثابت می‌کنیم که تنها تعداد کمی از ویژگی‌های استفاده شده در آنالیزِ استخراج اطلاعات WAM اغلب اکثر کار را انجام می‌دهند به طوری که یک استخراجگرِ WAMِ ساده شده را می‌توان به جای یک توانِ پایینِ شناسایی ساخت. در نهایت، ما نشان می‌دهیم که چگونه روش WAM را می‌توان برای فراهم آوردنِ ابزارِ ارزیابی برای شناسائی موقعیت (و احتمالاً محتوا) از بارمفیدِ تطبیقِ LSB بسط داد، که این کار با معلوم بودن یک تعداد تصاویر پنهان با بار مفید واقع شده در موقعیتهای مشابه صورت می‌گیرد. گرچه به سادگی می‌توان این مشکل را برطرف کرد، اما در هر صورت این یک شرایط محتمل است که یک نهان مشابهِ مهم به اشتباه دوباره برای جایگیری در چندین تصاویر دوباره استفاده شود.
1- مقدمه
برخلاف جایگزینی کم‌اهمیت‌ترین بیت (LSB)، برای آشکارسازهای بسیار حساسِ موجود، تطبیق LSB، معروف به تعبیه 
، یک چالش استخراج اطلاعاتِ پیچیده را اثبات کرده است. Harmesen et al یک آشکارسازِ مبتنی بر تابع مشخصه‌ی هیستوگرام (HCF) برای بهبود عملکرد ارائه کرده است، و یک آشکارساز را مبتنی بر وقوعِ اکسترمم‌های هیستوگرام اخیراً ارائه کرده است، اما هیچ یک از حساسیت‌های این آشکارسازها به مقدارِ به اصلاح "ساختاری" و آشکارساز WS برای جایگزینی LSB نمی‌رسند. یک شیوه دیگرِ آشکارسازی، برای تطبیق LSB همانندِ دیگر روش‌های تعبیه، توسط Farid ارائه گردیده است: این دنباله‌ی استخراج اطلاعات یک یادگیری ماشینی بر روی مجموعه ویژگی‌ها می‌باشد. مجموعه ویژگی برای اندازه‌گیریِ قابلِپیشبینی بودن یک تصویر انتخاب می‌شود؛ نویزِ اضافه شده‌ی تعبیه قابل پیش‌بینی نیست، در حالی که پوشش باید در اکثر موارد قابل پیش‌بینی باشد. این موضوع را می‌توان به صورت عکسِ عملکرد دی‌نویز مشاهده کرد، که در پیِ حذف محتوای پوشش برای آشکار کردن سیگنال پنهان می‌باشد…