Stéganographie d’images numériques via l’utilisation de réseaux de neurones sous présence d’un adversaire

Digital images steganography using adversarial embedding

• Auteur / Autrice : Solène Bernard
• Direction : Patrick Bas, John Klein
• Type : Thèse de doctorat
• Discipline(s) : Automatique, génie informatique, traitement du signal et des images
• Date : Soutenance le 25/10/2021
• Etablissement(s) : Centrale Lille Institut
• Ecole(s) doctorale(s) : Ecole doctorale Mathématiques, sciences du numérique et de leurs interactions (Lille)
• Partenaire(s) de recherche : Laboratoire : Centre de Recherche en Informatique, Signal et Automatique de Lille - Centre de Recherche en Informatique- Signal et Automatique de Lille (CRIStAL) - UMR 9189 / CRIStAL
• Jury : Président / Présidente : Caroline Fontaine
• Jury : Examinateurs / Examinatrices : Teddy Furon, Luisa Verdoliva
• Jury : Rapporteurs / Rapporteuses : Andrew Ker, Laurent Amsaleg

Mots clés

Mots clés contrôlés

Systèmes informatiques -- Mesures de sûreté

Apprentissage automatique

Cryptographie

Antagonistes

Réseaux neuronaux (informatique)

Mots clés libres

Sécurité

Stéganographie

Stéganalyse

Security

Steganography

Steganalysis

Résumé

La stéganographie est une technique qu’Alice peut utiliser pour envoyer secrètement un message à Bob.Cela consiste à dissimuler discrètement un message au sein d’un contenu public sans éveiller les soupçons du stéganalyste Eve, qui observe le canal de communication. Dans cette thèse, nous présentons une procédure automatique pour améliorer la stéganographie en modifiant des images naturelles. Pour augmenter la sécurité, Alice doit adapter l’incorporation du message au contenu en concevant une fonction de distorsion définissant quels coefficients de l’image ne doivent pas être modifiés. D’autre part, Eve peut utiliser des détecteurs de pointe en entraînant un modèle d’apprentissage profond pour détecter quelles images ont été modifiées. Dans ce manuscrit, nous proposons d’utiliser des notions de théorie des jeux pour aborder le problème, car nous pouvons voir Alice et Eve comme jouant à un jeu compétitif avec des ambitions antagonistes. Cela nous aide à définir correctement le problème et met en évidence le problème d’optimisation min max qu’Alice veut résoudre. Notre première contribution propose une solution pratique pour résoudre le problème d’optimisation en construisant un jeu itératif fictif où les deux joueurs peuvent jouer de manière optimale. Tout d’abord, (i) Alice peut créer de nouvelles stégos en adaptant sa fonction de distorsion pour vaincre le détecteur dérivable optimal d’Eve. Puis (ii) Eve peut créer un nouveau classificateur optimisé pour détecter les meilleurs stégos d’Alice. De cette façon, nous proposons une procédure automatique qui améliore le schéma d’Alice par rapport à un détecteur dérivable. Les résultats montrent que le protocole automatique donne des stégos indétectables par un détecteur spécifique mais aussi par des classificateurs non considérés jusqu’alors. Notre deuxième contribution propose une amélioration de ADV-EMB jusqu’alors utilisé pour l’étape (i). Alors que cet algorithme repose sur une heuristique, nous proposons d’adopter une technique d’optimisation classique, la descente de gradient, pour aborder la résolution du problème d’optimisation. L’idée principale est de re paramétriser l’étape d’échantillonnage de sorte que l’on puisse différencier l’espérance de la détectabilité donnée par un détecteur par rapport à la fonction de distorsion.Cette nouvelle méthode fournit une attaque plus puissante, qui améliore encore plus la discrétion d’Alice

Steganography is a technique Alice can use to secretly send a message to Bob. This consists of discreetly con-cealing a message within public content without arousing the suspicion of the steganalyst Eve, who observesthe communication channel. In this thesis, we present an automatic procedure to improve steganographyvia natural image modification. To increase security, Alice must adapt the embedding of the message to thecontent by designing a distortion function defining which coefficients of the image must not be modified. Onthe other hand, Eve can use advanced detectors by training a deep learning model to detect which imageshave been altered. In this manuscript, we propose to use notions of game theory to approach the problem,because we can see Alice and Eve as playing a competitive game with antagonistic ambitions. This helps usto define the problem correctly and highlights the min max optimization problem that Alice wants to solve.Our first contribution proposes a practical solution to solve the optimization problem by building a fictitiousiterative game where both players can play optimally. First, (i) Alice can create new stegos by adaptingher distortion function to defeat Eve’s optimal derivable detector. Then (ii) Eve can create a new classifieroptimized to detect Alice’s best stegos. In this way, we propose an automatic procedure which improvesAlice’s scheme compared to a derivable detector. The results show that the automatic protocol gives stegosundetectable by a specific detector but also by classifiers not considered until now. Our second contributionproposes an improvement of ADV-EMB previously used for the (i) step. While this algorithm is basedon a heuristic, we propose to adopt a classical optimization technique, gradient descent, to approach theresolution of the optimization problem. The main idea is to apply reparametrize the sampling such that it ispossible to differentiate the expectation of the detectability given by a detector with respect to the distortionfunction. This new method provides a more powerful attack, which further improves Alice’s discretion