پیشرفت روزافزون مخابرات، انتقال امن را به یکی از مهم ترین مسائل امروزه تبدیل کرده است. از آنجا که در تصویر ظرفیت پنهان شدن بالایی وجود دارد استفاده از پنهان­نگاری تصویر نسبت به سایر روش­های پنهان­نگاری بسیار مرسوم­تر است. در این مقاله از روش پنهان­نگاری به روش تبدیل موجک استفاده شده که نتایج نشان می­دهد این روش از مقاومت بالایی بهره می­برد. و برای تحلیل تصاویر پنهان شده به روش تبدیل موجک الگوریتمی با استفاده از ویژگی های ماتریس  (GLCM)و بردارهای هم رخدادی (DCL) ارائه شده است. پس از بررسی این  مقادیر در تصاویر اصلی و کاور، ویژگی های متفاوت بین این تصاویر استخراج و برای آموزش شبکه عصبی چندلایه  (MLP) استفاده می شوند. مرحله طبقه بندی با استفاده از لایه های این شبکه عصبی انجام شده و الگوریتم پیشنهادی برای پایگاه داده 200 تصویر استاندارد (Casia-Iris)  تست شده است. دقت آشکارسازی %90 تصاویر پنهان شده در روش پیشنهادی برتری این روش نهان­کاوی در برابر سایر روش­ها را نشان می­دهد.

علم پنهان سازیِ پیام حاوی اطلاعات در یک رسانه حامل را نهان نگاری و تلاش برای تشخیص وجود یا نبود پیام نهان شده در شیء پوششی را تحلیل نهان نگاری یا نهان کاوی می نامند. فرمت فشرده سازی MP3 در میان داده های صوتی به عنوان میزبانی مناسب و فراگیر برای نهان نگاری اطلاعات مورداستفاده قرار گرفته و شیوه های نهان نگاری مختلفی برای این منظور طراحی شده اند؛ در این پژوهش، هدف ارائه الگوریتمی برای نهان کاوی به طور خاص برای فایل های فشرده صوتی با قالب MP3 است که با نرم افزارMP3stego نهان نگاری شده اند. برای تهیه دادگان نهان نگاری از فایل های متنی با متون تصادفی استفاده شده است. ابتدا با استفاده از اطلاعات جانبیِ مستخرج از فایل های MP3، ویژگی های لازم استخراج شده و دادگان صوتی که شامل دو دسته فایل های نهان نگاری شده و فایل های نهان نگاری نشده است، به دو بخش دادگان آموزش و دادگان آزمون تقسیم شده و در ادامه با استفاده از روش های یادگیری ماشین (ماشین بردار پشتیبان)، سامانه تشخیص فایل های آلوده و فایل های تمیز طراحی شده و درنهایت کارایی سامانه با استفاده از دادگان آزمون اندازه گیری می شود. در این مقاله، یک ویژگی جدید به نام قله داربودن طیف (SPK) از اطلاعات جانبی فایل MP3 استخراج می شود. سامانک پیشنهادی با استفاده از دادگان جداگانه آزمون که شامل فایل های تمیز و فایل های نهان نگاری شده با ظرفیت های نهان نگاری متنوع است، آزمایش شده و با دقت 100% و بدون خطا فایل های تمیز و آلوده را از هم متمایز می کند. نتایج حاصل حاکی از شناسایی دقیق موارد نهان نگاری شده درعین کاهش پیچیدگی محاسباتی و افزایش سرعت این نوع نهان کاوی نسبت به روش های ابداعی گذشته است.

اکثر الگوریتم هایی که تا این زمان در زمینه نهان کاوی کور ویدئو ارائه شده اند منطبق بر یادگیری باناظر بوده و هزینه تولید داده های برچسب دار در آنها بالا می باشد. تحت این شرایط در فرایند نهان کاوی کور ویدئو تنها می توان از تعداد محدودی از الگوریتم های نهان نگاری که کد آنها در دسترس است برای آموزش طبقه بند استفاده کرد. بنابراین نمی توان درباره کارایی نهان کاو برای شناسایی آن دسته از الگوریتم های نهان نگاری ویدئویی که کد آنها در دسترس نیست، مطمئن بود. همچنین الگوریتم های رایج عموما برون خط می باشند و بنابراین آموزش مجدد سیستم زمان بر بوده و نمی توان سیستم را به صورت برخط بروز کرد. برای حل این مشکلات یک روش جدید نهان کاوی کور ویدئو با رویکرد یادگیری شبه ناظر در این مقاله ارائه شده است. در روش پیشنهادی با توجه به رفع محدودیت برچسب دار بودن داده های آموزشی، کارایی طبقه بند برای آن دسته از الگوریتم های نهان نگاری که کد آنها در دسترس نیست بهبود می یابد. همچنین ثابت می شود که روش پیشنهادی نسبت به روش های متداول در فرایند نهان کاوی کور ویدئو پیچیدگی زمانی کمتری داشته و یک روش برخط بهینه است. نتایج شبیه سازی بر روی پایگاه داده استاندارد نشان می دهد که روش پیشنهادی علاوه بر مزایای فوق، دارای دقت آشکارسازی قابل مقایسه با روش های متداول روز است.

سیگنال های صوتی دیجیتال، به دلیل این که حاوی نرخ اطلاعات زیادی هستند، پوشش مناسبی برای روش های نهان نگاری محسوب می شوند. روش های متنوعی برای نهان نگاری داده های مختلف و به تبع آن نهان کاوی داده ها در سیگنال صوتی وجود دارد. در این میان روش های نهان کاوی فراگیر به دلیل عدم وابستگی به الگوریتم نهان نگاری، کاربرد وسیع تری دارند. در این مقاله روش جدیدی برای نهان کاوی فراگیر ارائه شده که در آن با به کارگیری ضرایب مربوط به همبستگی بین فریم، دقت نهان کاوی به مقدار قابل توجهی افزایش پیدا کرده است. همچنین عملکرد ماشین بردار پشتیبان با به کارگیری الگوریتم کاهش بازگشتی ویژگی ها به همراه کاهش بایاس ناشی از همبستگی بین آن ها بهبود یافته که منجر به افزایش پایداری نهان کاوی و دقت بیشتر شده است.

با ظهور نظریه محاسبات کوانتومی و شبکه­های ارتباطی کوانتومی، برقراری ارتباط محرمانه و ایمن چالش برانگیز شده است. نهان­کاوی سیگنال صوت کوانتومی یکی از زیرشاخه­های موردتوجه در حوزه پردازش سیگنال کوانتومی و محاسبات کوانتومی است که سعی دارد با استفاده از تکنیک­های استخراج ویژگی و الگوریتم­های یادگیری ماشین کوانتومی، ارتباطات مخفی در بستر شبکه­های ارتباطی کوانتومی را شناسایی کند. باتوجه به اینکه پنهان­نگاری باعث تغییرات اجتناب ناپذیری در ویژگی آماری حوزه فرکانس سیگنال میزبان می­شود، می­توان از آن به عنوان یک ابزار کارآمد و مؤثر برای ساختن نهان کاو جامع و دقیق استفاده کرد؛ بنابراین، روش پیشنهادی در ابتدا، از تبدیل فوریه کوانتومی روی سیگنال صوت QRDS برای استخراج ویژگی های آماری استفاده می ­کند. برای این منظور، شبکه مدار کوانتومی پیشنهادی این ویژگی ها شامل مرکز طیفی کوانتومی و پهنای باند طیفی کوانتومی طراحی و پیاده سازی شده است. در نهایت، الگوریتم ماشین بردار پشتیبان کوانتومی (QSVM)، با استفاده ویژگی­های استخراج شده مجموعه داده های پاک و گنجانه با دقت بیشتر از 95% از هم تفکیک می­شوند.

نهان کاوی یکی از موضوعات چالش برانگیز و جذاب برای پژوهشگران در زمینه توسعه روش های نهان نگاری است. نهان کاوی روشی است برای تشخیص اطلاعات پنهان شده در نهانه که توسط الگوریتم های نهان نگاری ایجاد شده است. انواع مختلفی از روش های استخراج ویژگی برای نهان کاوی ارائه شده است که هر کدام از آن ها دارای مزایای مربوط به خود می باشند. ساخت مجموعه ای از ویژگی های مختلف می تواند عملکرد نهان کاو را بهبود بخشد. بیشتر الگوریتم های نهان کاوی مدرن یک دسته بندی کننده را بر اساس بردارهای ویژگی، آموزش می دهند. یکی از محبوب ترین و دقیق ترین دسته بندی کننده ها، ماشین بردار پشتیبان است. در این مقاله بر اساس تجربیات و مطالعه روش های مختلف نهان کاوی، یک روش نهان کاوی کارآمد با استفاده از پنجره گذاری روی ضرایب فرکانس بالای تبدیل موجک پیشنهاد شده است. در روش پیشنهادی، تصمیم نهایی روی کل تصویر به کمک روش رای گیری اکثریت با استفاده از استخراج ویژگی های مناسب هر پنجره اعلام شده است. نتایج عملی و شبیه سازی نشان می دهد که روش پیشنهادی برای کشف وجود پیام در تصاویر به ویژه در نرخ های جاسازی پایین در مقایسه با روش های نهان کاوی موجود دقت بیشتری تا حدود 99 درصد دارد.

قابلیت کشف آماری یک نهان کاو بیان کننده توانایی آن در تشخیص تصاویر پاک از تصاویر درج شده است. نهان نگاری بهینه به گونه ای باید طراحی شود که نهان کاو نتواند تصاویر درج شده را تشخیص دهد. به همین دلیل، طراحی یک الگوریتم نهان نگاری بر مبنای کاهش قابلیت کشف آماری نهان کاو، هدفی مهم در نهان نگاری است. با این حال، ایجاد رابطه دقیق بین هزینه تغییر تصویر و قابلیت کشف آماری در حالت کلی مسئله ای حل نشده است. در این مقاله با مدل سازی نهان کاو توسط مدل های گرافیکی خاصی به نام مدل های موضوعی، به تخمین احتمال خطای نهان کاو به عنوان معیاری از قابلیت کشف آماری رسیده ایم. همچنین، بر اساس این معیار، تعریف جدیدی از ظرفیت نهان نگاری ارائه داده شده و رابطه آن را با هزینه تغییر تصویر بررسی گردیده است. همچنین، نشان داده شده است که روابط ریاضی حاصل بین پارامترهای نهان نگار و نهان کاو با ملاک های کلاسیک نظیر PSNR همخوانی دارد. سپس از رابطه هزینه تغییر تصویر و قابلیت کشف آماری به یک الگوریتم نهان نگاری مناسب رسیده ایم. با آزمون روی دادگان مناسب نشان داده شده است که الگوریتم حاصل در زمره بهترین الگوریتم های قابل تحلیل ریاضی است. لازم به ذکر است که تمرکز این مقاله روی حل یک مسئله تئوریک و بازتعریف مفاهیم نهان نگاری است به طوری که روش بهینه درج برمبنای بهینه سازی فریب نهان کاو انجام گردد و نه به صورت کلاسیک برمبنای کاهش فاصله تصویر پوشش و تصویر درج شده. با این حال عملا به بهبود دقت اندکی در حدود 0. 5 % نیز حاصل شده است.

عمومیت فایل های صوتی، اغلب توجه مهاجمین و عناصر مخرب را برای استفاده از این حامل، جهت پوشش دهی ارتباطات محرمانه خود جلب می نماید. گستردگی استفاده از این قالب ها، به همراه رویکردهای متعدد و مدرنی که برای نهان نگاری در فایل های صوتی طراحی شده اند، می توانند فضای سایبری را به محیطی نا امن بدل نمایند. در راستای مقابله با این تهدیدات، امروزه روش های متعدد نهان کاوی ابداع شده اند که با دقت بالایی قادر به تحلیل آماری قالب های مختلف صوتی، مانند MP3 و VoIp هستند. در میان راه حل های ارایه شده، ترکیب روش های پردازش سیگنال و یادگیری ماشین، امکان ایجاد نهان کاوهایی با دقت بسیار بالا را فراهم نموده است. با این وجود، از آنجا که ویژگی های آماری فایل های صوتی گفتاری متفاوت از نمونه های دیگر صوتی است، روش های جاری نهان کاوی قادر نیستند به شکل موثری فایل های حامل گفتاری را تشخیص دهند. مشکل دیگر، ابعاد بالای تحلیلی است که به شکل چشمگیری هزینه پیاده سازی را افزایش می دهد. در پاسخ به مشکلات ذکرشده، این مقاله ویژگی یک بعدی "درصد نمونه های مجاور یکسان" را به عنوان فاکتور جداسازی نمونه های نهان نگاری شده از پاک مطرح می کند. نتایج نشانگر حساسیت 82/99% نهان کاو طراحی شده با استفاده از دسته بند تابع عضویت گاوسی، در نرخ نهان نگاری 50% است. علاوه بر این، این نهان کاو قادر است با دقت مطلوبی حجم پیام مخفی شده را تخمین بزند. عملکرد الگوریتم طراحی شده بر روی یک پایگاه داده متشکل از نمونه های موسیقی کلاسیک نیز ارزیابی شده و نتایج حاکی از کارایی 2/81% آن هستند.

متن کامل این مقاله به زبان انگلیسی می باشد. لطفا برای مشاهده متن کامل مقاله به بخش انگلیسی مراجعه فرمایید.لطفا برای مشاهده متن کامل این مقاله اینجا را کلیک کنید.