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.

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.

رمزنگاری یا درهم ریزی داده های صوتی جهت کنترل انتشار آثار صوتی کافی نبوده و باید از روش های نشانه گذاری شفاف به منظور جلوگیری از توزیع غیر مجاز این آثار و حفظ حقوق پدید آورندگان و ناشران آنها بهره گیری نمود. نشانه گذاری فایل های فشرده MP3 قرار گرفته در اینترنت نیازمند نوع ویژه ای از نشانه گذاری بصورت جایگذاری مستقیم اطلاعات در رشته - بیت تشکیل دهنده MP3 می باشد. در این مقاله روشی نوین جهت نشانه گذاری داده های صوتی فشرده MP3 مطرح شده است. ویژگی های بارز روش پیشنهادی مقاله در مقایسه با راهکارهای مشابه، امکان بازیابی مستقیم اطلاعات نشانه گذاری از سیگنال فشرده و عدم حساسیت در مقابل همزمان نبودن فریم های MP3 در و وضعیت جایگذاری و بازیابی داده ها می باشند.

امروزه پروتکل انتقال صدا از طریق اینترنت (VoIP)  به صورت گسترده در ارتباطات بلادرنگ و شبکه های اجتماعی مورداستفاده قرار گرفته و به حامل مناسبی برای روش های نهان نگاری تبدیل شده است. در راستای مقابله با این تهدیدات، روش های متعدد نهان­کاوی ابداع شده اند که در میان راه حل های ارائه شده، ترکیب روش های پردازش سیگنال و یادگیری ماشین، امکان ایجاد نهان کاوهایی بادقت بسیار بالا را فراهم نموده است. در این مقاله یک رویکرد ترکیبی از روش های پردازش سیگنال گفتار و الگوریتم های هوش مصنوعی استفاده شده است. در این تحقیق ابتدا پیش پردازش داده بر روی سیگنال صوتی فشرده شده با کدک G.729 صورت می­گیرد که ویژگی های درون­فریمی و همبستگی های بین­فریمی را بادقت خوبی استخراج می­کند. سپس نتایج به دست آمده به یک شبکه یادگیری عمیق داده شده تا آموزش داده های پاک از داده های نهان نگاشته انجام گیرد. ارزیابی نتایج حاصل از پیاده­سازی، میزان بهبود را هم در بخش صحت تشخیص و در بحث زمان محاسبات شامل می­شود. روش پیشنهادی برای دو خانواده مهم نهان نگاری یعنی QIM و PMS مورد ارزیابی قرار گرفته و برای نرخ­های مختلف ادغام روش مذکور تست و پیاده سازی شده است. نکته مهم دیگر تست برخط بودن روش ارائه شده بوده که برای فایل های 1000 میلی ثانیه ای، زمان پاسخ گویی کمتر از 5 میلی ثانیه بوده که نشان از سرعت بالای مدل پیشنهادی در مرحله اجرا می­­باشد.

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.

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.

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.

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.