Kỹ Thuật Phát Hiện Ảnh Giấu Tín Lượng Tại Đại Học Quốc Gia Hà Nội

Kỹ thuật phát hiện ảnh giấu tin ngày càng trở nên quan trọng trong bối cảnh số hóa hiện nay. 233 trang · Đại học Quốc gia Hà Nội · 2012.

• Người hướng dẫn: Hồ Thị Hương Thơm
• Trường học: Đại học Quốc gia Hà Nội
• Chuyên ngành: Luận án tiến sĩ
• Đề tài: Kỹ Thuật Phát Hiện Ảnh Giấu Tín Lượng Tại Đại Học Quốc Gia Hà Nội
• Loại tài liệu: Luận án
• Năm xuất bản: 2012
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI MỞ ĐẦU
• 1. CHƯƠNG 1: GIẤU TIN TRONG ẢNH, PHÁT HIỆN ẢNH GIẤU TIN VÀ NGHIÊN CỨU LIÊN QUAN
• 2. CHƯƠNG 2: PHƯƠNG PHÁP ĐÁNH GIÁ ĐỘ AN TOÀN CỦA MỘT LƯỢNG ẢNH GIẤU TIN
• 3. CHƯƠNG 3: MỘT SỐ KỸ THUẬT PHÁT HIỆN ẢNH GIẤU TIN
• 4. CHƯƠNG 4: KẾT QUẢ THỬ NGHIỆM
• 5. CHƯƠNG 5: KẾT LUẬN VÀ ĐỀ XUẤT
• PHỤ LỤC – HƯỚNG TRÌNH ĐỀ MÔ ẢNH GIẤU TIN TRONG ẢNH VÀ PHÁT HIỆN ẢNH GIẤU TIN
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Về Kỹ Thuật Phát Hiện Ảnh Giấu Tin Hiện Nay

Kỹ thuật phát hiện ảnh giấu tin ngày càng trở nên quan trọng trong bối cảnh số hóa hiện nay. Giấu tin trong ảnh (steganography) là một kỹ thuật bảo mật thông tin bằng cách ẩn thông tin vào trong ảnh, khiến cho việc phát hiện trở nên khó khăn. Các phương pháp giấu tin phổ biến bao gồm sử dụng kỹ thuật giấu tin LSB, kỹ thuật giấu tin DCT, và kỹ thuật giấu tin DWT. Tuy nhiên, sự phát triển của các kỹ thuật tấn công vào ảnh giấu tin đòi hỏi các nhà nghiên cứu phải liên tục cải tiến các giải thuật phát hiện ảnh giấu tin. Nghiên cứu tại Đại học Quốc Gia Hà Nội tập trung vào việc phát triển các phương pháp phát hiện ảnh giấu tin hiệu quả, góp phần vào việc an toàn thông tin và bảo mật thông tin.

1.1. Giới thiệu về kỹ thuật giấu tin và ứng dụng

Kỹ thuật giấu tin trong ảnh là quá trình nhúng thông tin bí mật vào một ảnh, sao cho sự thay đổi là không thể nhận thấy bằng mắt thường. Ứng dụng của giấu tin rất đa dạng, từ bảo vệ bản quyền số đến truyền thông tin bí mật. Các phương pháp giấu tin thường sử dụng các kỹ thuật như thay đổi các bit ít quan trọng nhất (LSB) của pixel, hoặc biến đổi ảnh sang miền tần số và thay đổi các hệ số tần số. Mục tiêu là đạt được sự cân bằng giữa dung lượng thông tin được giấu và khả năng chống lại các tấn công vào ảnh giấu tin.

1.2. Tổng quan về các phương pháp phát hiện ảnh giấu tin

Các phương pháp phát hiện ảnh giấu tin (steganalysis) được chia thành hai loại chính: phát hiện mù (blind detection) và phát hiện dựa trên tri thức (informed detection). Phát hiện mù không yêu cầu thông tin về thuật toán giấu tin được sử dụng, trong khi phát hiện dựa trên tri thức sử dụng thông tin này để tăng độ chính xác. Các kỹ thuật học máy và mạng nơ-ron đang được sử dụng rộng rãi trong phát hiện ảnh giấu tin để phân tích các đặc trưng thống kê của ảnh và phát hiện các dấu hiệu bất thường do giấu tin gây ra.

II. Thách Thức Trong Phát Hiện Ảnh Giấu Tin Tại ĐHQGHN

Việc phát hiện ảnh giấu tin đặt ra nhiều thách thức, đặc biệt trong bối cảnh nghiên cứu khoa học tại Đại học Quốc Gia Hà Nội. Các kỹ thuật giấu tin ngày càng tinh vi, sử dụng các phương pháp phức tạp để tránh bị phát hiện. Điều này đòi hỏi các nhà nghiên cứu phải liên tục cập nhật và phát triển các giải thuật phát hiện ảnh giấu tin mới. Một trong những thách thức lớn là làm thế nào để đánh giá hiệu quả phát hiện của các phương pháp khác nhau, và làm thế nào để phòng chống tấn công ảnh giấu tin một cách hiệu quả.

2.1. Sự phức tạp của các kỹ thuật giấu tin hiện đại

Các kỹ thuật giấu tin hiện đại sử dụng nhiều phương pháp phức tạp để ẩn thông tin, bao gồm sử dụng các thuật toán mã hóa, biến đổi ảnh sang miền tần số, và sử dụng các mô hình học máy để tạo ra các ảnh giấu tin khó bị phát hiện. Điều này đòi hỏi các nhà nghiên cứu phải có kiến thức sâu rộng về xử lý ảnh, học máy, và an toàn thông tin để có thể phát triển các phương pháp phát hiện ảnh giấu tin hiệu quả.

2.2. Đánh giá hiệu quả của các phương pháp phát hiện

Việc đánh giá hiệu quả phát hiện của các phương pháp phát hiện ảnh giấu tin là một thách thức lớn. Các phương pháp đánh giá truyền thống thường dựa trên các chỉ số như độ chính xác, độ phủ, và tỷ lệ lỗi. Tuy nhiên, các chỉ số này có thể không phản ánh đầy đủ khả năng của phương pháp trong các tình huống thực tế. Do đó, cần phải phát triển các phương pháp đánh giá mới, dựa trên các bộ dữ liệu lớn và đa dạng, và sử dụng các chỉ số đánh giá phù hợp.

2.3. Phòng chống tấn công vào ảnh giấu tin

Việc phòng chống tấn công ảnh giấu tin là một vấn đề quan trọng. Các tấn công vào ảnh giấu tin có thể làm giảm độ tin cậy của thông tin được giấu, hoặc thậm chí làm lộ thông tin bí mật. Do đó, cần phải phát triển các phương pháp phòng chống tấn công ảnh giấu tin hiệu quả, dựa trên các kỹ thuật như thủy vân số và mã hóa.

III. Phương Pháp Phát Hiện Ảnh Giấu Tin Dựa Trên Học Sâu Deep Learning

Một trong những hướng nghiên cứu tiềm năng trong phát hiện ảnh giấu tin là sử dụng học sâu (deep learning). Mạng nơ-ron sâu có khả năng học các đặc trưng phức tạp từ dữ liệu ảnh, và có thể được sử dụng để phát hiện các dấu hiệu bất thường do giấu tin gây ra. Nghiên cứu tại Đại học Quốc Gia Hà Nội đang khám phá các kiến trúc mạng nơ-ron khác nhau để phát hiện ảnh giấu tin, và đang đạt được những kết quả đầy hứa hẹn.

3.1. Ứng dụng mạng nơ ron tích chập CNN trong phát hiện

Mạng nơ-ron tích chập (CNN) là một kiến trúc mạng nơ-ron phổ biến được sử dụng trong xử lý ảnh. CNN có khả năng học các đặc trưng không gian từ ảnh, và có thể được sử dụng để phát hiện các dấu hiệu bất thường do giấu tin gây ra. Các nghiên cứu đã chỉ ra rằng CNN có thể đạt được độ chính xác cao trong phát hiện ảnh giấu tin, đặc biệt là khi được huấn luyện trên các bộ dữ liệu lớn.

3.2. Sử dụng mạng nơ ron tái phát RNN để phân tích chuỗi pixel

Mạng nơ-ron tái phát (RNN) là một kiến trúc mạng nơ-ron phù hợp để xử lý dữ liệu chuỗi. Trong phát hiện ảnh giấu tin, RNN có thể được sử dụng để phân tích chuỗi pixel và phát hiện các mẫu bất thường do giấu tin gây ra. RNN có thể học các mối quan hệ giữa các pixel lân cận, và có thể phát hiện các dấu hiệu giấu tin tinh vi mà các phương pháp khác có thể bỏ qua.

IV. Kỹ Thuật Phát Hiện Ảnh Giấu Tin Dựa Trên Phân Tích Thống Kê

Ngoài học sâu, các kỹ thuật phân tích thống kê cũng đóng vai trò quan trọng trong phát hiện ảnh giấu tin. Các phương pháp này tập trung vào việc phân tích các đặc trưng thống kê của ảnh, như histogram, entropy, và correlation, để phát hiện các dấu hiệu bất thường do giấu tin gây ra. Nghiên cứu tại Đại học Quốc Gia Hà Nội đang phát triển các phương pháp phân tích thống kê mới để phát hiện ảnh giấu tin hiệu quả hơn.

4.1. Phân tích histogram và entropy của ảnh

Histogram và entropy là hai đặc trưng thống kê quan trọng của ảnh. Histogram cho biết tần suất xuất hiện của các giá trị pixel, trong khi entropy đo lường độ hỗn loạn của ảnh. Giấu tin có thể làm thay đổi histogram và entropy của ảnh, và các thay đổi này có thể được sử dụng để phát hiện ảnh giấu tin.

4.2. Sử dụng phân tích correlation để phát hiện các mẫu bất thường

Phân tích correlation đo lường mối quan hệ giữa các pixel lân cận. Giấu tin có thể làm thay đổi correlation giữa các pixel, và các thay đổi này có thể được sử dụng để phát hiện ảnh giấu tin. Các phương pháp phân tích correlation có thể phát hiện các mẫu bất thường do giấu tin gây ra, ngay cả khi các thay đổi là rất nhỏ.

V. Ứng Dụng Thực Tiễn Của Phát Hiện Ảnh Giấu Tin Tại Việt Nam

Việc phát hiện ảnh giấu tin có nhiều ứng dụng của phát hiện ảnh giấu tin quan trọng trong thực tiễn, đặc biệt trong lĩnh vực an ninh thông tin và bảo mật thông tin tại Việt Nam. Các cơ quan chính phủ, tổ chức tài chính, và doanh nghiệp có thể sử dụng các kỹ thuật phát hiện ảnh giấu tin để bảo vệ thông tin bí mật và ngăn chặn các hoạt động tội phạm mạng. Nghiên cứu tại Đại học Quốc Gia Hà Nội đóng góp vào việc nâng cao năng lực an toàn thông tin của Việt Nam.

5.1. Bảo vệ thông tin bí mật của chính phủ và doanh nghiệp

Phát hiện ảnh giấu tin có thể được sử dụng để bảo vệ thông tin bí mật của chính phủ và doanh nghiệp. Các kỹ thuật giấu tin có thể được sử dụng để truyền thông tin bí mật một cách an toàn, và các kỹ thuật phát hiện ảnh giấu tin có thể được sử dụng để phát hiện các hoạt động giấu tin trái phép.

5.2. Ngăn chặn các hoạt động tội phạm mạng

Phát hiện ảnh giấu tin có thể được sử dụng để ngăn chặn các hoạt động tội phạm mạng. Các tội phạm mạng có thể sử dụng các kỹ thuật giấu tin để truyền thông tin liên lạc, phân phối phần mềm độc hại, và thực hiện các hoạt động lừa đảo. Các kỹ thuật phát hiện ảnh giấu tin có thể được sử dụng để phát hiện các hoạt động này và ngăn chặn chúng.

VI. Kết Luận Và Hướng Phát Triển Của Phát Hiện Ảnh Giấu Tin

Nghiên cứu về phát hiện ảnh giấu tin tại Đại học Quốc Gia Hà Nội đã đạt được những tiến bộ đáng kể, nhưng vẫn còn nhiều thách thức và cơ hội phía trước. Các hướng nghiên cứu tiềm năng bao gồm phát triển các phương pháp phát hiện ảnh giấu tin dựa trên trí tuệ nhân tạo, khám phá các kỹ thuật phát hiện ảnh giấu tin mới cho các loại ảnh khác nhau, và phát triển các phương pháp phòng chống tấn công ảnh giấu tin hiệu quả hơn. Sự hợp tác giữa các nhà nghiên cứu, doanh nghiệp, và chính phủ là rất quan trọng để thúc đẩy sự phát triển của lĩnh vực an toàn thông tin và bảo mật thông tin tại Việt Nam.

6.1. Phát triển các phương pháp phát hiện dựa trên trí tuệ nhân tạo

Trí tuệ nhân tạo (AI) có tiềm năng lớn trong phát hiện ảnh giấu tin. Các kỹ thuật học máy và học sâu có thể được sử dụng để học các đặc trưng phức tạp của ảnh và phát hiện các dấu hiệu bất thường do giấu tin gây ra. Các phương pháp phát hiện ảnh giấu tin dựa trên AI có thể đạt được độ chính xác cao và khả năng chống lại các tấn công vào ảnh giấu tin tốt.

6.2. Khám phá các kỹ thuật phát hiện mới cho các loại ảnh khác nhau

Các kỹ thuật giấu tin và phát hiện ảnh giấu tin có thể khác nhau tùy thuộc vào loại ảnh. Ví dụ, các kỹ thuật giấu tin và phát hiện ảnh giấu tin cho ảnh JPEG có thể khác với các kỹ thuật cho ảnh PNG. Do đó, cần phải khám phá các kỹ thuật phát hiện ảnh giấu tin mới cho các loại ảnh khác nhau để đảm bảo hiệu quả an toàn thông tin.

Nội dung chính

Tổng quan luận án

Luận án Tiến sĩ Công nghệ thông tin chuyên ngành Hệ thống thông tin (mã số 62 48 05 01) với đề tài "Nghiên cứu một số kỹ thuật phát hiện ảnh giấu tin" được nghiên cứu sinh Hồ Thị Hương Thơm thực hiện dưới sự hướng dẫn khoa học của PGS. TS. Trịnh Nhật Tiến tại Trường Đại học Công nghệ, Đại học Quốc gia Hà Nội năm 2012.

Tính cấp thiết của luận án bắt nguồn từ sự phát triển của kỹ thuật giấu tin (steganography) trong môi trường truyền thông số. Giấu tin là hình thức liên lạc bí mật có lịch sử từ thời cổ đại với các sự kiện tiêu biểu như Histiaeus xăm thông điệp lên đầu người nô lệ (khoảng 485–525 trước Công nguyên), Pliny the Elder sử dụng sữa động vật làm mực không màu (khoảng 23–79 sau Công nguyên), hay tác phẩm Polygraphia của Johannes Trithemius xuất bản năm 1518 đưa ra thuật ngữ Steganographia bắt nguồn từ tiếng Hy Lạp (steganos nghĩa là bao bọc và graphia nghĩa là bản viết). Khác với mật mã học (cryptography) chỉ mã hóa nội dung và để lộ việc có trao đổi thông tin mật, giấu tin bảo vệ được sự tồn tại của kênh liên lạc số. Tuy nhiên, việc giấu tin bị lợi dụng cho các mục đích bất hợp pháp đã đặt ra yêu cầu cấp bách cho kỹ thuật phát hiện ảnh giấu tin (image steganalysis) nhằm phục vụ an ninh quốc gia và hỗ trợ nâng cao độ an toàn của chính các hệ thống giấu tin. Tại Việt Nam, nghiên cứu về giấu tin và phát hiện giấu tin tại một số đơn vị như Tổng cục An ninh I (Bộ Công an), Viện Công nghệ Thông tin (Viện Khoa học Việt Nam), Trường Đại học Bách khoa Hà Nội, Trường Đại học Khoa học Tự nhiên TP. Hồ Chí Minh còn rời rạc và chưa được đầu tư đồng bộ.

Mục tiêu nghiên cứu của luận án được xác định rõ qua hai bài toán chính:

1. Bài toán 1: Đưa ra một số kỹ thuật phát hiện mù cho ảnh có giấu tin trên bit có ý nghĩa thấp nhất (LSB) của miền không gian và miền tần số; cải tiến để kết quả phân loại tương đương hoặc tốt hơn các kỹ thuật đã biết trong một số trường hợp.
2. Bài toán 2: Đưa ra một số kỹ thuật phát hiện có ràng buộc cho ảnh có giấu tin với kỹ thuật giấu biết trước (vốn là các kỹ thuật có dung lượng giấu thấp, nếu áp dụng phát hiện mù sẽ cho kết quả không cao), nhằm tìm ra phương pháp phát hiện tối ưu hơn các phương pháp phát hiện mù.

Đối tượng nghiên cứu của luận án là dữ liệu ảnh số dạng bitmap, bao gồm các định dạng phổ biến như jpg, gif, png, tif, psp, bmp. Phạm vi nghiên cứu loại trừ các ảnh dạng vector (như pdf, eps, ai, cdr, svg, dwg). Về mặt kỹ thuật, luận án giới hạn phạm vi vào kỹ thuật phát hiện mù trên LSB (miền không gian và miền tần số) và kỹ thuật phát hiện có ràng buộc cho bốn kỹ thuật giấu tin cụ thể gồm HKC, DIH, IWH và RVH.

Tổng quan tài liệu và vị trí của luận án

Luận án đã hệ thống hóa các hướng nghiên cứu lớn trên thế giới về kỹ thuật giấu tin và phát hiện giấu tin trong ảnh số:

Về lý thuyết an toàn giấu tin, luận án dựa trên định nghĩa của Cachin (1998, 2004) về độ an toàn thông tin dựa trên sai phân Kullback - Leibler, cùng khảo cứu thống kê của Jessica Fridrich (2008) về sự phát triển của các công bố khoa học trong lĩnh vực giấu tin giai đoạn 1992–2007.

Về các phương pháp giấu tin, tài liệu tổng quan điểm lại:

• Kỹ thuật thay thế LSB (LSB replacement) kinh điển trên miền không gian.
• Kỹ thuật giấu trên các hệ số biến đổi: biến đổi cosin rời rạc (DCT) theo chuẩn nén JPEG, biến đổi wavelet rời rạc (DWT), biến đổi sai phân ảnh (difference image).
• Các phương thức giấu LSB cải tiến: giấu tuần tự (raster scan), giấu giả ngẫu nhiên (Pseudo Random - PR), kỹ thuật tăng giảm LSB ($\pm 1$), kỹ thuật đồng chẵn lẻ theo khối.
• Các kỹ thuật giấu phi LSB: kỹ thuật chèn nhiễu phổ trải rộng (Spread Spectrum - SS), kỹ thuật điều chỉnh hệ số lượng tử (Quantization Index Modulation - QIM).
• Các kỹ thuật giấu thuận nghịch (reversible data hiding): khởi xướng bởi Honsinger và cộng sự (1999); kỹ thuật mở rộng sai phân (Difference Expansion - DE) của Tian (2002) trên điểm ảnh và hệ số wavelet; kỹ thuật DE cải tiến của Shaowei Weng và cộng sự (2008); kỹ thuật dịch chuyển biểu đồ tần suất NSAS của Ni và cộng sự (2003); kỹ thuật DIH (2004); kỹ thuật HKC của J. Choi và cộng sự; kỹ thuật IWH (2006); kỹ thuật RL (2008); kỹ thuật MBNS (Multiple-Base Notational System); kỹ thuật ánh xạ độ tương phản thuận nghịch (RCM); và kỹ thuật giấu hai pha ngang dọc RVH (2008).

Về kỹ thuật phát hiện ảnh giấu tin, văn bản phân tích hai trường phái:

• Phát hiện mù (blind steganalysis): Kỹ thuật kiểm định thống kê Chi-squared ($\chi^2$) với $n-1$ bậc tự do dựa trên cặp giá trị PoV của A. Westfeld và cộng sự (1999); kỹ thuật kiểm định tỷ lệ hợp lý logarit (LLRT) của K. Sullivan áp dụng bộ lọc đáp ứng xung chiều dài hữu hạn (FIR 2-tap); kỹ thuật ước lượng dung lượng giấu RS (Regular/Singular) của Jessica Fridrich và cộng sự (2001); kỹ thuật phân tích sai phân điểm ảnh DI của T. Zhang và cộng sự (2003).
• Phát hiện có ràng buộc (constraint steganalysis): Các công trình tấn công phần mềm OutGuess của Westfeld, tấn công thuật toán F5, tấn công kỹ thuật HKC, tấn công kỹ thuật RCM, và tấn công kỹ thuật MBNS.

Khoảng trống nghiên cứu được luận án nhận diện:

• Kỹ thuật thống kê $\chi^2$ của Westfeld chỉ hiệu quả khi tỷ lệ giấu lớn hoặc đạt tối đa dung lượng cho phép và giấu tuần tự, nhưng kém hiệu quả khi tỷ lệ giấu nhỏ và giấu theo chiều quét raster.
• Kỹ thuật LLRT của Sullivan sử dụng bộ lọc FIR để ước lượng ảnh gốc từ ảnh kiểm tra thường tạo ra tín hiệu bị làm trơn quá mức, dẫn đến tỷ lệ phân loại sai ảnh gốc thành ảnh stego rất cao (điển hình trên các ảnh có kết cấu phức tạp như ảnh Baboon).
• Các kỹ thuật giấu thuận nghịch hiện đại (như DIH, IWH, RVH) và kỹ thuật HKC có dung lượng giấu thấp, khiến các bộ phát hiện mù thông thường hoạt động không hiệu quả, đòi hỏi phải thiết kế các giải pháp phát hiện chuyên biệt dựa trên sự biến dạng cấu trúc phân bố tần suất của từng thuật toán.

Cơ sở lý thuyết và phương pháp nghiên cứu

Luận án xây dựng cơ sở toán học dựa trên lý thuyết thông tin, lý thuyết thống kê và xử lý ảnh số.

Lược đồ giấu tin tổng quát được mô hình hóa qua bộ ba tham số: tập ảnh gốc $C$, thông tin mật $M$, khóa $K$ và tập ảnh mang tin (stego) $S$. Hàm nhúng $S_E: C \times M \times K \rightarrow S$ và hàm tách $S_X: S \times K \rightarrow M$. Theo Cachin, một lược đồ giấu tin được gọi là an toàn cấp $\varepsilon$ ($\varepsilon$-secure) nếu sai phân Kullback - Leibler giữa hàm phân bố xác suất của ảnh gốc $P_C$ và ảnh stego $P_S$ thỏa mãn: $$D_{KL}(P_C || P_S) < \varepsilon$$ Khi $D_{KL}(P_C || P_S) = 0$, lược đồ đạt mức an toàn tuyệt đối, đồng nghĩa $P_C = P_S$.

Trong đánh giá chất lượng ảnh, luận án tổng hợp mối tương quan giữa tỷ số tín hiệu cực đại trên nhiễu (PSNR) và điểm chất lượng trung bình (MOS) thể hiện qua thang đo:

Giá trị PSNR [dB]	Giá trị MOS	Đánh giá trực quan
> 37	5	Rất tốt
31 – 37	4	Tốt
25 – 31	3	Trung bình
20 – 25	2	Tồi
< 20	1	Rất tồi

Các thuật toán giấu tin thường can thiệp sao cho PSNR đạt từ 39 dB đến 46 dB (tương ứng mức MOS 5) để tránh sự phát hiện của mắt người.

Về lý thuyết phát hiện, bài toán phân loại được biểu diễn qua kiểm định giả thuyết thống kê với ánh xạ $F: \Omega \rightarrow {0, 1}$ (trong đó 0 là ảnh gốc, 1 là ảnh stego):

• Đối với phát hiện mù: Kiểm định giả thuyết phức hợp giữa $H_0$ (ảnh $X$ được rút ra từ phân bố $P_S$) và $H_1$ (ảnh $X$ không rút ra từ $P_S$).
• Đối với phát hiện có ràng buộc: Kiểm định giả thuyết đơn giữa $H_0$ ($X$ có phân bố $P_S$) và $H_1$ ($X$ có phân bố $P_C$). Xác suất sai lầm loại I ($\alpha$) và sai lầm loại II ($\beta$) được xác định bởi: $$\alpha = P(F(X) = 1 | X \in P_C)$$ $$\beta = P(F(X) = 0 | X \in P_S)$$ Mục tiêu là cố định $\alpha$ ở mức định trước và tìm thuật toán phân loại cực tiểu hóa $\beta$. Tiêu chí đánh giá gồm độ chính xác (Precision), độ bao phủ (Recall) và độ trung bình điều hòa (F-measure).

Phương pháp nghiên cứu thực nghiệm định lượng sử dụng các biến đổi: DCT khối $8 \times 8$ hoặc $16 \times 16$, DWT chia 4 băng tần (LL, LH, HL, HH với việc giấu tin tập trung ở các băng cao tần LH, HL, HH), và biến đổi sai phân điểm ảnh ($d_{ij} = x_{i, 2j+1} - x_{i, 2j}$ hoặc $d_{ij} = x_{i, j-1} - x_{i, j}$).

Nguồn dữ liệu thử nghiệm của luận án bao gồm:

• Thư viện ảnh trực tuyến của Đại học Washington.
• Thư viện ảnh của Đại học Southern California (USC-SIPI).
• Ảnh thực tế thu nhận từ máy ảnh kỹ thuật số và điện thoại di động.
• Các tập dữ liệu chuyên biệt gồm tập ảnh gốc 0 (2088 ảnh), các tập ảnh stego LSB với các tỷ lệ nhúng 30%, 50%, 70%, 100% (LSB_30, LSB_50, LSB_70, LSB_100), tập ảnh miền tần số J0, cùng các tập ảnh thử nghiệm cho các kỹ thuật giấu cụ thể: HKC_R100, DIH_6000, DIH_7168, IWH_6000, RVH_7168, và các ảnh chuẩn như Lena, Baboon, Airplane.

Nội dung chính theo từng chương

Chương 1: Giấu tin trong ảnh, phát hiện ảnh có giấu tin và các nghiên cứu liên quan

Chương 1 thiết lập bức tranh tổng thể về các cơ chế kỹ thuật giấu và phát hiện thông tin ẩn trong ảnh số. Tác giả phân tích cấu trúc điểm ảnh cấp xám 8-bit, trong đó 7 bit đầu tiên là MSBs (Most Significant Bits) quyết định nội dung chính của điểm ảnh, còn bit cuối cùng là LSB có tác động thị giác thấp nhất, cho phép dung lượng nhúng tối đa đạt 1 bit trên mỗi điểm ảnh (ví dụ ảnh kích thước $630 \times 945$ pixel chứa 595.350 pixel có thể lưu trữ lượng văn bản tương đương 19 trang giấy A4).

Chương này trình bày chi tiết các phương thức giấu LSB tuần tự, LSB giả ngẫu nhiên, LSB tăng giảm và kỹ thuật đồng chẵn lẻ theo khối. Bên cạnh đó, tác giả phân tích cơ chế giấu tin chèn nhiễu phổ trải rộng SS và cơ chế điều chỉnh hệ số lượng tử QIM theo công thức: $$S(X, M) = q(X + D(M)) - D(M)$$ trong đó $q$ là hàm lượng tử và $D$ là hàm điều chỉnh lượng tử. Các kỹ thuật giấu thuận nghịch tiêu biểu (DE, NSAS, DIH, HKC, IWH, RL, MBNS, RCM, RVH) được mổ xẻ về mặt nguyên lý biến đổi biểu đồ tần suất (histogram).

Ở phần phát hiện ảnh giấu tin, tác giả đánh giá chi tiết các thuật toán phát hiện mù kinh điển:

• Kiểm định $\chi^2$ với $n-1$ bậc tự do của Westfeld & Pfitzmann dựa trên hiện tượng san bằng tần suất của các cặp giá trị PoV (như cặp 116 và 117).
• Tiêu chuẩn LLRT của Sullivan dựa trên khoảng cách sai phân Kullback - Leibler: $$D(\rho || q) = \sum_{k=0}^{255} \rho_k \log \frac{\rho_k}{q_k}$$ với mẫu kiểm tra được kết luận có giấu tin nếu $D(q || Q_{\Gamma_0}\rho) - D(q || \rho) \le T(\alpha)$. Tác giả chỉ ra điểm yếu của Sullivan khi sử dụng bộ lọc FIR 2-tap làm mịn phổ khiến ảnh gốc Baboon bị nhận diện sai thành ảnh stego.
• Kỹ thuật ước lượng RS của Fridrich phân tích sự dịch chuyển các khối đều đặn $R$ và dị thường $S$ qua mặt nạ $M$ và các hàm Hamming $F_1, F_{-1}$.
• Kỹ thuật DI của T. Zhang ước lượng tỷ lệ nhúng thông qua phương trình bậc hai trên lược đồ sai phân điểm ảnh.

Chương 2: Kỹ thuật phát hiện mù cho ảnh giấu tin trên LSB

Chương 2 tập trung giải quyết Bài toán 1 thông qua việc đề xuất các kỹ thuật phát hiện mù mới trên miền không gian và miền tần số:

1. Kỹ thuật phát hiện mù trên miền không gian:

• Phát hiện bằng phân tích độ lệch chuẩn: Khai thác sự biến thiên độ lệch chuẩn của các khối điểm ảnh trước và sau khi nhúng thông tin để thiết lập ngưỡng quyết định.
• Phát hiện bằng phương pháp thống kê $\chi^2$ một bậc tự do ($\chi^2_1$): Cải tiến từ kiểm định thống kê của Westfeld nhằm khắc phục tình trạng suy giảm độ chính xác khi thông điệp giấu có độ dài ngắn và nhúng theo thứ tự quét raster.
• Phát hiện dựa trên phân tích tỉ lệ xám: Đánh giá tỷ lệ phân bố giữa các mức xám lân cận bị tác động bởi quá trình đảo bit LSB.
• Phát hiện bằng phương pháp ước lượng thông tin giấu dựa trên lý thuyết trùng khớp: Xây dựng mô hình ước lượng chiều dài thông điệp nhúng dựa trên mức độ tương đồng giữa ảnh kiểm tra và ảnh mô phỏng ước lượng ("ảnh mốt").

2. Kỹ thuật phát hiện mù trên miền tần số:

• Tác giả đề xuất kỹ thuật phát hiện mù trên LSB của các hệ số cosin (JPEG) dựa trên phân tích tỉ lệ xám, đo lường sự mất cân đối của các hệ số tần số trung bình sau khi nhúng dữ liệu.

3. Kết quả thử nghiệm và so sánh:

• Luận án triển khai thử nghiệm trên các tập dữ liệu ảnh quy mô lớn: tập 0 (2088 ảnh gốc) và các tập LSB_30, LSB_50, LSB_70, LSB_100.
• Kết quả kiểm định giá trị $t_0, x_0$ và $\chi^2_1$ chứng minh khả năng phân loại ổn định.
• So sánh hiệu năng với phương pháp $\chi^2$ $n$ bậc tự do của Westfeld, phương pháp LLRT của Sullivan, kỹ thuật RS của Fridrich và kỹ thuật DI của Zhang cho thấy các phương pháp đề xuất cho kết quả tương đương, đồng thời vượt trội về độ chính xác phân loại ảnh gốc và rút ngắn thời gian tính toán trên tập dữ liệu 2088 ảnh.

Chương 3: Một số kỹ thuật phát hiện có ràng buộc

Chương 3 giải quyết Bài toán 2 bằng cách thiết kế bốn kỹ thuật phát hiện có ràng buộc cho các phương pháp giấu tin chuyên biệt:

1. Phát hiện ảnh giấu tin bằng kỹ thuật HKC (Choi và cộng sự): Luận án phân tích phương pháp phát hiện của Kuo và Lin dựa trên sự dịch chuyển đỉnh peak của biểu đồ tần suất mức xám. Tác giả chỉ ra các điểm thiếu chính xác trong thuật toán của Kuo và Lin khi gặp các phân bố phức tạp, từ đó đề xuất thuật toán phát hiện cải tiến. Thử nghiệm trên tập ảnh HKC_R100 khẳng định kỹ thuật cải tiến phân định chính xác giữa ảnh gốc và ảnh stego thông qua sự biến dạng của điểm peak.

2. Phát hiện ảnh giấu tin bằng kỹ thuật giấu thuận nghịch DIH: Kỹ thuật DIH thực hiện nhúng tin bằng cách dịch chuyển biểu đồ tần suất của hệ số sai phân ảnh. Tác giả chứng minh rằng việc dịch chuyển này tạo ra các khoảng trống và làm thay đổi độ đối xứng của lược đồ sai phân. Bằng cách áp dụng kết hợp kỹ thuật phát hiện tổng quát trên LSB và các kỹ thuật ước lượng thông tin (RS, DI, lý thuyết trùng khớp), phương pháp đề xuất phân loại thành công các tập ảnh thử nghiệm DIH_6000 và DIH_7168.bmp.

3. Phát hiện ảnh giấu tin bằng kỹ thuật giấu thuận nghịch IWH: Kỹ thuật IWH nhúng thông tin dựa trên biến đổi wavelet nguyên (IWT), tạo ra sự dịch chuyển biểu đồ tần suất các hệ số wavelet tại các băng cao tần (LH, HL, HH) và làm rỗng một cột tần suất hệ số có giá trị $Z$. Luận án phân tích sự biến đổi của biểu đồ tần suất khi chọn các vị trí ngưỡng ban đầu ($T = 3, -3, 5, -6, 8$ hoặc $T = 2, 4, 6$). Thử nghiệm trên ảnh Lena nhúng 7168 bit và tập ảnh IWH_6000 chứng minh kỹ thuật đề xuất phát hiện chính xác sự hiện diện của dữ liệu ẩn qua phân tích các hệ số wavelet bị biến dạng.

4. Phát hiện ảnh giấu tin bằng kỹ thuật giấu hai pha ngang dọc RVH: Kỹ thuật RVH chia chuỗi thông tin $M$ thành hai chuỗi con $M_1$ và $M_2$, lần lượt nhúng vào cột lẻ (pha ngang) và hàng chẵn (pha dọc) của ma trận ảnh. Tác giả phát hiện hiện tượng bất đối xứng thống kê giữa các cột chẵn/lẻ và hàng chẵn/lẻ trên ảnh stego (ví dụ ảnh Baboon). Luận án xây dựng quy tắc phát hiện dựa trên sự phân bố của giá trị chênh lệch $|P_{LSB}(0) - P_{LSB}(1)|$ trên các hàng chẵn. Thử nghiệm trên các tập RVH_R25, RVH_R50, RVH_R75, RVH_R100 và RVH_7168 khẳng định độ tin cậy vượt trội so với các kỹ thuật RS, DI và trùng khớp thông thường.

Kết quả và những đóng góp mới

Luận án tự đúc kết các đóng góp học thuật và thực tiễn cốt lõi:

Về mặt lý luận và thuật toán:

• Đóng góp cho Bài toán 1 (Phát hiện mù LSB): Đề xuất ba kỹ thuật phát hiện mù trên miền không gian gồm phân tích độ lệch chuẩn, thống kê $\chi^2$ một bậc tự do ($\chi^2_1$), và phân tích tỉ lệ xám; đề xuất một kỹ thuật phát hiện mù trên miền tần số sử dụng tỉ lệ xám trên hệ số cosin; đề xuất phương pháp ước lượng chiều dài dữ liệu giấu LSB dựa trên lý thuyết trùng khớp.
• Đóng góp cho Bài toán 2 (Phát hiện có ràng buộc): Đề xuất bốn kỹ thuật phát hiện chuyên biệt cho bốn phương pháp giấu tin phức tạp gồm kỹ thuật giấu thuận nghịch IWH trên hệ số wavelet, kỹ thuật giấu thuận nghịch DIH trên hệ số sai phân, kỹ thuật giấu HKC trên miền không gian (cải tiến từ phương pháp của Kuo và Lin), và kỹ thuật giấu hai pha ngang dọc RVH dựa trên phân tích tương quan hàng chẵn - cột lẻ.

Về mặt thực tiễn và ứng dụng:

• Xây dựng phần mềm đề mô thử nghiệm hoàn chỉnh gồm hai phân hệ chức năng: phân hệ giấu tin (cho phép nhúng dữ liệu theo các phương pháp LSB, HKC, DIH, IWH, RVH) và phân hệ phát hiện ảnh giấu tin (thực thi các thuật toán phát hiện đề xuất và đối chứng).
• Tiến hành thực nghiệm trên các bộ dữ liệu ảnh quy mô lớn (bao gồm hơn 2000 ảnh từ các nguồn chuẩn quốc tế và ảnh chụp thực tế), cung cấp bảng số liệu định lượng chi tiết về tỷ lệ phát hiện, độ chính xác phân loại và thời gian xử lý.
• Luận án đề xuất giải pháp ứng dụng các thuật toán phát hiện vào hệ thống giám sát an toàn thông tin mạng, phục vụ công tác an ninh phòng ngừa việc tán phát dữ liệu mật qua kênh ảnh số.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế của luận án:

• Đối tượng nghiên cứu hoàn toàn giới hạn trong các định dạng ảnh bitmap, chưa xem xét các loại ảnh đồ họa vector (pdf, eps, ai, cdr, svg, dwg).
• Các thuật toán phát hiện có ràng buộc mới chỉ tập trung vào bốn kỹ thuật giấu cụ thể (HKC, DIH, IWH, RVH); chưa bao phủ toàn bộ các phương pháp giấu thuận nghịch hoặc các kỹ thuật giấu dựa trên cấu trúc nén phức tạp khác.
• Đối với các kỹ thuật giấu như SS, QIM hay các kỹ thuật giấu chuyên dụng trên ảnh JPEG, luận án chỉ dừng lại ở mức khảo cứu tổng quan lý thuyết mà chưa trực tiếp đề xuất thuật toán phát hiện chuyên biệt trong phần nội dung chính.

Hướng nghiên cứu tiếp theo:

• Nghiên cứu mở rộng các thuật toán phát hiện mù đối với các định dạng ảnh nén và các kỹ thuật giấu tinh vi hơn như SS, QIM.
• Nâng cao độ nhạy của bộ ước lượng dung lượng giấu trong điều kiện tỷ lệ nhúng cực thấp (dưới 5% dung lượng tối đa).
• Tối ưu hóa cấu trúc thuật toán để tăng tốc độ phân loại tự động trên các tập dữ liệu ảnh quy mô lớn trong môi trường truyền thông thời gian thực.

Giá trị tham khảo

Luận án là tài liệu tham khảo có giá trị chuyên môn cao cho các nhóm đối tượng:

• Nghiên cứu sinh, học viên cao học và sinh viên ngành Công nghệ thông tin, Hệ thống thông tin, Kỹ thuật mật mã và An toàn thông tin: có thể tham khảo Chương 1 để nắm bắt bức tranh toàn cảnh về lý thuyết giấu tin và giải mã giấu tin (steganalysis); tham khảo Chương 2 về phương pháp xây dựng các kiểm định thống kê và ước lượng dữ liệu ẩn.
• Các nhà nghiên cứu và kỹ sư bảo mật: Chương 3 cung cấp cơ chế toán học chi tiết về việc khai thác các khiếm khuyết trong biểu đồ tần suất sai phân, wavelet và cấu trúc hàng cột để bẻ gãy tính bí mật của các lược đồ giấu tin thuận nghịch hiện đại.
• Cơ quan phụ trách an ninh thông tin và phòng chống tội phạm công nghệ cao: có thể ứng dụng trực tiếp các thuật toán phát hiện và cấu trúc của chương trình đề mô trong Phụ lục để phát triển các giải pháp phần mềm quét lọc mã độc hoặc dữ liệu ẩn lậu trên mạng máy tính.

Câu hỏi thường gặp

1. Sự khác biệt căn bản giữa mật mã học (cryptography) và giấu tin (steganography) được luận án phân biệt như thế nào? Mật mã học chuyển đổi bản rõ thành bản mã nhằm bảo vệ nội dung thông tin, nhưng việc xuất hiện bản mã trên kênh truyền khiến người khác nhận biết rõ ràng hai bên đang trao đổi thông tin mật. Ngược lại, kỹ thuật giấu tin nhúng thông tin vào một đối tượng đa phương tiện (như ảnh số) sao cho mắt người không nhận thấy sự thay đổi, che giấu hoàn toàn sự tồn tại của việc truyền tin mật.

2. Khái niệm một lược đồ giấu tin an toàn ($\varepsilon$-secure) theo Cachin được phát biểu ra sao trong luận án? Theo Định nghĩa 1.1 của luận án dựa trên lý thuyết của Cachin, một lược đồ giấu tin được gọi là an toàn nếu sai phân Kullback - Leibler giữa hàm mật độ xác suất của ảnh gốc ($P_C$) và ảnh có giấu tin ($P_S$) nhỏ hơn một số thực dương $\varepsilon$ tùy ý đủ nhỏ ($D_{KL}(P_C || P_S) < \varepsilon$). Khi sai phân bằng 0, lược đồ đạt độ an toàn tuyệt đối, đồng nghĩa không có bất kỳ sự thay đổi thống kê nào trên ảnh mang tin so với ảnh gốc.

3. Tại sao phương pháp phát hiện mù LLRT của K. Sullivan lại phân loại sai ảnh gốc có kết cấu phức tạp như ảnh Baboon? K. Sullivan sử dụng bộ lọc đáp ứng xung chiều dài hữu hạn (FIR 2-tap) để ước lượng mẫu phân bố của ảnh gốc từ chính ảnh kiểm tra. Bộ lọc FIR có xu hướng làm trơn (smoothness) tín hiệu, dẫn đến dữ liệu ước lượng bị làm mịn quá mức so với thực tế của các ảnh có nhiều chi tiết gai góc, khiến tiêu chuẩn LLRT nhận định sai rằng ảnh gốc Baboon đã bị tác động bởi quá trình giấu tin.

4. Nguyên lý nhúng của kỹ thuật RVH là gì và luận án dựa trên đặc điểm nào để phát hiện? Kỹ thuật RVH chia thông tin cần giấu $M$ thành hai chuỗi con $M_1$ và $M_2$ bằng nhau, thực hiện giấu qua hai pha: pha ngang giấu vào các cột lẻ và pha dọc giấu vào các hàng chẵn của ma trận ảnh. Luận án phát hiện ảnh giấu tin RVH bằng cách phân tích sự phân bố bất thường của giá trị chênh lệch xác suất $|P_{LSB}(0) - P_{LSB}(1)|$ trên các hàng chẵn so với các hàng lẻ và cột chẵn của ma trận điểm ảnh.

5. Dữ liệu thực nghiệm của luận án được thu thập từ những nguồn nào? Luận án sử dụng dữ liệu ảnh bitmap từ ba nguồn chính: thư viện ảnh trực tuyến của Đại học Washington, thư viện ảnh chuẩn của Đại học Southern California (USC-SIPI), và ảnh chụp thực tế từ máy ảnh kỹ thuật số cùng điện thoại di động, tạo lập các tập thử nghiệm quy mô lớn như tập 2088 ảnh gốc, các tập LSB_30, LSB_50, LSB_70, LSB_100, tập HKC_R100, DIH_6000, IWH_6000, và RVH_7168.

Kết luận

Luận án "Nghiên cứu một số kỹ thuật phát hiện ảnh giấu tin" của nghiên cứu sinh Hồ Thị Hương Thơm đã giải quyết trọn vẹn hai bài toán lớn trong lĩnh vực phân tích và phát hiện dữ liệu ẩn trên ảnh số. Tác giả đã đề xuất thành công các kỹ thuật phát hiện mù trên miền không gian và miền tần số cho ảnh giấu LSB, đồng thời phát triển các kỹ thuật phát hiện có ràng buộc hiệu quả đối với bốn thuật toán giấu tin phức tạp gồm HKC, DIH, IWH và RVH. Toàn bộ các đề xuất lý thuyết đều được cài đặt thực nghiệm, kiểm chứng định lượng trên các tập ảnh quy mô lớn và đóng gói thành hệ thống phần mềm đề mô hoàn chỉnh, mang lại giá trị khoa học và giá trị ứng dụng thiết thực cho lĩnh vực an toàn thông tin.