اخبار و اعلانات

 آمار

تعداد نشریات38
تعداد شماره‌ها1,408
تعداد مقالات10,088
تعداد مشاهده مقاله11,909,100
تعداد دریافت فایل اصل مقاله6,961,230
اصفهانی, رضا, اخایی, محمدعلی, نوروزی, زین العابدین. (1404). نهان‌نگاری مبتنی بر GAN در تصاویر با استفاده از یک معماریEGD. پدافند الکترونیکی و سایبری, 16(4), 137-154. doi: 10.47176/PD.2026.1574
رضا اصفهانی; محمدعلی اخایی; زین العابدین نوروزی. "نهان‌نگاری مبتنی بر GAN در تصاویر با استفاده از یک معماریEGD". پدافند الکترونیکی و سایبری, 16, 4, 1404, 137-154. doi: 10.47176/PD.2026.1574
اصفهانی, رضا, اخایی, محمدعلی, نوروزی, زین العابدین. (1404). 'نهان‌نگاری مبتنی بر GAN در تصاویر با استفاده از یک معماریEGD', پدافند الکترونیکی و سایبری, 16(4), pp. 137-154. doi: 10.47176/PD.2026.1574
اصفهانی, رضا, اخایی, محمدعلی, نوروزی, زین العابدین. نهان‌نگاری مبتنی بر GAN در تصاویر با استفاده از یک معماریEGD. پدافند الکترونیکی و سایبری, 1404; 16(4): 137-154. doi: 10.47176/PD.2026.1574

نهان‌نگاری مبتنی بر GAN در تصاویر با استفاده از یک معماریEGD

پدافند غیرعامل
مقاله 9، دوره 16، شماره 4 - شماره پیاپی 64، بهمن 1404، صفحه 137-154    اصل مقاله (1.59 M)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.47176/PD.2026.1574
نویسندگان
رضا اصفهانی* 1؛ محمدعلی اخایی2؛ زین العابدین نوروزی3
1استادیار، گروه مخابرات، دانشگاه جامع امام حسین(ع)، تهران، ایران
2دانشیار، گروه مخابرات، دانشگاه تهران، تهران، ایران.
3دانشیار، گروه رمز و امنیت، دانشگاه جامع امام حسین(ع)، تهران، ایران
تاریخ دریافت: 20 شهریور 1404،  تاریخ بازنگری: 14 مهر 1404،  تاریخ پذیرش: 29 مهر 1404 
چکیده
نهان‏نگاری یک متن در چند تصویر، باعث ارتقاء امنیت و جلوگیری از دسترسی مهاجمین به پیام پنهان خواهد شد؛ همچنین تولید تصاویر متعدد توسط هوش مصنوعی نیز، در دسترس قراردادن تصاویر جهت درج هر بخش از متن پیام پنهان را به دنبال خواهد داشت. در این مقاله یک سیستم نهان‌نگاری مبتنی بر «شبکه‌های عصبی متخاصم مولد» با استفاده از طراحی معماری سه بخشی فرمت «کدگذار- مولد- متمایز‏کننده» معرفی می‌شود که از یک کدگذار برای استخراج پیام‌ها از تصاویر نهان‏نگاری‏شده با بهره‏گیری از یک دیتاست (مجموعه داده) واقع‌گرای CIFAR-10  برای ارزیابی استفاده می‌کند. روش کلی «مولد به همراه کدگذار»، ترکیبی از شیوه تخاصم اتلافی از نوع «آنتروپی متقاطع»  به منظور فریب دادن متمایز‏کننده و بهره‏گیری از اتلاف پیام، برای بازیابی پیام به کمک کدگذار است. هدف اصلی کاهش تغییرات قابل مشاهده در تصاویر نهان‏نگاری‏شده نسبت به تصاویر اصلی و افزایش قابلیت بازیابی پیام توسط کدگذار، همراه با ارزیابی‌های کیفی و کمی مانند SNR و MSE یا BCE برای بازگرداندن پیام است. نتایج تجربی نشان می‌دهد که با تنظیم مناسب‌های هایپرپارامترها، پیغام‌ها با نویز کم در تصاویر درج‏ می‌شوند و قابلیت بازیابی پیام با خطای کم و SNR  مطلوبی همراه است. در روش پیشنهادی، برای 50=Epoch مقدارdB 9/34≅SNR است. در این حالت همچنین 7/0≅ LossD و 2/1≅LossG بوده که مقادیر مناسبی برای آنتروپی متقاطع است. مقدار 03/0≅LossMsg هم حاصل شد که مقدار عالی محسوب می‏شود.

لازم به ذکر است که پیاده‏سازی این مقاله توسط پایتون صورت گرفته است.
کلیدواژه‌ها
نهان‌نگاری؛ شبکه‏های عصبی متخاصم مولد (GAN)؛ کدگذار-مولد-متمایز‏کننده (EGD)؛ تابع هزینه (اتلاف)؛ آنتروپی متقاطع (BCE)
عنوان مقاله [English]
GAN-Based Image Steganography Using EGD Architecture
نویسندگان [English]
ٍEsfahani Reza1؛ Mohammad Ali Akhaee2؛ Zeynolabedin Norouzi3
1Assistant Professor, Imam Hossein Comprehensive University, Tehran, Iran.
2Associate Professor, Tehran University, Tehran, Iran.
3Associate Professor, Imam Hossein Comprehensive University, Tehran, Iran.
چکیده [English]
Steganography of a text across multiple images enhances security and prevents attackers from accessing the hidden message; moreover, generating multiple images with artificial intelligence also facilitates the availability of images for embedding each segment of the hidden text. This paper introduces a steganography system based on Generative Adversarial Networks that uses a three-component Encoder-Decoder-Discriminator architecture, the encoder extracts messages from steganographic images, and the CIFAR-10 dataset is employed for evaluation. This general method of “Generator and Encoder” combines a cross-entropy adversarial loss to fool the discriminator and a message loss to recover the message with the aid of the encoder. The main objective is to reduce the visible alterations in steganographic images compared to the original (Real) images and to enhance the recoverability of the message by the encoder, along with qualitative and quantitative evaluations such as SNR and BCE/MSE for message recovery. Experimental results show that, with proper hyperparameter tuning, messages can be embedded in images with minimal noise, and the message recovery exhibits low error and a desirable SNR. In the proposed method, at epoch 50, the SNR is approximately 34.9 dB. In this case, Loss_D is approximately 0.7 and Loss_G is approximately 1.2, which are suitable values for cross-entropy. The value of LossMsgLossMsg​ is approximately 0.03, which is considered excellent. It should be noted that the implementation in this article was performed using Python.
کلیدواژه‌ها [English]
Steganography, Generative Adversarial Neural Networks (GAN), Encoder-Generator-Discriminator (EGD), Loss Function (Loss), Binary Cross Entropy (BCE)
مراجع
  • Fu, F. Wang, and X. Cheng, “The secure steganography for hiding images via GAN,” EURASIP Journal on Image and Video Processing, vol. 2020, no. 1, Oct. 2020, doi: https://doi.org/10.1186/s13640-020-00534-2.
  • Al Maawali and A. AL-Shidi, “Optimization Algorithms in Generative AI for Enhanced GAN Stability and Performance,” Applied Computing Journal, pp. 359–371, Jan. 2025, doi: https://doi.org/10.52098/acj.20244225.
  • Kumar, Prasanna Sattigeri, and P. T. Fletcher, “Semi-supervised Learning with GANs: Manifold Invariance with Improved Inference,” arXiv (Cornell University), Jan. 2017, doi: https://doi.org/10.48550/arxiv.1705.08850.
  • R. Malik et al., “A hybrid steganography framework using DCT and GAN for secure data communication in the big data era,” Scientific Reports, vol. 15, no. 1, Jun. 2025, doi: https://doi.org/10.1038/s41598-025-01054-7.
  • Kuyoro, U. J. Nzenwata, O. Awodele, and S. Idowu, “GAN-Based Encoding Model for Reversible Image Steganography,” Revue d’Intelligence Artificielle, vol. 36, no. 4, pp. 561–567, Aug. 2022, doi: https://doi.org/10.18280/ria.360407.
  • Gao, T. Xu, and F. Hua, “Robust Image Watermarking Based on Generative Adversarial Networks for Copyright Protection,” Mar. 2024, doi: https://doi.org/10.21203/rs.3.rs-4039149/v1.
  • Talati , R. Esfahani, “Presenting a New Method of Image Steganalysis Based on MLP Neural Network”, Scientific Journal of Passive Defence, Vol. 14, No. 4, Winter 2023, Serial No. 56, DOR: 20.1001.1.20086849.1403.15.1.3.0 (In Persian).
  • Baluja, “Hiding images in plain sight: deep steganography,” Neural Information Processing Systems, vol. 30, pp. 2066–2076, Dec. 2017.
  • and S.-P. Lu, “A Compact Neural Network-based Algorithm for Robust Image Watermarking,” arXiv (Cornell University), Jan. 2021, doi: https://doi.org/10.48550/arxiv.2112.13491.

 

  • Huang, T. Luo, L. Li, G. Yang, H. Xu, and C.-C. Chang, “ARWGAN: Attention-Guided Robust Image Watermarking Model Based on GAN,” IEEE Transactions on Instrumentation and Measurement, vol. 72, pp. 1–17, Jan. 2023, doi: https://doi.org/10.1109/tim.2023.3285981.
  • A. Candra Ahmadi, J.-L. C. Candra Ahmadi, and Y.-T. L. Jiann-Liang Chen, “Securing AI Models Against Backdoor Attacks: A Novel Approach Using Image Steganography,” Journal of Internet Technology 25.3, vol. 25, no. 3, pp. 465–475, May 2024, doi: https://doi.org/10.53106/160792642024052503012.
  • Kaur and V. K. Sharma, “Encryption based LSB Steganography Technique for Digital Images and Text Data,” International Journal of Advanced engineering, Management and Science, vol. 2, no. 9, Sep. 2016.
  • Singh, Ninni, and Gunjan Chhabra. "Cryptography and Steganography Techniques." Information Security and Optimization. Chapman and Hall/CRC, 2020. 79-91, (Book).
آمار
تعداد مشاهده مقاله: 519
تعداد دریافت فایل اصل مقاله: 162