| تعداد نشریات | 38 |
| تعداد شمارهها | 1,408 |
| تعداد مقالات | 10,088 |
| تعداد مشاهده مقاله | 11,909,100 |
| تعداد دریافت فایل اصل مقاله | 6,961,230 |
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 | ||
| ||
|
آمار تعداد مشاهده مقاله: 519 تعداد دریافت فایل اصل مقاله: 162 |
||