2025_NIPS_StegoZip: Enhancing Linguistic Steganography Payload in Practice with Large Language Mode

文章主要内容与创新点总结

一、主要内容

本文针对生成式语言隐写术在实际应用中因隐写文本熵值低导致的秘密信息载荷量有限的问题，提出了一种基于大语言模型（LLM）的秘密信息自动化处理框架StegoZip。该框架通过优化秘密信息处理流程，在不影响解码完整性和安全性的前提下，显著提升隐写系统的载荷能力。

StegoZip包含两大核心组件：

1. 动态语义冗余修剪（DSRP）：利用LLM分析秘密信息中的语义冗余，动态移除低信息元素，同时通过实体检测和自校验机制保留关键信息；结合在公开数据集上微调的私有恢复器R，确保接收方能无损重建原始语义。
2. 基于索引的压缩编码（ICC）：受香农信息论启发，利用LLM的令牌预测能力将修剪后的低语义内容转换为紧凑的索引序列，经霍夫曼编码和伪随机化处理生成二进制流，再通过现有隐写算法嵌入载体文本。

实验结果表明，将StegoZip与Discop、SparSamp等主流隐写方法结合后，载荷量达到基线模型的2.5倍，且处理时间相当；同时保持了良好的语义保留能力（恢复消息的Rouge1和BERTScore均达1.0），并通过隐写分析验证了其安全性与原始隐写算法一致。

二、创新点

1. 聚焦秘密信息处理优化：突破现有研究集中于隐写嵌入阶段的局限，首次将LLM应用于秘密信息的冗余修剪与压缩编码，从信息源头提升载荷效率。
2. 动态语义修剪机制：通过自信