29、针对隐写分析神经网络的攻击与基于注意力的中文词嵌入技术

针对隐写分析神经网络的攻击与基于注意力的中文词嵌入技术

针对隐写分析神经网络的攻击

在图像隐写分析领域，攻击者试图通过特定方法欺骗隐写分析神经网络，使其做出错误的分类判断。本文将介绍两种攻击方法：快速梯度符号法（FGSM）和单像素攻击，并对它们的性能进行评估。

攻击步骤概述

一般来说，对抗样本攻击分为有目标攻击和无目标攻击两类。对于隐写分析问题，通常将其视为无目标攻击，即生成的对抗样本被分类到错误类别（将隐写图像分类为载体图像）。评估攻击方法的指标主要有：
- 成功率 ：生成的对抗图像被分类到错误类别的百分比。
- 置信度 ：神经网络对对抗样本标签概率的平均值。
- PSNR（峰值信噪比） ：用于评估目标图像和对抗图像之间的差异，值越大表示差异越小。

相关技术细节

• 隐写算法 ：采用基于LSB的Jsteg隐写算法，将秘密信息编码在载体图像量化DCT系数的最低有效位（LSB）上（系数不为 -1、0 或 +1）。通过使用非标准量化矩阵，增加可用编码信息长度。
• 数据集 ：使用BOSSBase v1.0的10,000张512 * 512灰度图像，将每张图像均分为四个256 * 256图像，再用LSB - Jsteg编码一个85 * 85的二进制图像。随机选择64,000张图像作为训练集，16,000张作为测试集，每个集合中载体图像和隐写图像平衡且配对。