Istraživanje objavljeno u International Journal of Computational Science and Engineering opisuje novi pristup za otkrivanje poruka skrivenih u digitalnim slikama. Ovaj rad doprinosi oblasti steganalize, koja ima ključnu ulogu u sajber bezbednosti i digitalnoj forenzici.
Steganografija podrazumeva umetanje podataka unutar običnog medija, poput reči koje su skrivene među bitovima i bajtovima digitalne slike. Sliku je teško razlikovati kada se prikazuje na ekranu, ali neko ko zna da postoji skrivena poruka može da je izdvoji ili prikaže. S obzirom na ogromne brojeve digitalnih slika koje sada postoje — i taj broj se svakodnevno povećava — teško je zamisliti kako bi takve skrivene informacije mogle biti pronađene od strane trećih lica, kao što su organi reda.
U stvari, u nekom smislu, to je sigurnost kroz skrivanje, ali je i dalje moćna tehnika. Postoje legitimne upotrebe steganografije, naravno, ali postoji i više zlonamernih upotreba, a efikasna detekcija je važna za organe reda i bezbednost.
Ankita Gupta, Rita Chhikara i Prabha Sharma sa Univerziteta The NorthCap u Gurugramu, Indija, uveli su novi pristup koji poboljšava tačnost detekcije dok rešava računarske izazove povezane sa obradom velikih količina podataka.
Steganaliza se bavi identifikovanjem da li slika sadrži skrivene podatke. Obično se koristi model prostorne bogatosti (SRM) za otkrivanje tih skrivenih poruka. Ovaj model analizira sliku kako bi identifikovao male promene u otisku koje bi bile prisutne zbog dodavanja skrivenih podataka. Međutim, SRM je složen, ima veliki broj karakteristika i može preopteretiti algoritme detekcije, što dovodi do smanjene efikasnosti. Ovaj problem se često naziva „kletva dimenzionalnosti.“
Tim se okrenuo hibridnom optimizacionom algoritmu nazvanom DEHHPSO, koji kombinuje tri algoritma: Harris Hawks Optimizer (HHO), Particle Swarm Optimization (PSO) i Differential Evolution (DE). Svaki od ovih algoritama je inspirisan prirodnim procesima. Na primer, HHO algoritam simulira ponašanje lova Harrisovih jastrebova i balansira istraživanje okoline s ciljanjem optimalnih rešenja. Tim objašnjava da kombinovanjem HHO, PSO i DE algoritama mogu da prolaze kroz kompleksne setove karakteristika mnogo brže nego što je moguće sa trenutnim pojedinačnim algoritmom, koliko god sofisticiran bio.
Hibridni pristup smanjuje računarske zahteve eliminišući više od 94% karakteristika koje bi inače morale da se obrade. Ove pojednostavljene informacije se zatim mogu obraditi pomoću klasifikatora podrške vektorima (SVM). Tim navodi da ova metoda radi bolje od meta-heurističkih (praktično metoda pokušaja i grešaka) i čak bolje od nekoliko metoda dubokog učenja, koje se obično koriste za rešavanje složenijih problema nego što je steganaliza.
