An Improved Phase Coding Audio Steganography Algorithm

कल्पना कीजिए कि आप एक गाना सुन रहे हैं, लेकिन उस संगीत के भीतर एक गुप्त संदेश छिपा है, जैसे कि एक फुसफुसाहट जिसे केवल एक विशेष डिकोडर ही सुन सकता है। यह ऑडियो स्टेग्नोग्राफी (audio steganography) की दुनिया है, जो ध्वनि फाइलों के भीतर जानकारी को इस तरह छिपाने के लिए समर्पित विज्ञान की एक शाखा है कि सुनने वाले को संगीत में कोई बदलाव महसूस न हो। यह एक डिजिटल वॉटरमार्क से अलग है, जो एक ज़ोरदार "कॉपीराइट" स्टैम्प की तरह होता है; स्टेग्नोग्राफी अदृश्य स्याही की कला है। इसका मूल विचार मानव श्रवण की एक विशेषता पर निर्भर करता है: हमारा मस्तिष्क ध्वनि तरंगों के समय (या फेज/phase) में होने वाले सूक्ष्म बदलावों को पकड़ने में आश्चर्यजनक रूप से अक्षम है, भले ही हम वॉल्यूम या पिच में बदलाव को आसानी से सुन सकते हों। एक ऐसी दुनिया में जहाँ AI अब आवाजों की इतनी सटीक नकल कर सकता है कि यह पहचानना मुश्किल हो जाता है कि कोई असली व्यक्ति है या रोबोट, ऑडियो फाइल के भीतर "उत्पत्ति का प्रमाण" (proof of origin) छिपाने में सक्षम होना धोखाधड़ी से लड़ने और रिकॉर्डिंग की सत्यता सत्यापित करने का एक बहुत महत्वपूर्ण तरीका बन गया है।

यह शोध पत्र एक क्लासिक पद्धति को संबोधित करता है जिसे फेज कोडिंग (phase coding) कहा जाता है, जो ध्वनि तरंगों के समय को थोड़ा बदलकर गुप्त जानकारी छिपाने की कोशिश करती है। लेखक ने पाया कि इसे करने का पुराना तरीका एक भारी बैकपैक को एक ही कंधे पर बांधकर ले जाने जैसा था—यह भारी था, इसने वाहक को लड़खड़ा दिया (ऑडियो की गुणवत्ता कम कर दी), और इसमें बहुत कम सामान आ सकता था। शोधकर्ता ने एक नया, बेहतर संस्करण बनाया जो गुप्त संदेश को पूरे गाने में समान रूप से फैला देता है, जैसे कि बैकपैक के स्ट्रैप्स पर वजन को समान रूप से वितरित करना। उन्होंने संदेश को सुरक्षित रखने के लिए एरर-चेकिंग कोड का एक "सुरक्षा जाल" (safety net) भी जोड़ा ताकि यह सुनिश्चित हो सके कि संदेश तब भी सुरक्षित रहे जब ऑडियो थोड़ा दब जाए या विकृत हो जाए।

यहाँ उनकी खोज की कहानी है, जिसे सरल अंग्रेजी (यहाँ हिंदी संदर्भ में सरल भाषा) में बताया गया है।

समस्या: "एक कंधे वाला" बैकपैक

लंबे समय से, फेज कोडिंग का उपयोग करके ऑडियो में डेटा छिपाने का मानक तरीका यह था: आप एक गाना लेते हैं, उसे टुकड़ों में काटते हैं, और पूरा गुप्त संदेश केवल पहले ही टुकड़े में डाल देते हैं। फिर, यह सुनिश्चित करने के लिए कि बाकी गाना सही सुनाई दे, आपको उस पहले टुकड़े से मेल खाने के लिए हर अगले टुकड़े के समय (timing) को एडजस्ट करना पड़ता है।

लेखक इस "एक कंधे वाले" दृष्टिकोण की तीन बड़ी समस्याओं की ओर इशारा करते हैं:

1. यह धीमा है: आपको बाकी टुकड़ों के समय को ठीक करने के लिए पूरे गाने पर दूसरा चक्कर लगाना पड़ता है।
2. यह छोटा है: आप केवल उतना ही डेटा छिपा सकते हैं जितना उस पहले छोटे टुकड़े में समा सके।
3. यह नाजुक है: यदि संदेश का एक भी छोटा सा हिस्सा बदल जाता है (जैसे कि 0 का 1 में बदलना), तो पूरा संदेश बर्बाद हो जाता है, और प्राप्तकर्ता को यह पता लगाने का कोई तरीका नहीं होता कि यह खराब हो गया है।

इससे भी बुरा यह कि जब उन्होंने वास्तविक मानव भाषण (human speech) पर इस पुराने तरीके का परीक्षण किया, तो यह पूरी तरह विफल रहा। गुप्त संदेश बस गायब हो गया।

समाधान: भार को फैलाना

लेखक ने एक चतुर समाधान प्रस्तावित किया: संदेश को फैला दें। पूरे गुप्त संदेश को पहले सेगमेंट में ठूंसने के बजाय, उन्होंने निर्णय लिया कि संदेश के बिट्स को ऑडियो फ़ाइल के हर सेगमेंट में बिखेर दिया जाए।

इसे ऐसे सोचिए: यदि आप एक लाइब्रेरी में एक नोट छिपाना चाहते हैं, तो पुराना तरीका यह था कि आप पहले शेल्फ की पहली किताब पर पूरा नोट लिख दें। यदि वह किताब हिल जाती है या क्षतिग्रस्त हो जाती है, तो नोट खो जाता है। नया तरीका नोट का एक अक्षर पहली किताब पर, अगला अक्षर दूसरी किताब पर, और इसी तरह पूरी एयली (aisle) में लिखता है। भले ही कुछ किताबें टकरा जाएं, फिर भी आप संदेश पढ़ सकते हैं।

इस "सेगमेंट-डिस्ट्रीब्यूटेड" दृष्टिकोण का अर्थ था कि उन्हें टाइमिंग को ठीक करने के लिए उस कष्टप्रद दूसरे दौर की आवश्यकता नहीं थी। गाने का प्रत्येक हिस्सा स्वतंत्र रूप से अपडेट किया जा सकता था। परिणाम? उनके द्वारा छिपाए जा सकने वाले डेटा की मात्रा पांच सेकंड के क्लिप पर 1,023 बिट्स से बढ़कर 32,768 बिट्स हो गई। यह 32 गुना वृद्धि है! इसके अलावा, ऑडियो की गुणवत्ता में भी काफी सुधार हुआ। संदेश छिपाने से उत्पन्न होने वाला "शोर" (noise) लगभग 24 डेसिबल कम हो गया, जिससे स्टेगो-सिग्नल (छिपा हुआ संदेश वाला संस्करण) मानव कान के लिए मूल ऑडियो से लगभग अभिन्न (indistinguishable) हो गया।

"सुरक्षा जाल": फ्रेमिंग और एरर करेक्शन

संदेश को फैलाना ही पर्याप्त नहीं था। लेखक को एहसास हुआ कि यदि ऑडियो फ़ाइल कंप्रेस (compress) की जाती है, किसी अन्य डिवाइस पर बजाई जाती है, या उसमें थोड़ा स्टैटिक (static) आता है, तो कुछ बिट्स अभी भी बदल सकते हैं। यदि एक बिट बदल जाता है, तो संदेश बेकार हो जाता है।

इसे ठीक करने के लिए, उन्होंने एक फ्रेमिंग लेयर (Framing Layer) जोड़ी। कल्पना कीजिए कि आप डाक से एक पत्र भेज रहे हैं। आप कागज को केवल लिफाफे में नहीं फेंकते; आप उसे एक बॉक्स में रखते हैं जिसमें रिटर्न एड्रेस, ज़िप कोड और एक सील होती है।

• सिंक वर्ड (Sync Word): शुरुआत में एक विशेष "नमस्ते!" ताकि रिसीवर को पता चल सके, "ठीक है, गुप्त संदेश यहाँ से शुरू होता है।"
• लंबाई क्षेत्र (Length Field): एक नोट जो बताता है कि संदेश वास्तव में कितना लंबा है, ताकि रिसीवर को पता चले कि कब रुकना है।
• CRC चेकसम (CRC Checksum): एक गणितीय पहेली जो एक सील की तरह काम करती है। यदि सील टूट जाती है, तो रिसीवर को पता चल जाता है कि संदेश क्षतिग्रस्त है।
• हैमिंग (7,4) कोड (Hamming(7,4) Code): यह असली नायक है। यह अतिरिक्त "चेक" बिट्स जोड़ने का एक तरीका है जो रिसीवर को सिंगल-बिट त्रुटियों को स्वचालित रूप से ठीक करने की अनुमति देता है। यह एक स्पेलचेकर की तरह है जो पढ़ते समय टाइपो (typos) को ठीक करता है।

जब उन्होंने इस सुरक्षा जाल का परीक्षण किया, तो परिणाम नाटकीय थे। एक साफ चैनल पर, नए तरीके ने 100% संदेशों को रिकवर किया, जबकि पुराने तरीके ने मानव भाषण के 0% संदेशों को रिकवर किया। यहाँ तक कि जब उन्होंने ऑडियो के "क्लिप्ड" (बहुत तेज़ आवाज़ के कारण दब जाना) होने या कम गुणवत्ता के साथ फिर से सेव होने का सिम्युलेशन किया, तब भी सुरक्षा जाल ने रिकवरी को 75% से बढ़ाकर 100% कर दिया।

"मैजिक फ्लोर": स्पीच की समस्या को ठीक करना

सबसे दिलचस्प खोजों में से एक यह थी कि पुराना तरीका भाषण (speech) पर क्यों विफल रहा। लेखक ने पाया कि गणित कैसे शांत ध्वनियों को संभालता है, इसमें एक छिपा हुआ बग था।

कल्पना कीजिए कि आप एक लाइब्रेरी में एक रहस्य फुसफुसा रहे हैं। यदि लाइब्रेरी बहुत शांत है, तो आपकी फुसफुसाहट स्पष्ट है। लेकिन यदि आप एक ऐसे कमरे में फुसफुसाने की कोशिश करते हैं जहाँ का फर्श कांच का बना है, और वह कांच इतना पतला है कि आपकी फुसफुसाहट के वजन से ही टूट जाता है, तो संदेश खो जाता है। पुराने तरीके में, "कांच" ध्वनि का वॉल्यूम (volume) था। भाषण के मामले में, शब्दों के बीच के खाली स्थान जैसे शांत हिस्से इतने कम वॉल्यूम के थे कि जब कंप्यूटर ने ध्वनि को मानक डिजिटल फॉर्मेट (16-bit) में वापस बदला, तो डेटा छिपाने के लिए उपयोग किए गए सूक्ष्म फेज शिफ्ट (phase shifts) राउंड ऑफ होकर गायब हो गए।

लेखक ने एक "मैग्निट्यूड फ्लोर" (Magnitude Floor) जोड़कर इसे ठीक किया। उन्होंने एक नियम सेट किया: "चाहे गाने का कोई भी हिस्सा कितना भी शांत क्यों न हो, हम यह मान लेंगे कि डेटा छिपाने से पहले उसका एक न्यूनतम वॉल्यूम है।" इसने यह सुनिश्चित किया कि छिपा हुआ संदेश रूपांतरण (conversion) के दौरान जीवित रहने के लिए पर्याप्त मजबूत हो। इस सुधार के साथ, भाषण पर त्रुटि दर लगभग 12% से घटकर शून्य हो गई, जबकि इससे ऑडियो की गुणवत्ता पर 0.05 dB से भी कम प्रभाव पड़ा।

सीमाएं: यह तरीका क्या नहीं कर सकता

लेखक बहुत ईमानदार हैं कि उनका तरीका कहाँ टूट जाता है। यह हर चीज़ के खिलाफ काम करने वाला कोई जादुई हथियार नहीं है।

1. इसे शोर (noise) से नफरत है: यदि आप ऑडियो में बहुत अधिक स्टैटिक (व्हाइट नॉइज़) जोड़ते हैं, तो संदेश गायब हो जाता है। गुप्त संदेश आवृत्तियों (frequencies) के एक बहुत ही संकीकर बैंड में छिपा होता है, और शोर हर जगह फैलता है। यदि शोर पर्याप्त तेज़ है, तो वह गुप्त संदेश को दबा देगा।
2. इसे कंप्रेशन (compression) से नफरत है: यदि आप फ़ाइल को MP3 के रूप में सेव करते हैं या कंप्रेस करते हैं, तो संदेश नष्ट हो जाता है। MP3 प्लेयर उन सटीक उच्च-आवृत्ति (high-frequency) वाले हिस्सों को हटाने के लिए डिज़ाइन किए गए हैं जहाँ यह रहस्य रहता है, क्योंकि वे सोचते हैं कि मानव कानों के लिए वे महत्वपूर्ण नहीं हैं।
3. इसे ढूँढना आसान है: क्योंकि रहस्य हमेशा एक ही स्थान पर (विशिष्ट आवृत्तियों के एक सेट में) छिपा होता है, इसलिए एक साधारण स्कैनर वाला जासूस इसे आसानी से ढूंढ सकता है। लेखक स्वीकार करते हैं कि उनके तरीके में एक "ब्लाइंड डिटेक्टर" (blind detector) के खिलाफ कोई प्रतिरोध नहीं है जो केवल इन पैटर्न को देखता है।

वे सुझाव देते हैं कि डिटेक्शन की समस्या को ठीक करने के लिए, भविष्य के काम में एक "चाबी" (key) का उपयोग करना होगा जो यह तय करे कि गुप्त बिट्स कहाँ रखे जाएँगे, जिससे एक जासूस के लिए उन्हें ढूँढना बहुत कठिन हो जाएगा।

निष्कर्ष

यह शोध पत्र ऑडियो में रहस्य छिपाने के एक पुराने, बोझिल तरीके को आधुनिक बनाता है। संदेश को फैलाकर, त्रुटि सुधार के एक मजबूत सुरक्षा जाल को जोड़कर, और उस विशिष्ट बग को ठीक करके जिसके कारण यह मानव आवाजों पर विफल हो रहा था, उन्होंने एक ऐसा सिस्टम बनाया है जो 32 गुना अधिक सक्षम है, सुनने में कहीं अधिक स्पष्ट है, और साफ ऑडियो पर पूरी तरह विश्वसनीय है।

हालाँकि, वे स्पष्ट हैं कि यह एक विशिष्ट स्थितियों के लिए उपकरण है। यह उस ऑडियो को सत्यापित करने के लिए बेहतरीन काम करता है जिसे अत्यधिक कंप्रेस या शोर के साथ मिश्रित नहीं किया गया है, लेकिन यह सोशल मीडिया ऐप या रेडियो प्रसारण के सफर में जीवित नहीं बचेगा। यह ऑडियो सुरक्षा के चूहे-बिल्ली के खेल में एक शक्तिशाली कदम है, लेकिन खेल अभी बहुत दूर है।