Multi-User Multi-Key Image Steganography with Key Isolation

1. Il Problema

La steganografia moderna, basata sul deep learning, mira a nascondere informazioni segrete all'interno di immagini portanti (cover) mantenendo un'alta fedeltà visiva e permettendo un recupero affidabile. Sebbene framework recenti come PUSNet abbiano introdotto reti unificate che possono commutare tra compiti di purificazione dell'immagine e steganografia in base a una chiave, questi sistemi presentano una limitazione critica nei contesti multi-utente:

• Mancanza di isolamento delle chiavi: I modelli esistenti operano tipicamente con una singola coppia di chiavi condivisa. Quando si tenta di estendere questi modelli a più utenti (multi-chiave) in modo ingenuo, si verifica un fenomeno di decodifica incrociata (cross-key decoding).
• Vulnerabilità di sicurezza: In un sistema multi-utente, se un utente utilizza una chiave sbagliata (ma registrata nel sistema), il modello potrebbe comunque recuperare parzialmente o totalmente i segreti nascosti da un altro utente. Le visualizzazioni PCA mostrano che le caratteristiche di recupero per chiavi diverse rimangono "intrecciate" (entangled), violando la confidenzialità.

2. Metodologia: PUSNet-MK

Gli autori propongono PUSNet-MK, un'estensione multi-chiave di PUSNet progettata per abilitare più utenti a condividere un'unica architettura di backbone (spina dorsale) mantenendo un isolamento rigoroso delle chiavi.

Architettura e Meccanismo

• Backbone Unificato: Il sistema mantiene il meccanismo di "sparse weight filling" (riempimento sparso dei pesi) di PUSNet. Una parte dei pesi della rete è condivisa da tutti i compiti (purificazione, embedding, recupero), mentre le regioni complementari sono riservate per adattamenti specifici.
• Istanteazione Condizionata alla Chiave: Per ogni coppia di chiavi $(k_e, k_r)$, vengono generati set di pesi specifici ($W_e$ e $W_r$) che popolano le regioni complementari della rete per eseguire l'embedding e il recupero dei segreti.
• Perdita di Isolamento per Chiavi Non Corrispondenti (Mismatched-Key Isolation Loss): Questa è l'innovazione centrale. Per prevenire la decodifica incrociata, viene introdotta una nuova funzione di perdita ($L_{mki}$).
  • Durante l'addestramento, se un'immagine stego generata con la chiave $i$ viene tentata di essere decodificata con una chiave $j$ (dove $i \neq j$), il modello è penalizzato se l'output non è informativo.
  • L'obiettivo è forzare l'output della decodifica con una chiave errata a regressare verso l'immagine portante originale ($I_{cover}$), rendendo il risultato indistinguibile dal rumore o dall'immagine originale, senza rivelare alcun segreto.

Funzione di Perdita Totale

L'obiettivo di addestramento combina quattro componenti:

1. Perdita di Steganografia ($L_{emb}$): Minimizza la differenza tra l'immagine stego e la cover (impercettibilità).
2. Perdita di Recupero ($L_{rec}$): Minimizza la differenza tra il segreto recuperato e il segreto originale (fedeltà).
3. Perdita di Purificazione ($L_{pur}$): Mantiene la capacità di purificare immagini rumorose.
4. Perdita di Isolamento ($L_{mki}$): Penalizza la decodifica con chiavi non corrispondenti, spingendo l'output verso l'immagine cover.

3. Contributi Chiave

1. Estensione Multi-Chiave: PUSNet è stato esteso per supportare multiple coppie di chiavi encoder-decoder all'interno di un unico backbone unificato, abilitando la steganografia multi-utente scalabile.
2. Meccanismo di Isolamento: Introduzione di un meccanismo esplicito che sopprime l'interferenza latente indotta dalle chiavi, garantendo che solo la chiave corrispondente produca un recupero significativo.
3. Validazione Sperimentale: Dimostrazione che il sistema mantiene le prestazioni di impercettibilità e recupero del modello single-key, mentre risolve drasticamente il problema della fuga di informazioni tra utenti.

4. Risultati Sperimentali

Gli esperimenti sono stati condotti sui dataset DIV2K, COCO e ImageNet, confrontando PUSNet-MK con metodi esistenti (HiDDeN, Baluja, UDH, HiNet, PUSNet originale).

• Impercettibilità: PUSNet-MK mantiene un'alta qualità visiva. Sebbene i valori PSNR/SSIM siano leggermente inferiori rispetto al PUSNet originale (a causa dei vincoli aggiuntivi di sicurezza), rimangono competitivi e superiori alla maggior parte degli altri metodi.
• Recupero del Segreto: Il recupero con la chiave corretta (matched-key) è altamente accurato, con valori PSNR e SSIM superiori a quasi tutti i metodi di riferimento.
• Decodifica Incrociata (Cross-Decoding): Questo è il risultato più significativo.
  • I metodi baseline (incluso PUSNet originale esteso) mostrano una decodifica parziale dei segreti anche con chiavi errate (valori PSNR/SSIM alti per le chiavi sbagliate).
  • PUSNet-MK riduce drasticamente questi valori (es. PSNR scende a ~8.5 e SSIM a ~0.20), producendo output non informativi o simili alla cover quando viene utilizzata una chiave sbagliata.
• Scalabilità: Lo studio sulla scalabilità (variando il numero di chiavi $K$ da 2 a 4 e il rapporto di sparsità $\alpha$) mostra che l'isolamento delle chiavi rimane robusto. Le matrici di confusione dimostrano che la decodifica corretta rimane alta sulla diagonale, mentre le decodifiche incrociate (fuori diagonale) rimangono soppresse indipendentemente dal numero di utenti.

5. Significato e Conclusione

Il lavoro di Wei et al. affronta una lacuna fondamentale nella sicurezza della steganografia basata su deep learning: l'assenza di isolamento tra utenti in sistemi condivisi.

• Impatto sulla Sicurezza: PUSNet-MK trasforma un framework unificato da un potenziale rischio di sicurezza (dove le chiavi non sono isolate) in un sistema sicuro per comunicazioni multi-utente, garantendo che un utente non possa decifrare i messaggi di un altro.
• Efficienza: Dimostra che è possibile condividere un singolo modello pesante (backbone) tra molti utenti senza sacrificare la sicurezza, riducendo i costi computazionali e di storage rispetto all'addestramento di modelli separati per ogni utente.
• Futuro: Il framework apre la strada a sistemi di steganografia scalabili e sicuri, con potenziali estensioni future verso architetture di backbone diverse dalle CNN.

In sintesi, PUSNet-MK risolve il problema dell'intreccio delle caratteristiche (feature entanglement) nei sistemi multi-chiave, imponendo un isolamento rigoroso che rende la decodifica con chiavi errate inutilizzabile, senza compromettere la qualità della steganografia legittima.