Training-Free Coverless Multi-Image Steganography with Access Control

이 논문은 기존 커버리스 스테가노그래피 방법의 접근 제어 한계를 해결하기 위해, 무작위 기저 메커니즘과 잠재 벡터 융합 모듈을 도입하여 사용자별 접근 제어가 가능한 훈련 없는 확산 기반 다중 이미지 스테가노그래피 프레임워크 'MIDAS'를 제안합니다.

핵심

1. 기존 방식의 문제점: "수정된 그림의 함정"

예전에는 비밀을 숨길 때, 이미 있는 자연스러운 그림 (예: 해변 풍경) 을 가져와서 픽셀을 살짝 변형하거나 비트를 바꾸는 방식을 썼습니다.

• 비유: 마치 완벽하게 다져진 모래사장 위에 발자국을 남기는 것과 같습니다.
• 문제: 발자국 (변형된 부분) 이 너무 뚜렷하면, 감시자 (해커나 스테가노그래피 분석가) 가 "여기에 누군가 무언가를 숨겼구나!"라고 바로 알아챕니다. 또한, 여러 장의 비밀 그림을 숨길 때 이 발자국들이 겹치면 그림이 깨져서 보기 싫어집니다.

2. MIDAS 의 핵심 아이디어: "새로운 그림을 그리는 마법"

MIDAS 는 기존 그림을 건드리지 않습니다. 대신, 비밀 내용을 바탕으로 아예 새로운 그림을 처음부터 그려냅니다.

• 비유: 모래사장에 발자국을 남기는 대신, 비밀 내용을 재료로 삼아 완전히 새로운 모래성 (그림) 을 처음부터 쌓아 올리는 것입니다.
• 장점: 처음부터 새로 지은 집이니까, 감시자가 "원래 있던 집과 달라서 변조된 거야!"라고 의심할 수 없습니다. (이를 'Coverless', 즉 덮개 없는 방식이라고 합니다.)

3. 핵심 기능 1: "접시 뒤의 비밀" (다중 이미지 숨기기)

한 번에 여러 명의 비밀 메시지를 한 장의 그림에 담고 싶다면 어떻게 할까요?

• 기존 방식의 실패: 여러 개의 비밀 그림을 단순히 잘라 붙이면, 그림이 조각조각 나고 경계선이 뻔히 보입니다. (비유: 여러 개의 다른 파우치를 억지로 한 개의 가방에 넣으려다 찢어지는 것)
• MIDAS 의 해결책: **랜덤 베이스 (Random Basis)**라는 기술을 씁니다.
  • 비유: 여러 개의 비밀 메시지를 섞어놓은 원료로 생각합니다. MIDAS 는 이 원료들을 완전히 뒤섞어서 (Shuffle) 새로운 그림을 그립니다. 그래서 그림을 봐서는 어떤 비밀이 어디에 숨겨져 있는지 전혀 알 수 없습니다.

4. 핵심 기능 2: "열쇠가 있는 자만 보는 보물" (접근 제어)

여러 명의 비밀을 한 장에 숨겼을 때, A 는 A 의 비밀만 보고 B 는 B 의 비밀만 봐야 합니다.

• 비유: 한 장의 그림 안에 여러 개의 잠긴 금고가 있다고 상상해 보세요.
  • A 의 열쇠 (개인 키): A 가 자신의 열쇠로 그림을 해독하면, A 의 금고만 열리고 A 의 비밀 그림이 선명하게 나옵니다.
  • B 의 열쇠: B 가 A 의 열쇠를 가지고 그림을 해독하려 하면, 금고는 열리지 않고 **아무 의미 없는 노이즈 (잡음)**만 보입니다. 마치 TV 채널을 잘못 맞췄을 때 나오는 눈송이 화면과 같습니다.
• 중요한 점: 이 기술은 별도의 학습 (Training) 이 필요 없습니다. 이미 세상에 있는 '마법 지팡이 (사전 학습된 AI 모델)'만 있으면 바로 쓸 수 있습니다.

5. 왜 이것이 혁신적인가요?

1. 학습 불필요: 무거운 컴퓨터로 AI 를 다시 가르칠 필요가 없습니다. 누구나 바로 쓸 수 있습니다.
2. 보안성: 원본 그림을 건드리지 않아서 해커가 "이게 변조된 거야!"라고 찾는 게 매우 어렵습니다.
3. 화질: 여러 비밀을 섞어도 그림이 깨지지 않고 자연스럽습니다.
4. 접근 제어: 내 열쇠가 없으면, 비밀이 숨겨진 그림을 봐도 아무것도 볼 수 없습니다.

요약

MIDAS는 **"여러 개의 비밀 편지를 한 장의 엽서로 만들어 보내되, 받는 사람마다 그 엽서를 열면 자신만의 비밀 편지만 보이고, 다른 사람의 편지는 아무것도 안 보이는 마법 같은 기술"**입니다. 그리고 이 마법은 별도의 준비 없이도 바로 사용할 수 있습니다.

이 기술은 기밀 문서를 여러 부서에 나누어 보내거나, 민감한 정보를 안전하게 공유해야 하는 상황에서 큰 역할을 할 것으로 기대됩니다.

기술 요약

1. 연구 배경 및 문제 정의 (Problem)

• 배경: 이미지 스테가노그래피는 비밀 정보를 시각적으로 자연스러운 이미지 (커버 이미지) 에 숨기는 기술입니다. 최근 생성형 AI 를 활용한 커버리스 스테가노그래피 (CIS, Coverless Image Steganography) 가 주목받고 있는데, 이는 기존 이미지를 수정하지 않고 비밀 정보를 바탕으로 새로운 스테가 이미지를 생성하여 스테가노분석 (Steganalysis) 에 대한 내성을 높입니다.
• 기존 방법의 한계:
  1. 접근 제어 (Access Control) 부재: 기존 CIS 방법들은 주로 단일 이미지 숨김에 집중되어 있으며, 여러 사용자에게 서로 다른 비밀 내용을 선택적으로 공개하는 '접근 제어' 기능이 부족합니다.
  2. 다중 이미지 숨김의 어려움: 다중 이미지를 하나의 스테가 이미지에 숨기려 할 때, 단순 연결 (Concatenation) 방식은 시각적 결함 (아티팩트, 경계선) 을 유발하고, 생성된 이미지의 다양성이 낮아 보안성이 떨어집니다.
  3. 학습 기반 방법의 비효율성: 기존 접근 제어 기능이 있는 방법들은 대부분 모델 학습이 필요하거나, 비밀 이미지와 관련된 추가 정보 (사이드 정보) 를 전송해야 하는 등 실용성이 떨어집니다.
• 목표: 학습 (Training) 이 필요 없으며, 추가 정보 전송 없이도 다중 이미지를 숨기고 사용자별 접근 제어가 가능한 CIS 프레임워크 개발.

2. 제안 방법론: MIDAS (Methodology)

저자들은 MIDAS (Multi-Image Diffusion-based Access-controlled Steganography) 라는 새로운 프레임워크를 제안했습니다. 이는 사전 학습된 확산 모델 (Diffusion Model) 을 기반으로 하며, 학습 없이 작동합니다.

핵심 구성 요소 및 프로세스

1. 시스템 모델:

   • 송신자는 $N$ 개의 비밀 이미지 ($I_{sec}$) 와 $N$ 개의 개인 키 ($K_{priv}$) 를 가집니다.
   • 각 수신자는 자신의 개인 키를 사용하여 할당된 비밀 이미지만 복원할 수 있어야 합니다 (접근 제어).
   • 공개 자원 (공개 키 $K_{pub}$, 공개 프롬프트 $P_{pub}$) 은 송신자와 수신자가 공유하며, 공격자도 접근 가능하다고 가정합니다.

2. 은닉 단계 (Hiding Stage):

   • Forward Diffusion: 각 비밀 이미지를 노이즈 잠재 벡터 (Noisy Latent) 로 변환합니다.
   • 개인 키 암호화 (Private Key Encryption): 각 잠재 벡터를 해당 사용자의 개인 키로 암호화합니다.
     • Random Basis (랜덤 기저) 메커니즘: 기존 'Noise Flip' 방식보다 향상된 암호화 기법입니다. 입력 벡터의 일부 요소를 무작위 기저 행렬로 변환하여 잔여 구조 정보를 제거하고, 역변환 시에만 원래 정보가 복원되도록 합니다.
   • Latent Vector Fusion (잠재 벡터 융합): 암호화된 $N$ 개의 잠재 벡터를 연결합니다. 단순 연결 시 발생하는 시각적 경계 문제를 해결하기 위해, 공개 키를 기반으로 한 Random Basis 변환과 참조 이미지 (Reference Image, $I_{ref}$) 의 잠재 벡터를 혼합합니다.
     • 참조 이미지는 공개 키와 프롬프트로 결정론적으로 생성되므로 전송 불필요합니다.
     • 이 융합 과정을 통해 공간적 정보를 교란시켜 자연스러운 스테가 이미지를 생성합니다.
   • Reverse Diffusion: 융합된 잠재 벡터를 공개 프롬프트와 참조 이미지를 조건으로 역확산 과정을 거쳐 최종 스테가 이미지 ($I_{stego}$) 를 생성합니다.

3. 복원 단계 (Reconstruction Stage):

   • 수신자는 받은 스테가 이미지를 역확산 (Inversion) 하여 잠재 벡터를 추정합니다.
   • 접근 제어 검증: 수신자는 자신의 개인 키로 잠재 벡터의 각 세그먼트를 해독 시도합니다.
     • 정당한 사용자: 자신의 키로 암호화된 세그먼트만 정상적으로 복원되어 의미 있는 이미지로 변환됩니다.
     • 부정 사용자: 다른 사용자의 키로 해독 시도 시, 잠재 벡터가 무작위 노이즈처럼 변형되어 의미 없는 이미지 (잡음) 가 출력됩니다.
   • Backward Diffusion: 복원된 잠재 벡터를 통해 최종 비밀 이미지를 생성합니다.

3. 주요 기여 (Key Contributions)

1. 학습 없는 다중 이미지 접근 제어 CIS 프레임워크: 추가 학습 없이 사전 학습된 확산 모델을 활용하여, 비밀 이미지 관련 추가 정보 전송 없이 다중 이미지 숨김 및 접근 제어를 실현했습니다.
2. 새로운 메커니즘 도입:
   • Random Basis: 잔여 구조 정보를 중화시키고 암호화 효율을 높입니다.
   • Latent Vector Fusion: 연결된 잠재 벡터를 재구성하여 확산 과정에 적합하게 만들고, 시각적 아티팩트를 제거하여 이미지 품질과 다양성을 향상시킵니다.
3. 성능 입증: 기존 학습 없는 CIS 베이스라인 (CRoSS, DiffStega 등) 과 비교하여 접근 제어 기능, 이미지 품질, 다양성, 노이즈 내성, 스테가노분석 저항성 등 모든 측면에서 우수한 성능을 보임을 실험을 통해 입증했습니다.

4. 실험 결과 (Results)

• 이미지 품질 및 다양성:
  • 기존 방법 (CRoSS*, DiffStega*) 은 다중 이미지 숨김 시 시각적 단절 현상이 발생하거나 프롬프트와 불일치하는 경우가 많았습니다.
  • MIDAS는 높은 MANIQA 점수 (시각적 자연스러움) 와 낮은 비밀 이미지 유사도 (높은 다양성) 를 보여주어, 비밀 내용을 예측하기 어렵고 자연스러운 이미지를 생성합니다.
• 접근 제어 성능:
  • 정당한 키 ($K_{priv}$) 를 가진 사용자는 고품질로 비밀 이미지를 복원하는 반면 (높은 PSNR/SSIM), 잘못된 키를 가진 사용자는 의미 없는 이미지를 얻습니다 (낮은 PSNR/SSIM). 이는 정량적 지표로 명확히 확인되었습니다.
• 스테가노분석 저항성 (Anti-Steganalysis):
  • XuNet, SiaStegNet 등 최신 스테가노분석 모델에 대한 테스트에서, 수정 기반 방법 (IIS, AIS) 은 90% 이상의 탐지율을 보인 반면, MIDAS 는 약 20% 낮은 탐지율 (약 80% 미만) 을 기록하여 통계적으로 자연 생성 이미지와 유사함을 입증했습니다.
• 강건성 (Robustness):
  • 가우시안 노이즈 및 JPEG 압축과 같은 전송 중 손상이 발생해도 기존 방법들보다 우수한 복원 품질을 유지했습니다.

5. 의의 및 결론 (Significance)

• 실용성: 고비용의 모델 학습 없이도 즉시 배포 가능한 '학습 없는 (Training-Free)' 방식은 실제 보안이 중요한 환경 (군사, 외교, 기업 기밀 등) 에서 확장 가능한 솔루션을 제공합니다.
• 보안성 강화: 커버 이미지를 수정하지 않는 '커버리스' 방식과 강력한 접근 제어 기능을 결합하여, 스테가노분석 공격과 무단 접근에 대한 이중 방어 체계를 구축했습니다.
• 미래 전망: 다중 사용자 환경에서의 유연하고 안전한 데이터 공유를 가능하게 하며, 프라이버시 보호와 정보 은닉 기술의 실용성을 한 단계 끌어올렸습니다. 다만, 확산 모델의 추론 지연 시간을 줄이기 위한 샘플링 전략 최적화는 향후 과제로 남았습니다.

이 논문은 MIDAS를 통해 기존 CIS 기술의 한계를 극복하고, 다중 이미지 숨김과 세밀한 접근 제어를 동시에 달성하는 새로운 패러다임을 제시했다는 점에서 의의가 큽니다.