On the Possible Detectability of Image-in-Image Steganography

이 논문은 독립 성분 분석과 웨이블릿 변환을 기반으로 한 8 차원 입력 벡터를 사용하여 이미지 내 이미지 스테가노그래피의 높은 검출 가능성 (최대 84.6% 정확도) 을 입증하고, 키 없는 추출 네트워크와 같은 기존 방법론을 통한 취약성을 규명합니다.

핵심

이 논문은 "이미지 속에 또 다른 이미지를 숨기는 기술 (이미지 인 이미지 스테가노그래피)"이 얼마나 쉽게 들통날 수 있는지를 분석한 연구입니다.

쉽게 말해, **"보이지 않는 그림을 그리는 기술이 정말 안전할까?"**를 검증한 보고서입니다. 연구진은 이 기술이 생각보다 매우 허술하며, 우리가 만든 간단한 도구로도 99% 가까이 찾아낼 수 있다고 결론 내렸습니다.

이 복잡한 내용을 일상적인 비유로 풀어서 설명해 드릴게요.

---

1. 배경: "거울 속의 그림" 같은 기술

전통적인 스테가노그래피는 사진 속에 아주 작은 비밀 메시지 (예: '나를 도와줘'라는 글자) 를 숨기는 것이었습니다. 하지만 최근에는 한 장의 사진 안에 또 다른 사진 전체를 숨기는 기술이 등장했습니다.

• 비유: 마치 **투명한 유리창 (원본 사진)**에 **투명한 액체 (비밀 사진)**를 섞어서, 겉보기엔 유리창만 보이게 하지만, 특정 방법으로 액체를 짜내면 숨겨진 사진이 나타나는 기술입니다.
• 목표: 이 기술은 비밀 사진의 크기가 원본과 똑같을 정도로 엄청난 양의 정보를 숨길 수 있습니다.

2. 문제점: "혼합된 물"을 분석하다

연구진은 이 기술이 가진 치명적인 약점을 발견했습니다. 원본 사진과 비밀 사진을 섞을 때, 마치 두 가지 다른 색의 물감을 섞는 과정과 비슷하게 작동한다는 것입니다.

• 비유: 빨간 물감 (원본) 과 파란 물감 (비밀) 을 섞으면 보라색 (숨겨진 사진) 이 됩니다. 하지만 이 보라색을 자세히 보면, 단순히 섞인 게 아니라 특정한 패턴이 남습니다.
• 연구진의 발견: 이 기술은 '가역 신경망 (INN)'이라는 AI 를 사용하는데, 이 AI 가 두 이미지를 섞는 방식이 수학적으로 너무 예측 가능했습니다. 마치 혼합된 소리를 들어보면 원래 두 소리가 무엇인지 쉽게 추측할 수 있는 상황과 같습니다.

3. 해결책: "수학적인 현미경"으로 보기

연구진은 이 숨겨진 사진을 찾기 위해 세 가지 단계로 구성된 간단한 방법을 제안했습니다.

1. 주사위 굴리기 (DWT): 이미지를 여러 개의 작은 조각 (주파수 대역) 으로 잘게 쪼갭니다.
2. 불필요한 것 제거 (PCA): 원본 사진의 주요 구조는 이미 알고 있으니, 그중에서 가장 미세하고 이상한 변화만 골라냅니다. (비유: 큰 나무는 무시하고, 나뭇잎에 붙은 아주 작은 벌레만 찾는 것)
3. 원래 성분 분리 (ICA): 이 미세한 변화들을 분석하여, "이건 원본의 흔적이야, 저건 비밀 사진의 흔적이야"라고 분리해냅니다.

마지막으로, 이 분리된 성분들의 **통계적 특징 (평균, 퍼짐 정도 등)**을 숫자로 변환해 컴퓨터에게 "이건 가짜야 (비밀이 숨어있어)"라고 가르칩니다.

4. 실험 결과: "99% 의 확률로 들통남"

연구진은 이 방법을 실제로 적용해 보았습니다.

• 결과: 연구진이 만든 간단한 도구만으로도 80~85% 이상의 정확도로 비밀 사진을 숨긴 이미지를 찾아냈습니다.
• 더 놀라운 사실: 이미 널리 쓰이는 **기존의 강력한 탐지 도구 (SRM)**를 사용했을 때는 99% 이상의 정확도로 찾아냈습니다.
• 의미: 현재 이 기술로 숨겨진 사진은 도둑이 자물쇠를 걸지 않고 문만 살짝 닫아둔 상태와 같습니다. 감시 카메라 (탐지 도구) 가 지나가면 바로 들통납니다.

5. 결론 및 제언: "열쇠가 필요합니다"

이 논문은 현재 이 기술이 매우 취약하다고 경고합니다.

• 핵심 문제: 대부분의 이 기술은 비밀 키 (Password) 없이 작동합니다. 즉, 알고리즘만 알면 누구나 숨겨진 사진을 꺼낼 수 있습니다.
• 제안: 앞으로는 비밀 키를 도입하고, 숨기는 과정에서 얼마나 '의심스러운 흔적'이 남는지 계산하는 시스템을 만들어야 더 안전해질 것이라고 말합니다.

한 줄 요약

"이미지 속에 이미지를 숨기는 최신 기술은 수학적으로 너무 뻔한 흔적을 남기 때문에, 우리가 만든 간단한 도구로도 거의 100% 확률로 찾아낼 수 있습니다. 이제 진정한 '비밀 키'가 필요합니다."

기술 요약

1. 문제 정의 (Problem Statement)

• 배경: 최근 이미지 - 인 - 이미지 스테가노그래피 (Image-in-Image Steganography) 기법이 주목받고 있습니다. 이는 은닉 메시지 (Payload) 가 비트열이 아닌 동일한 크기의 이미지로, 커버 이미지 (Cover Image) 에 숨겨지는 방식입니다.
• 목표: 이러한 방식은 매우 높은 임베딩 비율 (Embedding Rate) 을 가지며, 심볼릭 정보 (Semantic Information) 를 전달하는 것을 목표로 합니다.
• 문제점: 기존 연구들은 주로 높은 용량과 복원 품질에 초점을 맞추었으나, 보안성 (Steganalysis 에 대한 저항성) 에 대한 철저한 분석이 부족했습니다. 특히, 키 (Secret Key) 없이 작동하는 가역 신경망 (INN) 기반 모델들이 많으며, 이러한 모델들이 통계적 탐지에 얼마나 취약한지 규명되지 않았습니다.
• 연구 목적: 이미지 - 인 - 이미지 스테가노그래피, 특히 가역 신경망 (INN) 기반 scheme 들의 탐지 가능성 (Detectability) 을 분석하고, 이를 탐지할 수 있는 새로운 스테가노리시스 (Steganalysis) 방법을 제안하는 것입니다.

2. 방법론 (Methodology)

저자들은 두 가지 주요 접근 방식을 통해 분석을 수행했습니다.

A. 혼합 과정 분석 (Mixing Process Analysis)

• 가정: INN 기반 스테가노그래피는 커버 이미지와 페이로드 이미지를 선형적으로 혼합하는 과정으로 볼 수 있습니다.
• 분석: 이산 웨이블릿 변환 (DWT) 을 적용하여 커버, 페이로드, 스테고 (Stego) 이미지의 주파수 대역 (LL, LH, HL, HH) 을 비교했습니다.
• 발견: 임베딩 변화는 무작위 노이즈가 아니라, 페이로드 이미지의 저주파 성분 (Low-frequency components) 과 높은 상관관계를 가지는 정보를 담고 있음을 확인했습니다. 이는 스테고 이미지가 페이로드의 정보를 명확히 포함하고 있음을 시사합니다.

B. 제안된 스테가노리시스 방법 (Proposed Steganalysis Method)

제안된 방법은 비지도 특징 추출 (Unsupervised Feature Extraction) 과 지도 분류 (Supervised Classification) 를 결합한 파이프라인입니다 (Fig. 1 참조).

1. 이산 웨이블릿 변환 (DWT): 입력 이미지를 4 개의 서브밴드 (LL, LH, HL, HH) 로 분해합니다.
2. 주성분 분석 (PCA): DWT 로 얻은 12 개의 서브밴드 (RGB 채널별 4 개) 에 대해 PCA 를 수행합니다.
   • 동기: PCA 의 주요 성분은 커버 이미지의 구조를, 미세한 성분 (Small components) 은 임베딩으로 인한 변경 (페이로드 정보) 을 포함할 가능성이 높습니다.
   • 선택: 실험을 통해 PCA 의 작은 성분들 (예: PC 9, PC 11) 만을 선택하여 ICA 에 입력합니다.
3. 독립 성분 분석 (ICA): 선택된 PCA 성분들에 대해 FastICA 알고리즘을 적용하여 두 개의 독립 성분 (Independent Components) 을 추출합니다.
   • 이는 혼합된 신호 (Cover + Payload) 를 통계적으로 분리하여, 각각이 커버와 페이로드의 의미론적 정보에 가까운 성분을 얻기 위함입니다.
4. 특징 추출 (Feature Extraction): 추출된 두 독립 성분 ($c_1, c_2$) 의 계수 분포에 대한 첫 4 개의 모멘트를 계산합니다.
   • 평균 ($\mu$), 표준편차 ($\sigma$), 왜도 ($\gamma$), 첨도 ($\kappa$)
   • 최종 특징 벡터: $[\mu_1, \mu_2, \sigma_1, \sigma_2, \gamma_1, \gamma_2, \kappa_1, \kappa_2]$ (8 차원)
5. 분류 (Classification): 추출된 8 차원 특징 벡터를 사용하여 SVM (서포트 벡터 머신, RBF 커널) 을 학습시켜 Cover/Stego 분류를 수행합니다.

3. 주요 기여 (Key Contributions)

1. 혼합 과정의 통계적 규명: INN 기반 스테가노그래피가 단순한 노이즈 추가가 아니라, 페이로드의 저주파 정보를 커버에 혼합하는 과정임을 DWT 상관관계 분석을 통해 증명했습니다.
2. 해석 가능한 스테가노리시스 방법 제안: 복잡한 딥러닝 모델 대신, ICA 와 PCA 를 결합하여 추출된 성분의 통계적 모멘트 (4 개) 만으로 높은 탐지 성능을 달성하는 간단하고 해석 가능한 (Interpretable) 방법을 제시했습니다.
3. 무키 (Keyless) 시스템의 취약성 지적: 대부분의 INN 기반 모델이 키 없이 작동하며, 이는 공격자가 알고리즘만 알면 은닉 내용을 추출하거나 탐지할 수 있음을 보여줍니다.
4. 기존 방법론과의 비교 검증: 제안된 방법뿐만 아니라, 기존 고전적인 스테가노리시스 방법 (SRM + SVM) 이도 이러한 이미지 - 인 - 이미지 스테가노그래피를 매우 높은 정확도로 탐지할 수 있음을 입증했습니다.

4. 실험 결과 (Experimental Results)

• 데이터셋: COCO 데이터셋을 기반으로 512x512 크기의 이미지 2,500 장을 사용하여 5 가지 모델 (HiNet, PRIS, DeepMIH, Baluja, Weng) 을 테스트했습니다.
• 제안된 방법 (ICA 기반) 의 성능:
  • HiNet: 80.31% 정확도
  • PRIS: 84.62% 정확도 (최고 성능)
  • DeepMIH: 82.58% 정확도
  • Baluja: 61.83% (픽셀 직접 처리 방식이라 상대적으로 낮음)
  • Weng: 74.96%
  • INN 기반 모델들은 높은 탐지 정확도를 보였습니다.
• 기존 방법 (SRM + SVM) 의 성능:
  • HiNet, PRIS, DeepMIH, Weng 모델에서 99% 이상의 정확도를 기록했습니다.
  • Baluja 모델도 80.06% 의 높은 정확도를 보였습니다.
  • 이는 이미지 - 인 - 이미지 스테가노그래피가 기존 스테가노리시스 기법에도 매우 취약함을 의미합니다.

5. 의의 및 결론 (Significance and Conclusion)

• 보안성 경고: 현재 널리 사용되는 이미지 - 인 - 이미지 스테가노그래피 (특히 INN 기반) 는 매우 높은 탐지 가능성을 가지며, 보안성이 과장되어 있을 수 있음을 경고합니다.
• 해석 가능성의 중요성: 복잡한 딥러닝 모델 없이도, 신호 처리 (DWT, PCA, ICA) 와 간단한 통계적 특징 (모멘트) 만으로도 강력한 탐지가 가능함을 보여주었습니다. 이는 스테가노그래피의 취약점을 이해하는 데 중요한 통찰을 제공합니다.
• 향후 과제: 더 안전한 스테가노그래피 시스템을 설계하기 위해서는 비밀 키 (Secret Key) 의 도입과, 탐지 가능성을 측정하는 손실 함수 (Loss measuring detectability) 의 통합이 필수적임을 강조했습니다.

이 논문은 고해상도 이미지 은닉 기술이 현재로서는 실용적인 보안성을 갖추지 못했음을 통계적 및 기계학습적 증거를 통해 명확히 입증한 중요한 연구입니다.