Adaptive Fuzzy Logic-Based Steganographic Encryption Framework: A Comprehensive Experimental Evaluation

1. 문제 정의 (Problem Statement)

디지털 이미지 스테가노그래피 (정보 은닉) 는 페이로드 용량 (Payload Capacity), 시각적 충실도 (Visual Fidelity), 통계적 탐지 불가능성 (Statistical Undetectability) 사이의 정교한 균형이 요구됩니다.

• 기존 기술의 한계: 고정된 깊이의 최하위 비트 (LSB, Least Significant Bit) 치환 방식은 구현이 간단하고 용량이 높다는 장점이 있지만, 이미지 내의 모든 영역 (부드러운 영역, 질감이 있는 영역, 에지 영역) 을 동일하게 처리합니다.
• 문제점: 이는 시각적으로 민감한 부드러운 영역에 과도한 변형을 일으켜 왜곡을 증가시키고, 통계적 스테가노분석 (Steganalysis) 에 취약하게 만듭니다. 반면, 복잡한 영역에서는 더 많은 정보를 숨길 수 있음에도 불구하고 이를 활용하지 못합니다.
• 목표: 기존 LSB 방식의 단순함과 현대적인 적응형 (Adaptive) 방식의 보안성을 결합하여, 지역적 콘텐츠 특성에 따라 임베딩 깊이를 동적으로 조절하는 프레임워크를 제안하는 것입니다.

2. 제안된 방법론 (Methodology)

제안된 프레임워크는 **Mamdani 타입 퍼지 추론 시스템 (Fuzzy Inference System)**과 현대적 인증 암호화를 결합한 적응형 구조입니다.

A. LSB 불변 특징 추출 (LSB-Invariant Feature Extraction)

• 동기화 문제 해결: 인코더와 디코더가 동일한 적응형 맵을 생성하도록 하기 위해, 임베딩 전/후의 LSB 변경에 영향을 받지 않는 특징을 추출합니다.
• 방식: 이미지에서 하위 3 비트를 제거한 후 ($I_{strip} = I \land 0xF8$), 이를 기반으로 회색조 변환, 로컬 엔트로피, 에지 강도를 계산합니다. 이를 통해 임베딩 과정에서 발생하는 미세한 LSB 변형이 특징 맵 계산에 영향을 주지 않도록 합니다.

B. 퍼지 추론 시스템 (Fuzzy Inference System)

• 입력 변수 (3 가지):
  1. 엔트로피 (Entropy): 지역적 복잡도 (Low, Medium, High).
  2. 에지 강도 (Edge Magnitude): 에지 존재 여부 (Low, Medium, High).
  3. 페이로드 압력 (Payload Pressure): 숨겨야 할 데이터의 양적 요구 (Low, Medium, High).
• 출력 변수: 임베딩 깊이 (1~3 비트).
• 규칙 기반: 총 27 개의 퍼지 규칙 (3x3x3) 을 사용하여, 고엔트로피/고에지 영역에는 깊은 임베딩 (3 비트) 을, 부드러운 영역에는 얕은 임베딩 (1 비트) 을 할당하는 논리를 적용합니다.
• 역퍼지화: Centroid 방법을 사용하여 최종 픽셀별 임베딩 깊이 (1, 2, 또는 3 비트) 를 결정합니다.

C. 암호화 계층 (Cryptographic Layer)

• 스테가노그래피는 은닉 수단일 뿐, 암호화는 별도의 계층에서 수행됩니다.
• 키 도출: Argon2id 를 사용하여 패스워드에서 키를 생성합니다.
• 암호화: AES-256-GCM 을 사용하여 기밀성 (Confidentiality) 과 무결성 (Integrity) 을 보장합니다.
• 포맷: 소금 (Salt), 논스 (Nonce), 암호문, 인증 태그를 포함하는 구조로 임베딩됩니다.

3. 주요 기여 (Key Contributions)

1. 해석 가능한 적응형 프레임워크: 엔트로피, 에지 구조, 페이로드 압력을 기반으로 한 해석 가능한 (Interpretable) 27 개 규칙의 퍼지 로직을 사용하여 임베딩 깊이를 동적으로 할당합니다.
2. LSB 불변 동기화 전략: 임베딩 전 하위 비트를 제거하여 특징을 추출함으로써, 인코더와 디코더 간의 완벽한 동기화를 보장합니다.
3. 암호학적 분리: 스테가노그래피 은닉과 암호학적 보호 (Argon2id + AES-GCM) 를 명확히 분리하여, 은닉이 실패하더라도 페이로드의 기밀성을 유지합니다.
4. 포괄적 실험 평가: 1,000 개의 이미지, 5 가지 페이로드 수준, 다양한 통계적 검정 (t-test, Bonferroni 교정, 효과 크기 등), 제거 분석 (Ablation study) 을 통한 엄격한 검증.

4. 실험 결과 (Results)

1,000 개의 RGB 이미지 (256x256) 를 대상으로 고정된 LSB-1, LSB-2 와 비교 평가되었습니다.

• 이미지 품질 (Quality):
  • 적응형 방식은 모든 페이로드 수준에서 고정된 방식보다 훨씬 높은 PSNR 을 기록했습니다.
  • 예: 0.05 bpp 에서 PSNR 73.25 dB (LSB-1 대비 +2.8 dB, LSB-2 대비 +6.8 dB).
  • SSIM 또한 일관되게 높게 유지되어 구조적 유사성이 잘 보존됨을 확인했습니다.
• 탐지 성능 (Detectability):
  • Chi-square 공격: 모든 방식 (적응형 포함) 에서 100% 탐지율 (Saturated) 을 보였습니다. 이는 직접적인 LSB 치환 방식의 근본적인 한계를 시사합니다.
  • RS 분석: 고정된 LSB-2 대비 적응형 방식이 모든 페이로드에서 RS 탐지율을 낮추어, 일부 통계적 흔적을 줄였음을 확인했습니다.
• 통계적 유의성:
  • PSNR 향상과 RS 탐지율 감소는 통계적으로 매우 유의미 (p < 0.001) 하며, 효과 크기 (Cohen's d) 가 매우 컸습니다.
• 동기화 및 복원:
  • 모든 조건에서 100% 의 복원 성공률을 기록하여, 제안된 LSB 불변 특징 추출 전략이 동기화 문제를 성공적으로 해결했음을 입증했습니다.
• 계산 비용:
  • 적응형 방식은 특징 추출 및 퍼지 추론으로 인해 고정 방식 대비 약 1330% 의 오버헤드가 발생했습니다 (이미지당 약 0.25 초).

5. 의의 및 결론 (Significance & Conclusion)

• 품질 - 보안 트레이드오프 개선: 퍼지 로직 기반의 깊이 제어는 부드러운 영역을 보호하여 시각적 품질을 크게 향상시키고, RS 분석에 대한 탐지성을 고정 방식 대비 개선했습니다.
• 한계점: Chi-square 공격에 대한 완전한 방어는 불가능하며, 최신 딥러닝 기반 스테가노분석기나 손실 압축 (Lossy Compression) 에는 취약할 수 있습니다. 또한 계산 오버헤드가 상당합니다.
• 방법론적 가치: 이 연구는 복잡한 최적화 기반 방식 대신 해석 가능하고 수정 가능한 퍼지 로직이 적응형 스테가노그래피 제어 메커니즘으로서 유효함을 입증했습니다.
• 향후 과제: 실사 이미지 데이터셋 (BOSSbase 등) 평가, 심층 신경망 스테가노분석기 대응, ±1 임베딩 및 신드롬 트레리스 코드 통합, GPU 가속화 등이 제안되었습니다.

요약하자면, 이 논문은 단순한 LSB 치환의 단점을 퍼지 로직으로 보완하여 시각적 품질을 극대화하고 일부 통계적 탐지를 완화한 실용적인 프레임워크를 제시했으나, 현대적인 스테가노분석에 대한 완전한 무적 상태는 아님을 솔직하게 인정하고 있습니다.