Affine Encryption and Adaptive Single-Neighbor Prediction for High-Capacity Reversible Data Hiding in Encrypted Images

기술 요약: 암호화된 이미지 내 고용량 가역 데이터 은닉을 위한 아핀 암호화 및 적응형 단일 이웃 예측

문제 정의
가역 데이터 은딩 암호화 이미지(RDHEI)는 클라우드 서비스가 암호화된 이미지를 복호화하지 않고도 보조 데이터(예: 레이블, 인증 코드)를 삽입할 수 있게 하며, 권한이 있는 사용자가 나중에 데이터를 추출하고 원본 이미지를 완벽하게 복원할 수 있도록 한다. 암호화 후 빈 공간을 비우는 방식(Vacating Room After Encryption, VRAE)은 콘텐츠 소유자의 처리를 최소화하므로 클라우드 외주화에 적합하지만, 높은 삽입 용량을 달이는 것은 여전히 도전적인 과제이다.

저자들은 상관 관계를 보존하는 암호화를 사용하여 블록 내 픽셀 중복성을 유지함으로써 삽입을 수행하는 Chai 등의 최근 베이스라인 방식[16]에서 특정 약점을 식별하였다. 해당 베이스라인은 블록 내 모든 픽셀에 상수 오프셋을 더하는 블록 단위 암호화를 사용한다. 저자들은 이 접근 방식의 두 가지 결정적인 결함을 지적한다:

1. 통계적 누출: 동일한 상수가 블록 내 모든 픽셀에 더해지기 때문에 블록 분산이 변하지 않는다. 이로 인해 관찰자는 전역 엔트로피가 높더라도 분산을 기반으로 매끄러운 블록과 질감이 있는 블록을 구분할 수 있다.
2. 최적화되지 않은 예측: 베이스라인은 고정된 참조 위치와 3-이웃 평균을 사용하는 예측기를 사용한다. 이러한 휴리스틱은 모든 이미지 영역에 최적은 아니며, 이는 삽입 용량을 제한한다.

방법론
제안된 방법은 일반적인 VRAE 구조(블록 순열, 암호화, 예측, 그리고 고비트 평면 중복 코딩 또는 HBP-RMC)를 유지하면서, 식별된 약점들을 해결하기 위해 암호화 및 예측 단계를 재설계한다.

1. 상관 관계 보존 아핀 암호화 (Correlation-Preserving Affine Encryption):
   상수 오프셋을 더하는 대신, 콘텐츠 소유자는 $Z_B(i, j) = (X_B(i, j) + a_B i + b_B j + c_B) \mod 256$으로 정의되는 블록당 아핀 변조(경사 평면)를 적용한다.

• 키 위임: 변조 키 $K_m$은 기울기 키($K_s$)와 오프셋 키($K_c$)로 분할된다. 콘텐츠 소유자는 두 키를 모두 보유하지만, 데이터 은닉자(클라우드)에게는 $K_s$만을 위임한다.
• 준동형성: 이 암호화는 모듈러 쌍별 차이에 대해 준동형적이다. 상수 항 $c_B$는 두 픽셀 사이의 차이를 계산할 때 상쇄되며, 남은 오프셋 $\Delta r$은 기울기 파라미터($a_B, b_B$)와 좌표 차이에만 의존한다. 이를 통해 데이터 은닉자는 절대적인 픽셀 값을 알지 못해도 예측 잔차를 계산할 수 있다.
• 분산 스크램블링: 베이스라인과 달리, 이 방법은 블록 분산을 스크램블링하여 매끄러운 블록과 질감이 있는 블록 정보의 누출을 방지한다.
• 위치 맵 제거: 아핀 변조가 조건부 래핑 체크 없이 모든 블록에 균일하게 적용되므로, 베이스라인에서 필요했던 위치 맵($\Phi$)이 제거되어 부가 정보 오버헤드가 줄어든다.

2. 모듈러 단일 이웃 예측 (Modular Single-Neighbor Prediction):
   아핀 키스트림은 쌍별 차이 하에서만 상쇄되기 때문에, (상쇄를 방해하는 바닥 함수(floor function)에 의존하는) 베이스라인의 3-이웃 평균 예측기 대신 단일 이웃 예측기를 사용한다.

• 단일 이웃 예측기: 각 픽셀은 단일 참조 측 이웃으로부터 예측된다. 암호화 영역의 잔차는 $e(p) = \text{smod}_{256}(Z_B(p) - Z_B(q) - \Delta r(p, q))$로 계산된다.
• 잔차 보존: 준동형 특성 덕분에, 이 암호화된 잔차는 평문 영역의 잔차와 합동(congruent)이며, HBP-RMC를 위한 중복성을 보존한다.
• 적응형 참조 선택: 고정된 참조 위치를 사용하는 대신, 이 방법은 블록 내의 가능한 모든 참조 위치($k_1^2$ 위치)를 테스트하고, HBP-RMC 코딩 후 삽입 공간(균일한 비트 평면)을 최대화하는 위치를 선택한다. 이 선택 인덱스(4x4 블록의 경우 4비트)는 부가 정보로 저장된다.

3. 데이터 삽입 및 복구:
   데이터 은닉자는 기울기 키를 사용하여 잔차를 계산하고, HBP-RMC를 통해 공간을 비운 뒤 메시지를 삽입한다. 복구 과정은 참조 위치로부터 맨해튼 거리가 증가하는 순서대로 픽셀을 처리하여(예측하는 이웃이 이미 복구되었음을 보장하기 위함), 전체 키를 사용하여 복호화하는 과정을 포함한다.

주요 기여

• 위임된 기울기 키를 갖는 아핀 암호화: 상수 오프셋을 경사 평면으로 대체하여 쌍별 차이 하에서 키스트림이 상쇄되도록 하고, 블록 분산을 스크램블링하여 프라이버시를 강화하는 새로운 암호화 방식이다.
• 모듈러 단일 이웃 예측기: 평균이 아닌 쌍별 차이에 의ළ한 아핀 암호화에 맞춤화된 예측기로, 예측 오차 히스토그램이 평문 영역과 동일하도록 보장한다.
• 적응형 참조 선택: 특히 질감이 있는 이미지에서 삽입 용량을 최대화하기 위해 블록당 최적의 참조 위치를 동적으로 선택하는 메커니즘이다.
• 위치 맵 제거: 블록 건너뛰기 로직과 그에 따른 위치 맵을 제거하여 부가 데이터 오버헤드를 줄였다.

실험 결과
본 방법은 $4\times4$ 블록을 사용하여 표준(USC-SIPI) 및 일반 데이터셋(BOSSbase, BOWS2, UCID)의 8비트 그레이스케일 이미지를 대상으로 평가되었다.

• 용량: 제안된 방법은 표준 이미지에서 1.48 bpp의 순 삽입율을 달성하였으며(베이스라인 대비 약 16% 증가), 일반 데이터셋에서는 최대 2.01 bpp를 달성하였다(4–12% 증가).
• 보안성:
  • 히스토그램: 제안된 암호화는 균일에 가까운 히스토그램(카이제곱 값 240–280)을 생성한 반면, 베이스라인은 불균일한 상태(6,800–49,600)를 유지했다.
  • 분산: 베이스라인의 블록 분산은 매끄러운 블록과 질감이 있는 블록을 완벽하게 구분했으나, 제안된 방법은 이 구분 가능성을 거의 우연 수준으로 낮추었다.
  • 엔트로피: 두 방식 모두 높은 전역 엔트로피(~8 bits)를 달성했지만, 제안된 방법은 베이스라인에 비해 블록 간의 국소 엔트로피 변화를 크게 줄였다.
• 가역성: 본 방식은 완전한 가역성이 검증되어, 원본 이미지를 완벽하게 복원하고 숨겨진 메시지를 추출할 수 있음을 확인하였다.

의의
본 논문은 아핀 암호화와 모듈러 단일 이웃 예측기를 통합함으로써, RDHEI에서 높은 삽입 용량과 프라이버시 보호 사이의 트레이드오프를 성공적으로 해결했다고 주장한다. 주요 의의는 기존의 상관 관계 보존 방식에 내재된 분산 기반 누출을 제거하고 위치 맵의 오버헤드를 없앰으로써, 순 삽입율을 높이는 동시에 암호화된 이미지가 허가되지 않은 관찰자에게 밑바탕이 되는 콘텐츠의 구조적 정보(매끄러운 영역 대 질감이 있는 영역)를 드러내지 않도록 보장하는 데 있다.