Multi-User Multi-Key Image Steganography with Key Isolation

1. Problema Identificado

A esteganografia moderna baseada em aprendizado profundo (Deep Learning) evoluiu para redes unificadas que podem alternar entre tarefas de purificação de imagem e ocultação de segredos, dependendo de uma chave de ativação. O modelo PUSNet é um exemplo pioneiro dessa abordagem.

No entanto, o PUSNet original possui uma limitação crítica em cenários de multi-usuário:

• Falta de Isolamento de Chave: O modelo original suporta apenas um par de chaves (codificador/decodificador). Quando tentado estender diretamente para múltiplos pares de chaves, ocorre um fenômeno de entrelaçamento de características (feature entanglement).
• Decodificação Cruzada (Cross-Key Decoding): Em um sistema multi-chave, se um usuário tentar decodificar uma imagem esteganográfica usando uma chave que não corresponde à usada na codificação (uma chave "errada" ou "mismatched"), o sistema original ainda consegue recuperar parte da informação secreta. Isso viola a segurança fundamental, permitindo que usuários não autorizados acessem segredos de outros usuários.

2. Metodologia Proposta: PUSNet-MK

Os autores propõem o PUSNet-MK, uma extensão do PUSNet projetada especificamente para suportar múltiplos usuários com isolamento rigoroso de chaves, mantendo uma única espinha dorsal (backbone) compartilhada.

Arquitetura e Mecanismo

• Backbone Compartilhado: O modelo utiliza uma rede neural única com pesos compartilhados ($W \odot M$) que são otimizados para todas as tarefas (purificação, codificação e decodificação).
• Sub-redes Específicas por Chave: Para cada par de chaves $(k_e, k_r)$, são geradas sub-redes complementares ($W_e$ e $W_r$) que preenchem as regiões não compartilhadas da rede. Isso permite que cada usuário tenha sua própria configuração de codificação/decodificação sem alterar a estrutura base.
• Isolamento de Chave Desajustada (Mismatched-Key Isolation): O cerne da inovação é a introdução de uma função de perda de isolamento (Loss Function) específica.

Função de Perda (Training Objective)

O treinamento do PUSNet-MK otimiza quatro componentes simultaneamente:

1. Perda de Esteganografia ($L_{emb}$): Garante que a imagem esteganográfica seja visualmente indistinguível da imagem de capa (cover).
2. Perda de Recuperação ($L_{rec}$): Garante que a chave correta recupere o segredo com alta fidelidade.
3. Perda de Purificação ($L_{pur}$): Mantém a capacidade de purificar imagens ruidosas (tarefa original do PUSNet).
4. Perda de Isolamento de Chave Desajustada ($L_{mki}$): Inovação Chave. Esta função força o modelo a gerar uma saída não informativa (semelhante à imagem de capa original) quando uma imagem esteganográfica é decodificada usando uma chave que não corresponde à usada na codificação.
   • Matematicamente, se a imagem $I_{stego}^i$ (codificada com chave $i$) for decodificada com chave $j$ ($i \neq j$), o resultado deve ser forçado a regressar para a imagem de capa $I_{cover}$, minimizando qualquer vazamento de informação.

3. Contribuições Principais

1. Extensão Multi-Chave Unificada: O primeiro framework a estender o PUSNet para suportar múltiplos pares de codificador-decodificador dentro de uma única espinha dorsal, permitindo escalabilidade para sistemas multi-usuário.
2. Mecanismo de Isolamento Explícito: Introdução de uma perda de treinamento que suprime ativamente a decodificação cruzada, garantindo que chaves erradas produzam apenas ruído ou a imagem original, e não o segredo.
3. Validação de Segurança e Escalabilidade: Demonstração experimental de que o modelo mantém a qualidade da imagem e a recuperação de segredos com a chave correta, enquanto elimina o vazamento de informações para chaves incorretas, mesmo com o aumento do número de usuários (chaves).

4. Resultados Experimentais

Os experimentos foram conduzidos nos conjuntos de dados DIV2K, COCO e ImageNet, comparando o PUSNet-MK com o PUSNet original e outros métodos (HiDDeN, Baluja, UDH, HiNet).

• Imperceptibilidade (Qualidade da Imagem): O PUSNet-MK mantém alta qualidade visual (PSNR e SSIM elevados), embora ligeiramente inferior ao PUSNet original (que não tem restrições de isolamento), mas ainda competitivo com os melhores métodos atuais.
• Recuperação de Segredos (Chave Correta): O modelo alcança alta fidelidade na recuperação do segredo quando a chave correta é usada, superando ou equiparando-se aos baselines.
• Segurança (Decodificação Cruzada):
  • PUSNet Original: Ao usar uma chave errada, ainda recupera estruturas visíveis do segredo (alta correlação).
  • PUSNet-MK: Ao usar uma chave errada, o resultado é uma imagem não informativa (semelhante à capa ou ruído aleatório).
  • Métricas: A Tabela 1 mostra uma queda drástica nos valores de PSNR/SSIM para decodificação cruzada no PUSNet-MK (ex: PSNR cai de ~29 para ~8.5), indicando que nenhuma informação útil foi vazada.
• Escalabilidade: Testes com 2, 3 e 4 chaves mostram que o isolamento permanece robusto independentemente do número de usuários ou da taxa de esparsidade ($\alpha$) da rede.

5. Significado e Conclusão

O trabalho resolve uma vulnerabilidade de segurança crítica em sistemas de esteganografia baseados em aprendizado profundo que visam ambientes multi-usuário. Ao demonstrar que o compartilhamento de uma espinha dorsal neural não precisa comprometer o isolamento de chaves, o PUSNet-MK estabelece um novo padrão para:

• Segurança em Comunicações Privadas: Garante que canais de comunicação de diferentes usuários permaneçam estritamente isolados.
• Eficiência Computacional: Permite que múltiplos usuários compartilhem o mesmo modelo pesado sem a necessidade de treinar e armazenar modelos separados para cada usuário.
• Viabilidade Prática: Torna a esteganografia profunda viável para aplicações reais onde múltiplos usuários precisam de canais seguros e independentes em uma infraestrutura compartilhada.

Em resumo, o PUSNet-MK transforma um modelo de esteganografia de "chave única" em um sistema multi-usuário seguro, eliminando o risco de vazamento de segredos entre usuários através de um mecanismo de isolamento de características supervisionado por perda.