Thesis

906 views

Published on

Published in: Technology
0 Comments
0 Likes
Statistics
Notes
  • Be the first to comment

  • Be the first to like this

No Downloads
Views
Total views
906
On SlideShare
0
From Embeds
0
Number of Embeds
14
Actions
Shares
0
Downloads
0
Comments
0
Likes
0
Embeds 0
No embeds

No notes for slide
  • Muchas gracias por su atencion. Espero q les haya gustado.
  • Thesis

    1. 1. JUBSAC (Java Universal Blind StegAnalyzer Creator)PROYECTO FIN DE CARRERA Autor:Escuela Politécnica Superior Javier García-Cuerva VelascoIngeniería en Informática Tutor: Jorge Blasco Alís
    2. 2.  Introducción  Conceptos básicos  Objetivos  Estado del arte JUBSAC  Marco único  Componentes  Vídeos Experimentación Conclusiones y líneas futuras 2
    3. 3.  Introducción  Conceptos básicos  Objetivos  Estado del arte JUBSAC  Marco único  Componentes  Vídeos Experimentación Conclusiones y líneas futuras 3
    4. 4.  Esteganografía: Disciplina que estudia técnicas que permiten ocultar o camuflar datos dentro de otros, llamados portadores, de modo que no se perciba su existencia. Portadores: imágenes, audio, video, etc. Estegoanálisis: Técnicas que se usan para detectar mensajes ocultos por la esteganografía 4
    5. 5. 5
    6. 6.  Estegoanálisis: detectar información oculta en imágenes Desarrollar un marco único general desde el estado del arte Implementarlo en una herramienta:  Capaz de crear estegoanalizadores (detección) de imágenes  De forma automática  Usando la Inteligencia Artificial  Permitiendo la experimentación 1. CREAR ESTEGOANALIZADORES 2. ANALIZADOR DE DE FORMA AUTOMÁTICA IMÁGENES (EXPERIMENTACIÓN) 6
    7. 7.  Inteligencia Artificial en el estegoanálisis:  Aproximaciones:  Pares de imágenes Image Quality Metrics ESTEGO IA ANALIZADOR Agrupación (clustering)  Sólo imagen sospechosa Medidas Estadísticas IA ESTEGO ANALIZADOR Agrupación y Clasificación JUBSAC: Implementación 2ª aproximación 7
    8. 8.  Problemas:  Procesos ad hoc  Procesos no reproducibles  Procesos no automáticos  Procesos demasiado complejos  Entornos ideales (pares de imágenes)  Poca capacidad de generalización  Resultados insuficientes 8
    9. 9.  Introducción  Conceptos básicos  Objetivos  Estado del arte JUBSAC  Marco único  Componentes  Vídeos Experimentación Conclusiones y líneas futuras 9
    10. 10.  Implementación de un marco único: MARCO Obtención de Imágenes ImplementaciónHerramientas Esteganográficas Extracción de medidas Creación de Instancias  2 Funcionalidades: Entrenamiento IA 1. Creación de analiz. steg. Imag. Test IA 2. Analizar Imágenes  Windows  Java  GUI 10
    11. 11. 1: Creación de Estegoanalizadores Generación Herramientas Extracción de Entrenamiento yde Conjuntos Esteganográficas Medidas Test 2: Estegoanálisis de Imágenes Estegoanalizador de Imágenes 11
    12. 12. 12
    13. 13. Generación Herramientas Extracción de Entrenamiento yde Conjuntos Esteganográficas Medidas Test 13
    14. 14. Disco Duro Seleccionar Imágenes Imágenes del Disco Duro deshacer XML filtrado recursiva Añadir Guardar el Imágenes al Nuevo Nuevo Conjunto Conjunto FORMATOS IMÁGENES: BMP, JPG o JPEG, GIF Y PNG 14
    15. 15. Configuración EjecuciónXML Herramientas (Parelelizable) XML Imág. BMP, JPG, GIF, PNG PNG OpenStego BMP BMP Hide4PGP GIF GIF GifShuffle BMP, GIF, JPG JPG F5 BMP, JPG BMP, JPG Steghide BMP BMP Blindside BMP, JPG, GIF, PNG PNG Vecna 15
    16. 16. Selección de MedidasXML 98 Medidas de la Fichero Aleatoriedad Marcado del Instancias Conjunto Extracción (ARFF) como de 70 Medidas contenedor Estadísticas Medidas de Información Oculta o No. 23 MedidasXML Estegoanalíticas 5 Medidas de Características de la Imagen WEKA: Waikato Environment for Knowledge Analysis 16
    17. 17. Disco Duro Seleccionar Ficheros Ficheros ARFF del Instancias Disco Duro (ARFF) Normalizar Aleatorizar XML Selección de Guardar el Atributos Nuevo Experimento Selección de Clasificadores % División Validación Cruzada 17
    18. 18. XML Ejecución Resultados Experimento (Train) Modelos Paralelizable 18
    19. 19. Modelos Seleccionar Ejecución Resultados Fichero Modelo Modelo y (Test) ARFF Predicciones Fichero NormalizarInstancias (ARFF) 19
    20. 20. Estegoanalizador de Imágenes 20
    21. 21. MEJOR RESULTADO EXPERIMENTACIÓNDisco Duro Imágenes Ejecución Listado Buscar Estegoanalizador Imágenes Imágenes Sospechosas del Disco Duro recursiva 21
    22. 22.  Introducción  Conceptos básicos  Objetivos  Estado del arte JUBSAC  Marco único  Componentes  Vídeos Experimentación Conclusiones y líneas futuras 22
    23. 23. ANALIZADOR DE IMÁGENES 2000 Imágenes JPG (sin información oculta): 70% Train y 30% Test Ocultación con Vecna Extracción de medidas  Aleatorias  Estadísticas  Estegoanalíticas  Todas Entrenamiento del 70%:  12 Clasificadores Evaluación del 30% 23
    24. 24. Medidas Aleatorias INSTANCIAS INSTANCIAS ERROR TIEMPO MEDIA FALSOS CLASIFICADOR % ACIERTOS CORRECTAMENTE INCORRECTAMENTE ABSOLUTO EJECUCIÓN POSITIVOS CLASIFICADAS CLASIFICADAS MEDIO NaiveBayes 2s 100% 1200 0 0 0 Logistic 2s 100% 1200 0 0 0MultilayerPerceptron 3s 100% 1200 0 0.0004 0 RBFNetwork 2s 100% 1200 0 0 0 SMO 2s 100% 1200 0 0 0 VotedPerceptron 2s 100% 1200 0 0 0 IB1 30s 100% 1200 0 0 0 IBk 17s 100% 1200 0 0.0005 0 KStar 19m,52s 100% 1200 0 0 0 LWL 6m,56s 99.9167% 1199 1 0.0008 0.001 J48 2s 100% 1200 0 0 0 REPTree 2s 100% 1200 0 0 0 100% de aciertos, para Vecna 24
    25. 25.  Introducción  Conceptos básicos  Objetivos  Estado del arte JUBSAC  Marco único  Componentes  Vídeos Experimentación Conclusiones y líneas futuras 25
    26. 26.  Marco único Investigación Crear nuevos estegoanalizadores Medir robustez herram. esteganográficas Analizar imágenes Vecna atacado con éxito por 1ª vez Interfaz amigable Ampliable 26
    27. 27.  Traducción al inglés Experimentos mayores (≈40000 imágenes ) Publicación (licencia) Nuevas medidas Nuevas herram. esteganográficas Nuevos clasificadores Nuevos formatos Nuevos sistemas operativos Paralelización de todas las tareas 27
    28. 28. 28
    29. 29. 29

    ×