对抗环境下基于深度学习的JPEG图像取证与反取证研究

Image forensics is an important technique for analyzing the authenticity of image contents. It is of great important value to both academic research and application. However, the machine learning security in image forensics under adversarial environments is often neglected, and no effective solution is available. In this project, targeted for JPEG images and under adversarial conditions, we will study the theories and techniques for JPEG compression forensics and anti-forensics with emerging machine learning methods, especially the deep machine learning methods. In this project, we will study how to generate anti-forensic samples which can resist forensic detection and possess good transferability by using deep neural networks. In addition, under the assumed adversarial environments, we will study how to design deep-neural-network based forensic methods with high accuracy and good robustness, and establish game theoretical model to guide forensic practice. We will take the advantages of both deep-neural-network based methods and statistical-feature based methods in generating anti-forensic samples, and we will design randomization based deep neural network for forensics purpose. Through this project, we will establish a data-driven model for forensics and anti-forensics, and solve the problems of low transferability in existing anti-forensics methods and some security issues in machine learning based forensics methods. It is expected that the achievements through this project can provide theoretical foundations and new techniques to fulfill the new requirements of content security for digital media.

图像取证技术是分析图像内容真实性的重要手段，具有重要的学术研究及应用价值。然而，图像取证技术在对抗环境下的机器学习安全性问题常常被忽视，缺乏有效的防范手段。为此，本项目将以JPEG图像为研究对象，在具有对抗因素的条件下，应用以深度学习为代表的新型机器学习技术，研究适用于JPEG压缩取证及反取证对抗的理论和技术。研究内容包括：运用深度神经网络构造具有对抗能力及迁移能力的反取证样本，在此对抗环境中探索基于深度神经网络的具有高准确度和强鲁棒性的取证方法，并建立相应的对抗博弈理论模型用以指导取证实践。本项目将在构造反取证样本时将深度网络与统计特征两者优势互补融合，并在设计取证深度网络时加入具有随机因素的处理操作。通过本项目研究，建立基于数据驱动的取证与反取证模型，解决目前反取证方法迁移能力不足、取证机器学习方法安全性不强等问题。项目研究成果将为数字媒体内容安全的新需求提供理论依据和技术支撑。

本项目围绕对抗环境下取证与反取证之间的对抗为研究主线，以JPEG压缩取证问题作为切入点，在具有对抗因素的条件下，应用以深度学习为代表的新型机器学习技术，研究适用于JPEG压缩取证及反取证对抗的理论和技术。研究内容包括：一、基于深度学习的JPEG图像反取证方法设计与实现。分别利用对抗样本技术、强化学习技术、生成对抗网络技术，研究设计JPEG图像反取证方法，提高反取证样本的对抗检测能力。二、应用于JPEG图像取证的深度学习网络设计与优化。结合利用新型机器学习、深度学习技术、领域知识统计特征与深度特征互补，提升JPEG图像取证深度网络的分类精度、通用性与适用范围。三、建立应用博弈对抗理论的取证与反取证理论模型。利用对抗约束条件，构建具有对抗性能的取证深度网络数据驱动模型，加入随机扰动因素，建立能鲁棒防御对抗型反取证样本的取证深度卷积神经网络。本项目取得的成果包括在理论与方法方面，建立在深度学习及大数据环境下的取证与反取证对抗博弈理论模型，提出了基于深度学习的反取证方法以及相应的对抗环境下的取证方法；在关键技术方面：提出可用于JPEG 图像的对抗型反取证样本构造方法及生成型反取证样本构造方法。项目组团队在国内外重要期刊和学术会议发表论文28篇，其中SCI收录19篇，获会议最佳论文奖一篇，申请发明专利8项，申请软件著作权5件。通过本项目研究，建立基于数据驱动的取证与反取证模型。项目研究成果将为数字媒体内容安全的新需求提供理论依据和技术支撑。