基于机器学习的AbS-LPC压缩语音隐写分析研究

In existing voice over IP communicaiton systems, the Analysis-by-Synthesis Linear Predictive Coding (AbS-LPC) method is widely used for speech compression coding, which makes AbS-LPC compressed speech stream an extremely threatened carrier for information hiding. Because they hide the secret bits in the compressed-domain, the additonal distortion of speech introduced by the information hiding methods based on AbS-LPC compressed speech is very minimal. Therefore, it is very difficult to acquire the feature that can be used for distinguishing whether informaition hiding exists in AbS-LPC compressed speech. How to detect this kind of information hiding effectively becomes a challenging problem. This proposal aims to solve this problem through studying on steganalysis of three kinds of typical information hiding methods of AbS-LPC compressed speech, under the machine learning framework. Firstly, this proposal will investigate the detection method of multi-vector association MEQIM stegangraphy, according to the speech generation theory and the phoneme distribution characteristics of Phonetics. Secondly, starting from the co-occurrence properties of pitches of adjacent frames covered by voiced phonemes, this proposal will explore the steganalysis algorithm for pitch-period-modulation steganography. Thirdly, based on our previous discovery that the AbS-LPC can not remove the local correlation of speech noise, this proposal will develop a more generic steganalysis algorithm for coding-element LSB replacement information hiding methods. Finally, if above goals are achieved, this proposal will also design and develop an integrated steganalysis platform for informaitoin hiding in AbS-LPC compressed speech.

现有的IP网络语音通信系统，多采用按合成分析-线性预测编码（AbS-LPC）方法对语音进行压缩编码，这就在网络中产生了大容量且具有瞬态性的AbS-LPC压缩语音码流--极具威胁性的信息隐藏载体。AbS-LPC码流中的信息隐藏是在压缩域进行的，对压缩语音引入的附加失真极小，因此很难获得辨识是否隐写的特征，隐写检测难度极大。为解决这一问题，本课题拟基于机器学习框架对AbS-LPC码流中的三类典型信息隐藏方法展开研究：（1）拟基于语音产生模型及语音学中的音素分布特性，探索多矢量联合MEQIM信息隐藏的检测方法；（2）拟从浊音音素所覆盖的相邻语音帧基音的共生特性出发，探索基音周期调制信息隐藏的检测方法；（3）拟基于AbS-LPC压缩编码无法去除语音信号噪声的局部相关性这一发现，研制一种较具普适性的码元LSB替换隐写检测算法。在此基础上，设计并开发一个AbS-LPC压缩语音信息隐藏综合检测平台。

近年来，随着IP网络语音通信技术（VoIP）的高速发展，以VoIP通信中的语音码流作为载体的信息隐藏及其检测技术日益受到重视，成为信息隐藏领域新的研究热点。现有的VoIP网络语音通信系统，多采用按合成分析-线性预测编码（AbS-LPC）方法对语音进行压缩编码，这就在网络中产生了大容量且具有瞬态性的AbS-LPC压缩语音码流——极具威胁性的信息隐藏载体。AbS-LPC码流中的信息隐藏是在压缩域进行的，对压缩语音引入的附加失真极小，因此很难获得辨识是否隐写的特征，隐写检测难度极大。为解决这一问题，本课题对AbS-LPC码流中的三类典型信息隐藏方法：量化索引调制（QIM）、基音周期调制以及码元LSB替换的检测方法进行了研究。在量化索引调制信息隐藏检测方面，我们发现QIM隐写将改变相邻语音帧LPC滤波器系数分裂矢量量化码字的关联特性；据此，我们构建了量化码字关联网络提取了对隐写敏感的特征向量，结合监督机器学习算法构建了隐写检测器，实验表明本文所提出算法能够对低速率语音编码器中的多种类型（包括多矢量联合）QIM隐写实现有效检测，检测准确率接近100%。在基音周期调制信息隐藏检测方面，我们发现该种信息隐藏算法会导致压缩语音码流中相邻帧基音延迟的取值发生改变，从而导致相邻帧基音延迟取值的共生特征被破坏，我们利用这种共生特征设计隐写检测算法，取得了良好的检测效果：仅需得到2秒时长的压缩语音片段即可获得96%以上的检测准确率。在码元LSB替换信息隐藏检测方面，我们受概率图建模方法的启发，通过将语音帧内的每个码元视为随机变量其取值视为状态将压缩语音流建模为贝叶斯网络，然后通过贝叶斯推理实现了隐写检测，在不同数据集和不同语音时长条件下的多组实验结果显示，我们提出的方法与现有方法相比检测准确率平均提高10%以上。本课题比较系统地研究了AbS-LPC压缩语音流中的信息隐藏检测问题，针对不同类型的隐写算法提出了高效的隐写分析方法。基于课题研究形成了一系列知识成果，发表了10篇论文（其中8篇被SCI/EI检索），出版了1本专著并申请了1项发明专利。在丰富信息隐藏学科体系及国家网络信息安全防护应用方面均具有一定的价值。