Steganography is the art of embedding a confidential message within a host message. Modern steganography is focused on widely used multimedia file formats, such as images, video files, and Internet protocols. Recently, cyber attackers have begun to include steganography (for communication purposes) in their arsenal of tools for evading detection. Steganalysis is the counter-steganography domain which aims at detecting the existence of steganography within a host file. The presence of steganography in files raises suspicion regarding the file itself, as well as its origin and receiver, and might be an indication of a sophisticated attack. The JPEG file format is one of the most popular image file formats and thus is an attractive and commonly used carrier for steganography embedding. State-of-the-art JPEG steganalysis methods, which are mainly based on neural networks, are limited in their ability to detect sophisticated steganography use cases. In this paper, we propose ASSAF, a novel deep neural network architecture composed of a convolutional denoising autoencoder and a Siamese neural network, specially designed to detect steganography in JPEG images. We focus on detecting the J-UNIWARD method, which is one of the most sophisticated adaptive steganography methods used today. We evaluated our novel architecture using the BOSSBase dataset, which contains 10,000 JPEG images, in eight different use cases which combine different JPEG’s quality factors and embedding rates (bpnzAC). Our results show that ASSAF can detect stenography with high accuracy rates, outperforming, in all eight use cases, the state-of-the-art steganalysis methods by 6% to 40%.

隐秘术是将机密消息嵌入主机消息中的技术。现代隐写术的重点是广泛使用的多媒体文件格式，例如图像，视频文件和Internet协议。最近，网络攻击者已开始将隐写术（出于通信目的）纳入其逃避检测工具的工具库。隐写分析是反隐写术领域，其目的是检测主机文件中隐写术的存在。文件中存在隐写术引起了人们对该文件本身及其来源和接收者的怀疑，这可能表明存在复杂的攻击。JPEG文件格式是最流行的图像文件格式之一，因此是隐写术嵌入的一种有吸引力且常用的载体。最新的JPEG隐写分析方法，它们主要基于神经网络，它们检测复杂的隐写术用例的能力有限。在本文中，我们提出了ASSAF，这是一种新颖的深度神经网络体系结构，由卷积去噪自动编码器和暹罗神经网络组成，专门设计用于检测JPEG图像中的隐写术。我们专注于检测J-UNIWARD方法，这是当今使用的最复杂的自适应隐写方法之一。我们使用BOSSBase数据集评估了我们的新颖架构，该数据集包含10,000张JPEG图像，并在八种不同的用例中结合了不同的JPEG的质量因数和嵌入率（bpnzAC）。我们的结果表明，ASSAF可以以较高的准确率检测速记，在所有八个用例中，其性能都比最新的隐写分析方法高出6％到40％。在检测复杂的隐写术用例的能力方面受到限制。在本文中，我们提出了ASSAF，这是一种新颖的深度神经网络体系结构，由卷积去噪自动编码器和暹罗神经网络组成，专门设计用于检测JPEG图像中的隐写术。我们专注于检测J-UNIWARD方法，这是当今使用的最复杂的自适应隐写方法。我们使用BOSSBase数据集评估了我们的新颖架构，该数据集包含10,000个JPEG图像，并在八种不同的用例中结合了不同的JPEG的质量因数和嵌入率（bpnzAC）。我们的结果表明，ASSAF可以以较高的准确率检测速记，在所有八个用例中，其性能都比最新的隐写分析方法高出6％到40％。在检测复杂的隐写术用例的能力方面受到限制。在本文中，我们提出了ASSAF，这是一种新颖的深度神经网络体系结构，由卷积去噪自动编码器和暹罗神经网络组成，专门设计用于检测JPEG图像中的隐写术。我们专注于检测J-UNIWARD方法，这是当今使用的最复杂的自适应隐写方法。我们使用BOSSBase数据集评估了我们的新颖架构，该数据集包含10,000张JPEG图像，并在八种不同的用例中结合了不同的JPEG的质量因数和嵌入率（bpnzAC）。我们的结果表明，ASSAF可以以较高的准确率检测速记，在所有八个用例中，其性能都比最新的隐写分析方法高出6％到40％。