软件学报

作者：陈君夫，付章杰，张卫明，程旭，孙星明

单位：陈君夫，南京信息工程大学 计算机与软件学院, 江苏 南京 21004411,付章杰，南京信息工程大学 计算机与软件学院, 江苏 南京 210044;鹏城实验室, 广东 深圳 51805502,张卫明，中国科学技术大学 信息科学技术学院, 安徽 合肥 23002603,程旭，南京信息工程大学 计算机与软件学院, 江苏 南京 21004404,孙星明，南京信息工程大学 计算机与软件学院, 江苏 南京 21004405

关键词：隐写术;隐写分析;卷积神经网络;深度学习;对抗样本

基金：国家重点研发计划（2018YFB1003205）；国家自然科学基金（U1836110，U1836208，61802058，61911530397）

隐写术及隐写分析是信息安全领域研究热点之一.隐写术的滥用造成许多安全隐患，如非法分子利用隐写进行隐蔽通信完成恐怖袭击.传统隐写分析方法的设计需要大量先验知识，而基于深度学习的隐写分析方法利用网络强大的表征学习能力自主提取图像异常特征，大大减少了人为参与，取得了较好的研究效果.为了促进基于深度学习的隐写分析方法研究，对目前隐写分析领域的主要方法和突破性工作进行了分析与总结.首先，比较了传统隐写分析方法与基于深度学习的隐写分析方法的差异；然后根据训练方式的不同，将基于深度学习的隐写分析模型分为两类——半学习隐写分析模型与全学习隐写分析模型，详细介绍了基于深度学习的各类隐写分析网络结构与检测效果；其次，分析和总结了对抗样本对深度学习安全带来的挑战，并阐述了基于隐写分析的对抗样本检测方法；最后，总结了现有基于深度学习的隐写分析模型存在的优缺点，并探讨了基于深度学习的隐写分析模型的发展趋势.

来源：2021年第2期

《软件学报》期刊编辑部

查看软件学报杂志2021年第2期