Детальная информация

Целью данной работы является сравнение классификационных моделей машинного обучения для задачи выявления наличия в растровых изображениях скрытой информации. В данной работе представлен сравнительный анализ моделей машинного обучения для классификации растровых изображений на предмет наличия в них скрытых сообщений. В работе рассматриваются классические модели: метод k-ближайших соседей, дерево решений, метод опорных векторов, классификатор Байеса, логистическая регрессия, а также ансамблевые методы, такие как случайный лес, алгоритм адаптивного бустинга и алгоритм HistGradientBoosting. В исследовании используется несколько наборов данных, сформированных с помощью алгоритмов внедрения, таких как метода изменения наименьшего значащего бита, алгоритма Бенхама, а также алгоритмов обнаружения информации в изображениях: метода расчета относительного числа переходов в младших битах и метод вычисления матрицы смежности разности пикселей.  Для сравнения эффективности моделей приводятся оценка точности и оценка F1 классификации. Результаты данной работы могут быть применены для разработки программного модуля по выявлению наличия скрытой информации в растровых изображениях.

The purpose of this work is to compare classification models of machine learning for the task of detecting the presence of hidden information in bitmap images. This paper presents a comparative analysis of machine learning models for classifying bitmap images for the presence of hidden messages in them. The paper considers classical models: the k-nearest neighbors method, decision tree, support vector machine, Bayes classifier, logistic regression, as well as ensemble methods such as random forest, adaptive boosting algorithm and HistGradientBoosting algorithm. The study uses several data sets generated using implementation algorithms, such as the method of changing the smallest seed bit, the Benham algorithm, as well as algorithms for detecting information in images: a method for calculating the relative number of transitions in the lower bits and a method for calculating the subtractive pixel adjacency matrix.  To compare the effectiveness of the models, an accuracy score and an F1-score are given. The results of this work can be used to develop a software module for detecting the presence of hidden information in bitmap images.