近日，实验室学术论文“Towards blind detection of steganography in low‐bit‐rate speech streams”在国际学术期刊International Journal of Intelligent Systems正式发表。该论文研究工作由实验室田晖教授团队与华沙工业大学Wojciech Mazurczyk教授、台湾逢甲大学张真诚教授合作完成。论文第一作者为实验室2018级研究生孙聪聪同学，田晖教授为论文通信作者。International Journal of Intelligent Systems是人工智能领域知名期刊，CCF推荐C类期刊，最新影响因子为8.993。

图1. 论文首页

为防止因低速率语音隐写技术的滥用而对网络空间安全构成威胁，相对应的隐写分析技术一直受到了研究人员们的广泛关注。然而，现有的大多数隐写分析方法都假设隐写方法是事先已知的，而该条件在应用实践中往往很难满足。为此，本文提出了三种适用于低比特率语音流隐写的盲检测方案。第一种是基于混合样本的数据增强方案，即从每种隐写方法的样本集中随机选取一定比例的隐写样本，与原始载体样本组成训练集进行训练，以增强模型的鲁棒性。第二种方案依赖于决策融合，首先为每种隐写方法训练一个专用的分类模型，然后在检测阶段使用多数表决机制融合每个模型的输出以给出最终的检测结果。第三种方案根据语音样本的分布特点设计了基于自步集成的检测模型，其主要思想是通过多次迭代和欠采样过程充分训练多个基分类器，并将它们有机融合形成一个强大的集成分类器。在每次迭代中，与传统的集成分类器解决方案不同，对于由多种隐写方法组成的隐写集合的欠采样过程，更多地关注决策边界处的隐写样本，而不是随机选择隐写样本。利用最后一次迭代训练出的集成分类器给出的分类困难度对决策边界处的隐写样本进行搜索，这样信息量更大，更有利于提高基分类器的性能。实验结果表明，所提3种方案均能实现低码率语音隐写的高效盲检测，而基于自步集成的隐写分析方案性能最优，且该方案在隐写样本检测的召回率方面甚至优于针对特定隐写方法的专用检测器。

上述研究工作受到国家自然科学基金(No. 61972168)等项目的支持。

C. Sun, H. Tian*, W. Mazurczyk, C.-C. Chang, Y. Cai, Y. Chen. Towards blind detection of steganography in low-bit-rate speech streams. International Journal of Intelligent Systems, 2022, 1- 28, DOI:10.1002/int.23077