스펙트럼 추정 기법을 활용한 디지털 포렌식 스테가노그래피 분석

초록

본 논문은 전통적인 스펙트럼 추정 방법(Periodogram, Blackman‑Tukey, Capon, Yule‑Walker, Modified Covariance)을 비교·평가하고, 이를 이용해 음성 신호에 숨긴 정보를 복원하는 스테가노그래피 시연을 수행한다. 시뮬레이션 결과 Modified Covariance 방법이 가장 높은 해상도와 안정성을 보이며, 신호 특성(정현파 vs. 잡음, 데이터 길이, 모델 차수)에 따라 비모수·모수 기법의 장단점이 달라짐을 제시한다.

상세 분석

본 연구는 디지털 포렌식에서 스테가노그래피 탐지를 위한 신호 처리 도구로서 스펙트럼 추정 기법을 체계적으로 검토한다. 먼저 Periodogram은 가장 단순한 비모수 방법으로, 샘플 수 N에 비례해 분산이 크게 나타나며 인접 주파수 구분 능력이 제한적이다. Blackman‑Tukey는 윈도우 기반 평활화를 적용해 분산을 감소시키지만, 윈도우 길이 M이 증가하면 해상도가 저하되고 사이드 로브가 발생한다. 반면 Capon(최소 분산 무왜곡) 방법은 공분산 행렬의 역을 이용해 잡음 차단 효과가 뛰어나지만, 행렬이 정확히 추정되지 않을 경우 성능이 급격히 떨어진다. Yule‑Walker와 Modified Covariance는 모두 자기상관 기반의 모수 방법으로, 모델 차수(p) 선택에 따라 해상도와 잡음 저항성이 크게 변한다. 특히 Modified Covariance는 차수 p가 작아도 두 개의 근접 주파수를 정확히 분리하고, 신호가 비가우시안 잡음(예: 실제 음성)으로 오염된 경우에도 비교적 낮은 분산을 유지한다.

시뮬레이션은 세 가지 주요 시나리오로 구성된다. (a) 순수 AWGN 환경에서 두 개의 정현파(주파수 5 Hz와 25 Hz 등)를 합성하고, 차수와 주파수 간격을 변화시켜 각 추정기의 스펙트럼을 비교하였다. 결과는 Modified Covariance가 가장 정확히 피크를 복원하고, Capon이 그 뒤를 이었다는 점을 보여준다. (b) 원본 신호 대신 정확한 자기상관 함수 R을 제공했을 때, Blackman‑Tukey는 여전히 가장 성능이 낮으며, Yule‑Walker와 Capon이 높은 해상도를 제공한다. 차수를 두 배로 늘리면 Blackman‑Tukey는 리플이 증가하고, 다른 방법들은 큰 변화를 보이지 않는다. (c) 실제 음성 파일(sample.wav)을 잡음으로 사용해 정현파를 삽입한 경우, 비가우시안·상관 잡음으로 인해 모든 방법의 성능이 저하되지만 Modified Covariance는 여전히 피크를 식별한다. 차수를 증가시키면 Yule‑Walker가 점차 회복되지만, 충분히 큰 차수가 필요하다.

전반적으로 논문은 다음과 같은 인사이트를 제공한다. 첫째, 비모수 방법은 데이터 길이가 충분히 길고 신호가 결정적일 때 유리하지만, 잡음이 존재하거나 데이터가 짧을 경우 해상도가 급격히 떨어진다. 둘째, 모수 방법은 정확한 자기상관 행렬이 주어지면 뛰어난 주파수 분해능을 보이며, 특히 Modified Covariance는 차수에 민감하지 않아 실시간 포렌식 상황에 적합하다. 셋째, 윈도우 선택(Bartlett, Parzen 등)은 Blackman‑Tukey와 같은 비모수 방법의 스펙트럼 왜곡을 최소화하는 핵심 요소이며, 차수(p)와 데이터 길이(N)의 균형이 전체 성능을 좌우한다. 마지막으로, 스테가노그래피 탐지에서는 숨겨진 신호가 매우 약하거나 인접 주파수에 위치할 가능성이 높으므로, 높은 해상도와 낮은 분산을 동시에 제공하는 Modified Covariance가 실용적인 선택임을 강조한다.