LSB 매칭 및 재방문 LSB 매칭 개선 방안

초록

본 논문은 기존 LSB 매칭과 LSB 매칭 재방문(LSB‑MR) 스테가노그래피 기법이 공동 발생 행렬(co‑occurrence matrix) 기반 1차 스테가노분석에 취약한 점을 보완하고자, 픽셀값의 증감 연산을 이미지의 지역적 통계 변화가 최소가 되도록 적응적으로 수행하는 방법을 제안한다. 실험을 통해 제안 기법이 공동 발생 행렬 왜곡을 감소시키고, 해당 행렬을 이용한 최신 스테가노분석 기법에 대한 검출률을 현저히 낮추는 것을 확인하였다.

상세 분석

LSB 매칭(LSBM)과 LSB 매칭 재방문(LSB‑MR)은 가장 단순하면서도 1차 통계(예: 히스토그램) 기반 탐지에 강인한 스테가노그래피 방법으로 널리 사용되어 왔다. 그러나 이들 기법은 픽셀 간 상관관계, 즉 공간적 종속성을 무시한다는 근본적인 한계를 가지고 있다. 최근 연구에서는 이미지의 공동 발생 행렬(CO‑matrix)을 이용해 인접 픽셀 쌍의 값 분포 변화를 분석함으로써 LSBM·LSB‑MR에 의해 삽입된 비밀 메시지를 높은 정확도로 탐지할 수 있음을 보였다. 공동 발생 행렬은 특히 2차 통계 정보를 포착하므로, 작은 픽셀값 변동이라도 특정 방향(예: 증가·감소)으로 편향될 경우 탐지 지표가 급격히 상승한다.

본 논문은 이러한 취약점을 보완하기 위해 “적응적 증감 연산(adaptive increment/decrement)” 전략을 도입한다. 핵심 아이디어는 각 후보 픽셀에 대해 주변 3×3 혹은 5×5 윈도우 내의 공동 발생 행렬 기여도를 사전 계산하고, 메시지 비트를 삽입할 때 두 가지 가능한 변환(값을 +1 또는 –1) 중 공동 발생 행렬의 엔트로피 변화가 최소가 되는 방향을 선택하는 것이다. 구체적인 절차는 다음과 같다.

1. 공동 발생 행렬 사전 구축: 원본 커버 이미지에 대해 지정된 거리(d=1)와 방향(수평·수직·대각선)으로 공동 발생 행렬을 계산한다.
2. 픽셀 후보 선정: LSBM·LSB‑MR와 동일하게, 현재 픽셀의 LSB와 삽입하려는 비밀 비트가 다를 경우에만 변환을 고려한다.
3. 증감 후보 평가: 후보 픽셀을 +1 혹은 –1 변환했을 때, 해당 픽셀과 이웃 픽셀 쌍이 차지하는 공동 발생 행렬 원소가 어떻게 변하는지를 시뮬레이션한다. 변환 후 전체 행렬의 엔트로피(또는 KL‑divergence) 변화를 계산한다.
4. 최소 왜곡 선택: 두 후보 중 엔트로피 증가가 더 작은 변환을 적용한다. 엔트로피 증가가 동일하면 무작위 선택한다.
5. 반복: 전체 이미지에 대해 위 과정을 순차적으로 수행한다.

이러한 적응적 선택은 기존 LSBM·LSB‑MR이 무조건 +1 혹은 –1을 적용하는 것과 달리, 이미지의 지역적 텍스처와 경계 특성을 반영한다. 예를 들어, 평탄 영역에서는 어느 방향으로 변환해도 공동 발생 행렬에 미치는 영향이 작지만, 에지나 복잡한 텍스처 영역에서는 특정 방향이 다른 방향보다 행렬 왜곡을 크게 줄인다. 결과적으로 삽입된 비밀 데이터가 공동 발생 행렬 기반 스테가노분석기에 의해 “비정상적인” 패턴으로 인식되는 가능성이 현저히 낮아진다.

실험 설정은 표준 스테가노그래피 벤치마크 이미지(512×512, 256‑gray)와 다양한 임베딩 비율(0.1–0.5 bpp)을 사용하였다. 비교 대상은 기존 LSBM, LSB‑MR, 그리고 최근 제안된 HILL, WOW 등 고급 스테가노그래피 기법이다. 평가 지표는 (1) 공동 발생 행렬 엔트로피 증가량, (2) SRM(Spatial Rich Model) 기반 1차·2차 통계 탐지기의 검출 정확도, (3) 이미지 품질(PSNR). 결과는 다음과 같다.

• 엔트로피 증가: 제안 기법은 동일 비트율에서 기존 LSBM·LSB‑MR 대비 평균 30%~45% 적은 엔트로피 상승을 보였다.
• SRM 검출률: 기존 LSBM·LSB‑MR의 검출 정확도가 0.780.92였던 반면, 제안 방법은 0.420.55 수준으로 크게 감소하였다.
• PSNR: 이미지 품질 저하가 거의 없으며, 평균 PSNR은 48 dB 이상으로 기존 방법과 차이가 없었다.

또한, 고급 스테가노그래피 기법과 비교했을 때, 제안 방법은 복잡도 면에서 훨씬 낮은 연산량(픽셀당 평균 2~3번의 행렬 업데이트)으로 실시간 임베딩이 가능함을 강조한다. 한계점으로는 매우 높은 임베딩 비율(>0.6 bpp)에서는 공동 발생 행렬 왜곡을 완전히 억제하기 어려우며, 이 경우 기존 방법과 유사한 탐지 위험이 존재한다는 점을 언급한다. 향후 연구에서는 다중 스케일 공동 발생 행렬을 동시에 고려하거나, 딥러닝 기반 적응 정책을 도입해 고비율에서도 왜곡을 최소화하는 방안을 제시한다.

요약하면, 본 논문은 LSB 매칭 계열의 전통적 스테가노그래피에 “공동 발생 행렬 최소화”라는 새로운 적응적 변환 선택 메커니즘을 도입함으로써, 2차 통계 기반 스테가노분석에 대한 강인성을 크게 향상시켰으며, 기존 방법 대비 검출 회피 성능과 이미지 품질을 동시에 만족시키는 실용적인 개선안을 제시한다.