생성적 적대 신경망을 이용한 스테가노그래피 컨테이너 생성

**1. 서론** 최근 딥러닝 기반 생성 모델, 특히 Variational Autoencoders(VAE)와 Generative Adversarial Networks(GAN)의 급격한 발전은 이미지 생성, 도메인 적응, 반감독 학습 등 다양한 분야에 적용되고 있다. 특히 DCGAN은 제한된 구조적 제약 하에 고품질 이미지를 학습하는 데 성공했으며, 이는 이미지의 저차원 표현을 계층적으로 학습한다는 점에서 스테가노그래피와 같은 보안 응용에도 활용 가능성을 제시한다. 본 논문은 이러한 DCGAN을 스테가노그래피 컨테이너 생성에 적용해, 기존 이미지보다 스테가노 분석기에 대한 회피성을 높이는 새로운 모델을 제안한다. **2. 스테가노그래피와 스테가노분석** 스테가노그래피는 비밀 메시지를 커버(이미지, 오디오 등)에 숨기는 기술이며, LSB 매칭, ±1 임베딩, HUGO, WOW 등 다양한 알고리즘이 존재한다. 대부분의 임베딩은 픽셀 수준에서 작은 변화를 일으키지만, 이러한 변화를 통계적·학습 기반 탐지기(SRM, CNN 등)가 포착한다. 특히 딥 CNN 기반 스테가노 분석기는 이미지의 미세한 패턴까지 학습해 높은 탐지 정확도를 보인다. 따라서 스테가노그래피의 보안성을 높이기 위해서는 “컨테이너 자체가 탐지기에게 회피 가능한 특성을 가져야” 한다는 새로운 관점이 필요하다. **3. 문제 정의 및 목표** 전통적인 스테가노그래피는 고정된 커버 이미지에 메시지를 삽입한다. 이때 커버는 분석기에 대해 사전에 최적화되지 않으며, 분석기의 특성에 따라 탐지율이 크게 달라진다. 논문은 두 가지 목표를 제시한다. (1) 스테가노 분석기에 회피 가능한 이미지(컨테이너)를 자동 생성하는 모델 구축, (2) 생성된 이미지에 직접 메시지를 삽입하고 복원할 수 있는 새로운 스테가노 방법 제시. **4. 제안 모델: SGAN (Steganographic GAN)** SGAN은 기존 GAN 구조에 스테가노 분석기 A를 추가한 3‑플레이어 게임이다. - **Generator G**: 잡음 z∈Z를 받아 이미지 x̂=G(z) 생성. - **Discriminator D**: 실제 이미지와 G가 만든 이미지를 구분, 전통적인 GAN 손실 L_Dis. - **Steganalyzer A**: 임베딩된 이미지 S_m(x̂)와 임베딩되지 않은 이미지 x̂을 구분, 손실 L_San. 전체 손실은 L = α·L_Dis + (1−α)·L_San이며, α는 현실성 vs. 은닉 보안의 가중치를 조절한다. α가 1에 가까우면 D에 집중해 시각적 품질을, 0에 가까우면 A에 집중해 탐지 회피성을 강화한다. **5. 비미분 임베딩의 연속화** LSB 매칭·±1 임베딩은 픽셀값을 정수 단위로 튀겨 변환하므로 역전파가 불가능하다. 이를 해결하기 위해 저자는 임베딩 함수를 사인‑시그모이드 근사 s_β(z;m)=σ