딥러닝과 암호화를 결합한 이미지 은닉 기술

초록

**
본 논문은 암호화와 심층 신경망을 동시에 활용해 한 이미지(비밀 이미지)를 동일하거나 더 큰 용량의 컨테이너 이미지에 은닉하는 새로운 스테가노그래피 방식을 제안한다. 간단한 대칭 암호화 후, 특수 설계된 컨볼루션 신경망(Encoder‑Decoder)으로 비밀 데이터를 비균일하게 퍼뜨려 탐지 회피성을 높이며, 복원 정확도와 시각적 품질을 동시에 확보한다.

**

상세 분석

**
이 연구는 기존 스테가노그래피가 암호화와 신경망을 각각 별도로 적용해 온 점을 비판하고, 세 요소를 통합함으로써 보안성과 효율성을 동시에 달성하려는 시도를 보인다. 먼저 비밀 이미지에 XOR 기반의 스트림 암호를 적용해 원본 데이터를 무작위화한다. 이 단계는 암호학적으로 강력하진 않지만, 이후 딥러닝 모델이 학습하는 데이터 분포를 크게 변형시켜 모델이 단순한 패턴을 학습하지 못하도록 만든다.

Encoder는 입력 컨테이너 이미지와 암호화된 비밀 이미지(채널 차원 확장)를 동시에 받아, 다중 스케일 컨볼루션 블록과 어텐션 메커니즘을 통해 비밀 정보를 이미지 전역에 고르게 퍼뜨린다. 특히, 비밀 데이터를 고정된 위치가 아닌, 학습된 마스크와 가중치에 따라 비균일하게 삽입함으로써 통계적 탐지 기법(예: LSB 분석, 차분 히스토그램)으로는 이상 징후를 포착하기 어렵게 만든다.

Decoder는 은닉된 이미지에서 동일한 네트워크 구조를 역전시켜 비밀 데이터를 복원한다. 복원 손실은 픽셀‑레벨 L2 손실과 구조적 유사도(SSIM) 손실을 결합해 시각적 품질을 유지하면서도 암호화된 비밀 이미지와의 차이를 최소화한다. 또한, 정규화된 암호 해독 단계에서 동일한 스트림 키를 사용해 원본 비밀 이미지를 재생성한다.

실험에서는 다양한 해상도(256×256, 512×512)와 채널 수(RGB, RGBA)를 가진 이미지 집합을 사용해 PSNR·SSIM·BER(비트 오류율) 지표를 측정하였다. 결과는 기존 LSB 기반 방법 대비 PSNR이 평균 3~5dB 상승하고, BER은 10⁻⁴ 이하로 유지돼 실용적인 복원 정확도를 보여준다. 또한, 통계적 탐지 실험에서 제안 방식은 검출률이 20% 이하로 현저히 낮아 비균일 삽입이 보안성을 크게 향상시킴을 확인하였다.

한계점으로는 암호화 키 관리와 모델 학습에 필요한 대규모 데이터셋, 그리고 실시간 적용 시 연산량이 비교적 높다는 점을 들 수 있다. 향후 연구에서는 경량화된 변형 모델과 공개키 기반 암호화를 결합해 키 교환 문제를 해결하고, 비디오 스트림 등 연속적인 매체에 대한 확장성을 검토할 필요가 있다.

**