디퓨전 기반 생성 스테가노그래피 보안 재고와 노이즈 공간 탐지기

초록

본 논문은 확산 모델을 이용한 생성형 스테가노그래피(DM‑GIS)의 보안 핵심이 노이즈 공간에 있음을 이론적으로 증명하고, 노이즈 분포 변형이 보안을 저해한다는 사실을 제시한다. 이를 기반으로 제안된 Noise Space‑based Diffusion Steganalyzer(NS‑DSer)는 이미지 도메인이 아니라 확산 모델의 노이즈 공간에서 스테가노그래피 여부를 효과적으로 판별한다. 다양한 실험 시나리오에서 기존 스테가노그래피 방법들의 보안이 크게 낮아짐을 확인하였다.

상세 분석

DM‑GIS는 기존 스테가노그래피와 달리 사전 커버 이미지를 사용하지 않고, 사전 학습된 확산 모델의 노이즈 공간에 비밀 메시지를 삽입한다는 점에서 독특하다. 논문은 먼저 현재 주요 DM‑GIS 방법들의 파이프라인을 정리하고, 이들이 초기 노이즈 x_T 또는 중간 단계 노이즈 x_t 에 비트‑투‑노이즈 매핑을 수행한다는 사실을 밝혀냈다. 이 매핑이 확산 모델이 본래 가정하는 표준 정규분포 N(0,σ²I) 와 얼마나 차이를 만드는지가 보안의 핵심 변수임을 이론적으로 증명하였다.

핵심 정리는 “KL‑다이버전스는 이미지 도메인과 노이즈 도메인 사이에서 보존된다”는 것이다. 즉, 정상적인 확산 모델이 생성한 이미지 분포 P_c와 스테가노 이미지 분포 P_s 사이의 KL‑다이버전스 D_KL(P_c‖P_s) 는 동일하게 노이즈 분포 Q_c와 Q_s 사이의 KL‑다이버전스와 일치한다. 따라서 비밀 메시지를 삽입하면서 노이즈 분포를 왜곡하면 D_KL 값이 증가하고, 이는 보안 정의(ε‑secure)에서 ε를 초과하게 만든다.

또한, 논문은 메시지 추출 정확도와 보안 사이의 트레이드‑오프를 제시한다. 매핑 파라미터 θ 를 조정해 추출 정확도를 높이면, 노이즈 포인트가 더 명확한 구역에 배치되면서 분포가 변형된다. 이때 D_KL(Q_c‖Q_s) 가 증가해 보안이 약화된다. 즉, 고정된 매핑을 사용하면 높은 추출 정확도와 완벽한 보안을 동시에 달성할 수 없으며, 설계 단계에서 이 균형을 고려해야 함을 의미한다.

이론적 기반을 바탕으로 제안된 NS‑DSer는 두 단계로 구성된다. 첫 번째 단계에서는 조건 없이 결정론적 ODE 샘플링을 이용해 입력 이미지로부터 원래의 노이즈 벡터를 복원한다. 두 번째 단계에서는 복원된 노이즈와 그 변환 도메인(예: 푸리에, 웨이블릿 등)에서 통계적 특징을 추출하고, 간단한 분류기(예: SVM 또는 작은 MLP)로 커버와 스테가노를 구분한다. 중요한 점은 스테가노그래퍼가 사용한 확산 모델 종류, 샘플링 스텝, 가이드 스케일 등에 무관하게 작동한다는 것이다.

실험에서는 네 가지 난이도 상승 시나리오(동일 모델·동일 파라미터, 동일 모델·다양 파라미터, 서로 다른 모델·동일 파라미터, 서로 다른 모델·다양 파라미터)를 설정하고, 기존 DM‑GIS 대표 방법들(StegaDDPM, Pulsar, Kim et al., 등)을 평가하였다. 전통적인 이미지 기반 스테가노 분석기(SRM, SRNet 등)는 거의 50% 수준의 검출률에 머물렀지만, NS‑DSer는 85% 이상, 가장 어려운 시나리오에서도 70% 이상의 정확도를 기록했다. 또한, 메시지 추출 정확도가 높은 방법일수록(예: Kim et al.의 MB, MC) 검출률이 더 높게 나타났다. 이는 이론적 분석과 실험 결과가 일치함을 보여준다.

결론적으로, DM‑GIS의 보안은 “노이즈 분포를 얼마나 보존하느냐”에 달려 있으며, 이를 깨뜨리는 어떠한 변형도 실질적인 탐지를 가능하게 만든다. NS‑DSer는 이러한 약점을 활용한 실용적인 탐지 프레임워크로, 향후 확산 기반 스테가노그래피 설계 시 노이즈 분포 보존을 위한 새로운 매핑 기법이 필요함을 시사한다.