基于谐波感知深度注意力学习架构的隐写恶意软件攻击盲音频隐写术检测

《Computers and Electrical Engineering》:Blind audio steganalysis of stego-malware attacks using harmonic-aware deep attention-based learning architecture

【字体: 大 中 小 】 时间:2026年10月24日 来源:Computers and Electrical Engineering 5.5

编辑推荐:

   # 和谐感知的双向注意力网络在音频隐写恶意软件检测中的应用 ## 摘要 压缩音频中的隐写恶意软件通过将命令隐藏在不可感知的区域来构成隐蔽威胁,从而绕过传统检测方法。因此,本文提出了一种新颖的和谐感知双向注意力网络(HA-BAN),以克服这些问题并将正常音频与隐写音频进行分

  

# 和谐感知的双向注意力网络在音频隐写恶意软件检测中的应用

## 摘要

压缩音频中的隐写恶意软件通过将命令隐藏在不可感知的区域来构成隐蔽威胁,从而绕过传统检测方法。因此,本文提出了一种新颖的和谐感知双向注意力网络(HA-BAN),以克服这些问题并将正常音频与隐写音频进行分类。首先,现有的特征提取器存在倒谱频混叠问题以及精细相位和谐波细节的丢失,使其无法在多音环境中识别微妙的隐写线索。因此,引入了和谐-色度-Q变换特征提取器(HCQT-FE),该提取器使用谐波-打击乐源分离(HPSS)来隔离音调元素,通过梅尔-色度-频谱对比度来丰富频谱和谐波表示,并利用恒Q变换(CQT)保留与音频结构对齐的对数缩放频率细节,从而捕获多维音频表示。此外,传统深度学习模型由于无法在重叠的谐波结构、异步起始点和波动音调中心中捕获长程依赖关系,因此难以处理多音音频。因此,本文提出了双向门控注意力网络(Bi-GAttNet),该网络使用双向LSTM在两个方向上建模时序上下文,并通过门控注意力机制聚焦于显著的谐波区域,同时动态抑制噪声,从而增强检测并分类嵌入在音频中的隐蔽隐写模式的能力,在隐写恶意软件检测任务中实现了更高的准确率、召回率和鲁棒性。

## 1. 引言

盲音频隐写分析是指在不知道原始(载体)音频或嵌入方案的情况下检测音频信号中隐藏的数据。区分无害的信号变化与隐写变化仍然具有挑战性[[1], [2], [3], [4]]。隐写术一个特别危险的应用是隐写恶意软件攻击,其中恶意程序被隐蔽地隐藏在看似无害的多媒体(如声音、图片或视频)中。音频隐写恶意软件专门利用音频信号的不可感知元素来隐藏命令或有效载荷,并实现命令注入、远程控制和数据外泄等隐蔽操作。为了应对此类威胁,已开发了基于深度学习(DL)的检测模型,包括生成对抗网络(GAN)。然而,这些模型在不同编解码器和内容类型之间往往泛化能力较弱[5,6]。基于提取的特征,检测和分类阶段将识别隐写内容并对其进行适当标记(例如,干净 vs. 隐写)。经典的分类器,如支持向量机(SVM)和K最近邻(KNN),仍然被应用于手工设计的特征中,现有模型将卷积神经网络(CNN)、生成对抗网络(GAN)和注意力机制相结合,直接从音频信号中学习判别特征。然而,这些模型受限于其泛化性和鲁棒性,特别是在处理各种编码方案和音频类型方面[[7], [8], [9], [10]]。与语音信号不同,多音音频包含多个在时域和频域上同时重叠的谐波源。这种复杂的交互极大地增加了隐写检测的难度,因为隐藏的有效载荷通常被密集的谐波结构和不断演变的音高模式所掩盖。因此,为基于语音的音频开发的检测模型可能无法有效推广到多音环境中。因此,迫切需要健壮且可解释的盲隐写分析模型来检测并定位隐写修改。研究的主要贡献如下:

- 为了增强特征提取并隔离音调元素,采用了HCQT-FE,该提取器隔离稳定的谐波成分,保留对隐写分析至关重要的音调特征,并减少打击乐元素对低能量隐写调制的干扰。
- 为了在多音或演唱音频中检测隐蔽的隐写模式,提出了Bi-GAttNet,该网络将双向LSTM和门控注意力相结合,以突出微妙的调制和演变的音高轮廓,从而提高检测准确性和鲁棒性。

讨论的贡献已被整合以应对MFCC-based特征中的倒谱频混叠问题以及多音音频中长程谐波依赖关系的建模困难。我们的研究结构如下:第2节详述研究动机和现有挑战;第3节介绍所提出的和谐-色度-Q变换特征提取器和双向门控注意力网络;第4节展示实验评估和与基线方法的性能比较;第5节总结关键见解和未来研究方向。

## 2. 文献综述

Peng等人[11]提出了一种基于卷积神经网络的音频隐写分析方法,采用多尺度特征融合和注意力机制来识别由G729a压缩的VoIP信号中的隐写内容。此外,Peng等人[12]引入了一种基于层次化监督学习和双注意力机制的新文本隐写分析方法,以应对生成文本隐写中的语义和统计扰动。随后,Ghamsarian等人[13]提出了一套54维时空特征集,通过分析嵌入运动向量中的统计不规则性来执行基于运动向量(MV)的视频隐写盲检测。此外,Wei和Wang[14]提出了一种基于ResNeXt网络的轻量级AAC音频隐写分析网络,经过调整以增强检测效率和准确性。然而,这些现有隐写分析方法受限于泛化能力差,通常仅在特定实验条件下表现良好。

Carvajal等人[15]开发了一种基于Goertzel算法并辅以滑动窗口适应的音频频域隐写分析方法,用于检测音频向量中的音调变化。此外,Ying等人[16]设计了一种自适应STC隐写技术,通过修改校验矩阵来支持传统的症候-网格编码(STC)。Monika和Eswari[17]设计了隐写软件检测框架,旨在检测图像中恶意隐藏的有效载荷。Dittmann等人[18]对三种MP3隐写工具进行了取证分析,以协助恶意软件溯源并加深对隐写恶意软件操作的了解。然后,Li等人[19]引入了一种基于WaveGAN模型的无载体音频隐写模型,其中隐写音频被直接合成而不修改给定的载体。此外,Yan等人[20]开发了基于固定解码器网络的音频隐写与对抗扰动生成(FGAS),该方法通过优化的对抗扰动嵌入秘密消息,而不是依赖大型预训练模型。虽然这些方法在不同音频和图像领域中的鲁棒性和泛化能力较弱。因此,需要一个统一的框架,以最小的计算开销保持对不断演变的隐写技术的适应性。

### 2.1. 研究动机

利用音频通道创建隐写恶意软件引入了一种绕过传统基于签名和有效载荷的安全机制的隐蔽威胁向量。与视觉或文本媒体不同,音频信号,特别是压缩音频,将命令隐藏在感知上不重要的区域,使检测变得极其困难。在隐写恶意软件检测的特征提取阶段,传统的MFCC-based方法在分析音乐或演唱音频时面临重大局限性。尽管MFCC在捕获语音音调和语音学方面表现出色,但倒谱变换丢弃了精细的相位线索和谐波对齐。这一问题源于一种称为倒谱频混叠的现象,当倒谱被截断以仅保留少量低阶系数时就会出现。通过丢弃高阶倒谱分量,关键的频谱特征被压缩到较低的倒谱箱中,导致不同的谐波结构合并和失真。这导致了对音频信号中微妙音高变化和谐波关系的表示清晰度下降。因此,MFCC难以表示音乐和声乐旋律中典型的长持续时间音高轮廓和重叠的谐波内容,而恰恰是这些声学区域最有可能隐藏隐蔽命令。

此外,传统的深度学习架构,如RNN和LSTM,在检测并分类嵌入在音频中的正常和隐写音频隐蔽模式方面存在显著局限性,这主要是因为它们难以在多音结构中捕获长程依赖关系和谐波进行。该问题的出现是因为多音音频由于多个谐波源的同时激发以及独立的音高轮廓和异步起始时间,缺乏一致且占主导地位的频率轨迹,导致时频谱域中动态的频谱重叠和波动音调中心。这种时间和频谱不稳定性导致时频表示中的非平稳干扰模式,使传统DL模型在技术上难以分离相干的频率轨迹或检测表明嵌入了隐写有效载荷的微妙、低能量调制。

## 3. 用于音频隐写恶意软件检测的和谐感知深度学习架构

为了解决这些挑战,本文提出了一种新颖的和谐感知双向注意力网络(HA-BAN),该网络集成了和谐-色度-Q变换特征提取器(HCQT-FE)以解决MFCC-based隐写恶意软件检测在音乐或演唱音频中的局限性。首先,谐波-打击乐源分离(HPSS)将谐波内容从瞬态打击乐噪声中分离出来,确保隐蔽命令可能隐藏的音调区域以高保真度保留。接下来,梅尔-色度-频谱对比度模块将MFCC与色度特征相结合以捕获粗粒度频谱包络,色度特征表示音高类别和谐波进行,频谱对比度突出子带之间谐波峰谷之间的能量差异,丰富了音色纹理和音调结构的表示。然而,为解决MFCC的局限性,如倒谱频混叠和谐波相位对齐丢失,该流程纳入了恒Q变换(CQT),提供了与音乐音高和谐波间距密切对齐的对数缩放频率分析。这使得能够保留MFCC通常会扭曲的长持续时间音高轮廓和微妙的谐波调制。因此,组合的HCQT-FE架构捕获了频谱、音调和谐波相位一致信息的高分辨率多维描述符,显著提高了复杂音频环境中隐写恶意软件检测的敏感性。

为了有效解决传统DL模型在复杂音乐或演唱音频中检测和分类隐蔽隐写模式的局限性,提出了双向门控注意力网络(Bi-GAttNet)。该网络纳入了双向LSTM组件,通过在前向和后向方向上处理音频序列来捕获长程依赖关系,使网络能够学习多音音频中典型的重叠谐波进行和异步起始点的上下文感知表示。这帮助模型保持对波动音调中心和随时间演变的音高轮廓的感知。同时,门控注意力机制有选择地强调显著的谐波区域,同时抑制无关或噪声段,使模型能够聚焦于表明存在隐蔽有效载荷的微妙、低能量调制。通过动态关注时间和频谱上一致的特征,Bi-GAttNet即使在高度非平稳和谐波密集的条件下也能增强隐写信号与正常音频之间的区分,显著提高了具有挑战性的声学环境中的检测准确性。

图1展示了用于音频隐写分析的HA-BAN,该过程从输入音频文件开始,将其输入HCQT-FE。在该模块中,HPSS隔离音调内容,而梅尔频率倒谱系数、色度特征和频谱对比度提取丰富的描述符。这些输出被组合成多维特征向量,由Bi-GAttNet处理。同时,门控注意力机制强调显著的谐波特征并过滤噪声。最后,处理后的表示进行分类,以确定输入音频是正常还是包含隐写内容。

## 3.1. 使用HCQT-FE增强音频中的隐写特征表示

通过所提出的HCQT-FE系统性地解决了MFCC-based音频隐写恶意软件检测的局限性,该提取器增强了在传统倒谱分析中常被扭曲或丢失的频谱、和谐波和音高相关特征的提取。特别地,传统的MFCC表示存在倒谱频混 aliasing问题,即仅保留低阶倒谱系数会将不同的谐波结构压缩到较低的倒谱箱中,从而掩盖嵌入在音调音频信号中的微妙音高变化和微弱的隐写扰动。倒谱表示表达为方程(1):

$$c(n) = \sum_{k=0}^{N-1} \log S(k) \cdot e^{j2\pi kn/N}$$

其中S(k)表示频谱幅度,c(n)代表倒谱系数。在MFCC提取过程中,应用离散余弦变换(DCT)后仅保留一部分低阶系数,导致高频倒谱信息被丢弃。因此,精细的谐波模式被压缩,降低了识别隐藏在复杂多音音频中的隐蔽有效载荷的能力。为了克服这一局限性,所提出的HCQT-FE集成了和谐感知和音高保留的描述符,保留了准确隐写恶意软件检测所需的判别信息。该过程从HPSS开始,这是一个关键的预处理步骤,将输入音频信号x(t)分解为谐波h(t)和打击乐p(t)成分。这是通过在频谱图域中进行中值滤波实现的,其中垂直结构(谐波)和水平瞬态(打击乐)被分离,如方程(2)[21]所示:

$$HPSS(x(t)) \rightarrow h(t), p(t)$$

谐波成分h(t)保留了持续的音调结构,如音乐音符和声乐旋律,这些是隐蔽命令嵌入的主要区域。通过隔离这些谐波内容,HPSS确保特征提取器聚焦于频谱密集、音高稳定的区域,隐写有效载荷很可能隐藏在这些区域中。

这种针对性分离增强了在复杂声学环境下下游隐写恶意软件检测的敏感性和可靠性。接下来,为了丰富复杂音频中用于隐写恶意软件检测的频谱表示,该流水线引入了梅尔-色度-频谱对比(MCSC)模块,该模块融合了在频率、音高和泛音分辨率方面彼此互补的多种声学特征。首先计算MFCC,利用人耳听觉感知标度来建模整体频谱包络。该过程涉及通过一组按梅尔标度排列的三角滤波器组变换幅度谱 |X(f)|,如公式(3)所示[22]:

(3) MFCC(x) = DCT(log(M · |X(f)|))

其中,M 是梅尔滤波器组矩阵,DCT 对对数缩放的滤波器能量进行去相关。然而,仅保留低阶 MFCC 系数(通常为12–13个)会缩短精细的频谱细节。这种倒谱频域混叠将不同的泛音结构压缩并合并到较低的频段中,从而掩盖了对于检测嵌入在旋律音频中的隐写内容至关重要的微妙音高变化。为了恢复 MFCC 中丢失的泛音细节,加入了色度特征,它将频谱能量投影到12个半音音阶类(C至B)上,并跨音程折叠,如公式(4)所示[23]:

(4) Chroma_c(t) = Σ_{f∈F_c} |X(f,t)|

其中 F_c 是与音阶级 c 相关联的频率段集合。该表示抽象了音程差异,突出了泛音进行和和弦结构,使其对隐藏隐写模式的音乐内容具有高度敏感性。色度特征在吟唱或旋律性音频中尤其有价值,因为音高稳定性承载了关键线索。为了进一步区分泛音密集和稀疏区域,频谱对比度通过测量每个子带 b 内峰值能量和谷值能量之间的差值来计算,如公式(5)所示[24]:

(5) Contrast(b,t) = max(S_b(t)) - min(S_b(t))

其中,S_b(t) 表示时间 t 时第 b 个频率子带内的短时频谱。该指标捕捉了频谱能量的动态范围,突出了泛音峰值与频谱谷之间的锐度。它有效地建模了音色变化、信号粗糙度和声学纹理——这些是识别由隐写嵌入引起的非自然频谱调制的特征。为了解决 MFCC 的核心局限性——即无法保留相位和音高分辨率——引入了恒Q变换(CQT)。CQT 提供对数间隔的频率分辨率,与人耳听觉系统和音乐音程间隔相匹配。CQT 的定义如公式(6)所示[25]:

(6) X(k) = Σ_{n=0}^{N_k-1} x(n) · w_k(n) · e^{-2πinx_k/N_k}

其中 f_k 是第 k 个频段的中心频率,N_k ∝ 1/f_k,确保恒定的 Q 因子 Q = f_k/Δf_k。这保留了 MFCC 所抑制的长持续时间音高轮廓和微妙的泛音调制。在特征融合之前,所有提取的特征表示都被时间同步到公共参考时间线。MFCC、色度和频谱对比度使用相同的分析窗口和跳跃长度计算,从而生成固定的时间序列 T_ref。由于恒Q变换(CQT)由于其对数间隔的频率段而产生可变的时间-频率分辨率,其时间维度通过线性插值重新采样以匹配 T_ref。同步的 CQT 表示如公式(7)所示:

(7) X_sync = Interpolate(X_CQT, T_ref)

其中 X_CQT ∈ R^{T_CQT × D_CQT} 和 X_sync ∈ R^{T_ref × D_CQT}。随后,将 MFCC、色度、频谱对比度和同步的 CQT 特征沿特征维度拼接,构建统一的 HCQT 特征张量,如公式(8)所示:

(8) X_HCQT = [X_MFCC; X_Chroma; X_SC; X_sync]

其中 X_HCQT ∈ R^{T_ref × D},D 表示融合后的总特征通道数。选择线性插值是因为它在保留时间连续性的同时,对缓慢变化的泛音轮廓引入的最小失真。此外,较短的序列进行零填充,较长的序列被截断到公共时间长度 T_ref 以避免边界伪影。此同步过程确保所有频谱、泛音和音高相关的描述符在由 Bi-GAttNet 分类器处理之前对应于相同的时间位置。通过集成这些组件,HCQT-FE 流水线构建了一个多维特征张量,编码了粗略的频谱包络(MFCC)、泛音关系(色度)、能量动态(频谱对比度)和相位相干的音高结构(CQT)。这种全面的表示消除了倒谱频域混叠,并保留了区分正常音频和隐写音频所需的泛音相位对齐。因此,该方法通过精确聚焦于隐蔽命令嵌入的复杂声学区域,提高了隐写恶意软件检测的准确性,克服了传统仅使用 MFCC 方法的局限性。

**算法1** 总结了所提出框架中采用的 HCQT-FE 特征提取过程。该过程系统地提取和同步泛音、频谱和音高相关的描述符,以构建用于隐写音频分析的统一特征表示。

**算法1. HCQT-FE 特征提取流水线**

**输入:** 音频文件路径(WAV 或 MP3)
**输出:** 统一特征矩阵 F ∈ R^{T×D},其中 T = 时间帧,D = 特征维度

1. 以采样率 sr = 22050 Hz 加载音频信号 y
2. 应用 HPSS:
y_harmonic, y_percussive ← HPSS(y) // 保留谐波分量进行分析
3. 从 y_harmonic 提取时频特征:
a) MFCC(梅尔频率倒谱系数):
mfcc ← MFCC(y_harmonic, n_mfcc=10, sr=sr) // 形状: (10, T)
b) 色度(音阶级轮廓):
chroma ← Chroma_STFT(y_harmonic, sr=sr) // 形状: (12, T)
c) 频谱对比度(峰谷能量差):
spec_contrast ← SpectralContrast(y_harmonic, sr=sr) // 形状: (7, T) 通常
d) 恒Q变换(对数频率频谱):
cqt ← |CQT(y_harmonic, n_bins=48, sr=sr)| // 形状: (48, T)
4. 对齐时间维度:
T_min ← min(frames(mfcc), frames(chroma), frames(spec_contrast), frames(cqt))
将所有特征截断至 T_min 帧
5. 垂直堆叠特征:
F_stacked ← [mfcc; chroma; spec_contrast; cqt] // 形状: (10+12+7+48, T_min) = (77, T_min)
6. 转置为时间主格式:
F ← F_stacked^T // 形状: (T_min, 77)
7. 返回 F

### 3.2 使用 Bi-GAttNet 在音频中进行隐写模式检测

为了克服传统深度学习模型在多声部或吟唱音频中检测隐蔽隐写模式的局限性,引入了 Bi-GAttNet。该架构通过结合 Bi-LSTM 与门控注意力机制,系统地解决了时间不稳定性与频谱复杂性的挑战,形成了一个具有上下文感知和选择性注意力的序列建模框架。选择 BiLSTM 而非 Transformer 架构是因为隐写音频检测主要依赖于谐波和频谱序列中的局部和中程时间依赖性。此外,BiLSTM 具有较低的计算复杂度且需要较少的训练样本,降低了在中等规模的隐写分析数据集上过拟合的风险。因此,BiLSTM 在所提出框架中在时间建模能力、计算效率和检测准确性之间提供了有效的平衡。

该过程从输入特征序列 X = [x?, x?, …, x_T] 开始,其中每一帧 x_t ∈ R^d 是使用 HCQT-FE 提取的 d 维特征向量。这些特征向量封装了音频信号的频谱、泛音和时间特征的多分辨率表示,包括 CQT、色度、梅尔频谱对比度和残余 MFCC,从而为序列建模提供了丰富的输入。

为了建模多声部音频中的复杂时间依赖关系,Bi-LSTM 在前向和后向两个方向上处理 X。在前向传递中,LSTM 使用公式(9)[26] 在每个时间步计算隐藏状态:

(9) h_t^→ = LSTM_f(x_t, h_{t-1}^→)

这捕捉了从过去到现在的时间依赖关系,学习早期谐波线索如何影响当前状态。同时,后向传递以反向顺序处理序列以建模从未来到现在的依赖关系。通过考虑过去和未来的上下文,Bi-LSTM 学习反映音频完整时间结构的上下文感知嵌入。这些前向和后向隐藏状态按公式(10)拼接:

(10) h_t = [h_t^→; h_t^←]

这种融合状态 h_t 在每个时间步提供了音频的丰富时间编码,对于识别隐蔽隐写命令通常利用的微妙长持续时间音高轮廓和泛音调制至关重要。这种双向设计使网络能够捕捉多声部音频中典型的重叠泛音进行和非同步起始的上下文感知表示——过去和未来的上下文。这有助于模型在时间上保持对变化的调性中心和演变的音高轮廓的感知。与传统的 RNN 或单向 LSTM 在音高轨迹偏移或泛音重叠时丢失上下文不同,Bi-LSTM 确保非同步起始和波动的频谱中心在时间上得到连贯表示。因此,模型能够精确识别复杂音频中隐藏隐写命令内的微妙低能量异常。学到的上下文嵌入 h_t 富含时间和泛音感知,直接解决了困扰传统模型的模糊性和干扰问题。

在输入序列 h_t 的双向时间编码之后,引入门控注意力机制以选择性聚焦于表现出微妙调制或泛音异常的最具判别性的时间帧——隐写载荷经常嵌入的区域。与标准注意力在所有帧上分配连续权重不同,门控注意力引入了基于 sigmoid 的门控函数,使网络能够柔和地屏蔽无关或噪声输入,同时保留关键的泛音细节。每个时间步的注意力分数 α_t 按公式(11)[27] 计算:

(11) α_t = σ(w_g^T · tanh(W_a · h_t + b_a))

其中,W_a 和 w_g 是分别捕获重要性投影和门控权重的可训练矩阵。b_a 是偏置向量,σ 是 sigmoid 激活函数,确保注意力分数保持在 [0,1] 范围内,实现对时间表示的非二值化和上下文感知过滤。该机制强调了表现出相位相干频率调制或泛音能量不对称的帧,同时抑制时间上无结构或噪声的分量——这是在缺乏一致频谱轨迹的多声部或吟唱音频中的关键能力。

跨时间的注意特征被聚合为上下文向量 c,计算为隐藏状态的加权和,如公式(12)所示:

(12) c = Σ_{t=1}^{T} α_t · h_t

该上下文向量捕捉了最显著的时-泛音模式,强调了预期承载隐写信息的帧,如长持续时间音高轮廓、频谱包络调制或相位对齐的频率异常。

**图2** 显示了聚合向量随后通过全连接分类层进行二分类(正常音频 vs. 隐写音频),如公式(13)所示:

(13) ? = softmax(W_c · c + b_c)

其中 W_c · c 和 b_c 是可学习的分类器参数。通过将 Bi-LSTM 的双向时间上下文与自适应门控注意力融合,Bi-GAttNet 实现了对低能量嵌入隐写信号与天然多声部音频波动的精细判别。该设计在非平稳声学环境下尤其鲁棒,传统模型因相位保真度丢失、泛音重叠或长程时间不规则而在此类环境下失效。因此,这种双层注意力集成框架显著增强了隐写恶意软件检测的精确度、召回率和泛化能力。

**图2. 双向门控注意力网络架构**

**算法2** 展示了用于隐写音频检测的 Bi-GAttNet 分类流水线。该网络结合双向时间建模和门控注意力机制来识别信息性声学模式,并准确分类正常音频和隐写音频信号。

**算法2. Bi-GAttNet 分类流水线**

**输入:** 特征矩阵 X ∈ R^{T×D},其中 T = 时间帧,D = 77个特征
**输出:** 二分类(正常=0 / 隐写=1)

1. 输入层:
X_in ← Input(shape=(T, D))
2. 双向 LSTM 层:
// 在前向和后向方向处理序列
h_t_forward ← LSTM_forward(X_in, units=64, return_sequences=True)
h_t_backward ← LSTM_backward(X_in, units=64, return_sequences=True)
H ← Concatenate([h_t_forward, h_t_backward]) // 形状: (T, 128)
3. 多头自注意力(MSA)层:
// 计算每个时间步的注意力权重
对于每个时间步 t:
e_t ← tanh(W_a · H_t + b_a) // 能量分数
α_t ← softmax(e_t) 对所有 t // 注意力权重
// 隐藏状态的加权和
context ← Σ(α_t · H_t) // 上下文向量
4. 全连接层:
x ← Dense(64, activation='relu')(context)
x ← Dropout(rate=0.3)(x)
5. 输出层:
y_pred ← Dense(1, activation='sigmoid')(x)
// 输出: 概率 ∈ [0, 1]
6. 返回 y_pred
7. 训练:
使用以下配置编译:optimizer='adam', loss='binary_crossentropy'
训练25个epoch,batch_size=32
监控验证准确率

## 4. 结果与讨论

本节对提出的 HA-BAN 进行了全面评估。该系统在不同声学条件下的检测性能进行了分析,包括复杂的多声部结构、重叠泛音内容和非平稳频谱模式。

### 4.1 工具与规格

所提出的音频隐写分析框架,整合了 HCQT-FE 与 Bi-GAttNet,使用 Python 和标准音频处理及深度学习库进行建模和仿真。

- **软件:** Python
- **操作系统:** Windows 11(64位)
- **处理器:** Intel i5
- **内存:** 16 GB RAM
- **GPU:** RTX 3060

### 4.2 数据集收集

本研究从 Zenodo 上公开托管的数据集(https://zenodo.org/records/4060432)获取清洁音频样本,该数据集包含24,985个 WAV 格式的音频片段,涵盖多种声学场景和音乐类别。这些音频样本作为隐写评估的基线,具有高质量和自然的音色变化。

**MP3Stego:** 为了生成隐写样本,使用了 MP3Stego、MP3Stegz 和 Steghide 工具。由 F.A.P. Petitcolas 开发的 MP3Stego 工具(https://www.petitcolas.net/steganography/mp3stego/)通过将隐藏命令或载荷嵌入 MP3 编码过程中来操作量化参数。类似地,MP3Stegz 修改压缩比特流的特定层,而 Steghide 则利用图论方法直接将数据嵌入音频结构中。每个清洁 WAV 文件被转换为 MP3 格式,然后通过 MP3Stego 处理以插入隐写内容,有效地创建相应的隐写 MP3 文件。

**MP3Stegz:** 此外,还使用了开源的 MP3Stegz 软件工具来创建第二组隐写样本。MP3 Stegz 与基于编码器的隐藏方法不同,它直接修改现有压缩比特流的特定层,不改变文件大小或降低音频质量。

该文本描述了通过zlib压缩的文本负载,并进一步使用Rijndael(AES)算法进行加密。Steghide:第三组隐写样本是通过名为steghide的图论工具构建的,其操作发生在空间/时间域音频结构上,使得在不对媒体感知特性进行任何修改的情况下,通过遵循图论匹配算法来选择参与分布过程的采样系数。由此产生的数据集包括干净的WAV音频、常规压缩音频,以及跨多个管道进行隐写编码的变体。该数据集适用于训练和测试旨在进行基于音频的隐写分析的深度学习模型。

本研究中使用的完整音频隐写分析数据集已通过IEEE Data Port存储库(https://ieee-dataport.org/documents/audio-steganalysis-dataset)公开提供。发布的基准数据集包含33,038个音频片段,其中包括原始载体音频、常规压缩音频,以及使用MP3Stego、MP3Stegz和Steghide工具生成的经隐写修改的音频。该数据集同时提供WAV和MP3格式,每个音频片段的采样率均标准化为44.1 kHz,时长为10秒。为避免载体-来源不匹配(CSM),每个工具的常规样本和隐写样本均使用相同的编码和压缩参数(44.1 kHz,128 kbps,MP3格式为立体声)通过MP3Stego和MP3Stegz二进制文件生成。常规MP3样本通过将WAV文件转换为MP3并采用空嵌入模式创建,从而产生不包含嵌入负载的压缩音频,以捕获压缩伪影。隐写MP3样本使用嵌入模式生成,其中在每个工具的嵌入容量最大值上分别插入10%、30%和50%的文本负载。对于Steghide,使用相同的MP3文件作为载体音频,并使用密码保护的数据隐藏功能嵌入等效负载大小的秘密消息。

4.3 提出模型的仿真结果
本节讨论了所提出的HA-BAN模型的仿真结果,以评估其在揭示失真音频中隐藏隐写模式方面的性能。

图3(a)展示了正常音频和隐写音频信号的时间域波形。两个波形在视觉上非常相似,表明隐写嵌入过程保留了感知质量,并且只引入了通过直接观察难以检测的细微幅度变化。此外,图3(b)展示了正常音频和隐写音频信号的MFCC表示。正常音频表现出平滑的频谱过渡,而隐写音频则包含由嵌入引起的修改所导致的局部能量不规则性。

图4(a)展示了正常音频和隐写音频的色度特征表示。正常音频表现出稳定的音高类别分布,遵循自然的谐波进程,而隐写音频则显示出异常的音高激活和能量重新分配。这些异常揭示了隐写嵌入引入的谐波结构扰动。图4(b)描绘了正常和隐写音频信号的频谱对比。

图5展示了正常音频和隐写音频的恒Q变换表示。尽管两个频谱图在视觉上相似,但隐写信号在特定的谐波区域内包含细微的能量变化。与MFCC不同,CQT保留了非线性频率间距、谐波对齐和相位一致的音高结构。这些特性使所提出的框架能够检测出在倒谱压缩过程中通常丢失的细粒度隐写扰动,从而提高了隐写音频检测性能。

图6展示了RNN、LSTM、BiLSTM以及所提出模型在检测音频隐写方面的混淆矩阵。图6(a)显示了RNN的固有局限性,其正确检测了4743个隐写样本,但存在大量误分类(267个假正例和221个假负例)。图6(b)展示了中等程度的改进(4640个真隐写检测),但仍存在324个假负例的困难,凸显了其在获取长距离依赖性方面不完美成功。图6(c)提供了显著优越的性能(4796个真隐写检测),错误较少(168个假负例)。图6(d)中提出的模型戏剧性地超越了所有其他模型,实现了4836个真隐写检测,错误接近最小化,仅有106个假负例和97个假正例。

4.4 提出模型的性能分析
本节讨论了所提出模型的性能,使用重要的性能指标,包括准确率、精确率、召回率、曲线下面积(AUC)和F1分数。

图7(a)展示了模型准确率随训练轮次变化的曲线,训练和测试准确率均迅速增加,在第15轮达到95%以上,在第20轮达到98%。图7(b)展示了25轮训练过程中的训练和测试损失曲线,训练损失在第24轮收敛到0.05,测试损失收敛到约0.2。

图8(a)展示了ROC曲线,反映了模型卓越的判别能力,AUC值为0.99。曲线在真阳性率(TPR)初期急剧上升,而假阳性率(FPR)上升极少。此外,图8(b)考察了F1分数与不同分类阈值之间的相互作用,发现性能在中间范围的阈值值0.4到0.6之间达到最大化。图8(c)展示了精确率-召回率(PR)曲线,说明模型始终保持高性能,平均精确率(AP)为0.99。

图9展示了模型的精确率、F1分数、召回率和特异性随训练轮次的演变。所提出模型在第20轮达到98.21%的精确率。此外,在第20轮它攀升至令人印象深刻的99.03%的召回率,反映了模型在检测真正隐写实例方面的高度敏感性。F1分数在第20轮达到98%的峰值,特异性在第20轮达到98.90%。此外,所提出模型的敏感性在第20轮攀升至97.50%,反映了模型持续检测隐写恶意实例的强能力。

4.5 提出模型的比较
本节考察了所提出模型与现有基线模型之间的比较分析,包括CCN、RSM、FSM、SFFN [28]、SS-QCCN、LStegT、KFEF、DVSF [29]、SVM(线性、多项式、高斯)和GMF [30]。

图10展示了所提出模型与现有方法包括CCN、RSM、FSM和SFFN的准确率、精确率、召回率和F1分数的比较分析。所提出模型实现了显著优越的性能,准确率为98.53%,精确率为98.21%,召回率为99.03%,F1分数为98.76%,始终优于CCN(70.94%、55.44%、86.05%、71.00%)、RSM(70.48%、51.03%、55.17%、64.07%)、FSM(55.42%、70.85%、71.15%、55.31%)和SFFN(51.74%、72.06%、66.89%、69.38%)。

图11提供了所提出模型与传统分类器如SVM(线性、多项式、高斯)和GMF之间特异性的比较。所提出模型具有出色的98.90%特异性,显著高于使用线性核的SVM(35.59%)、多项式(61.21%)、高斯(30.61%)和GMF(81.20%)。此外,所提出模型具有非常高的97.50%敏感性,超过使用线性核的SVM(96.13%)、多项式(95.28%)、高斯(90.78%)和GMF(78.36%)。

图12比较了所提出模型与现有最先进模型的性能,如RNN、LSTM、Bi-LSTM、来自音频Transformer的双向编码器表示(BEATs)、音频频谱Transformer(AST)和EfficientNet,跨越关键检测指标。所提出模型在准确率方面达到98.53%的最高水平,优于Bi-LSTM(96.78%)、LSTM(95.97%)、RNN(95.63%)、Bi-LSTM/BEATs(97.12%)、AST(97.68%)和EfficientNet(98.02%)。

表1展示了RNN、LSTM、Bi-LSTM、BEATs、AST、EfficientNet和所提出模型之间的比较性能,其中所提出的HCQT-FE与Bi-GAttNet结合在所有评估指标中实现了最高性能,准确率为98.53%,敏感性为97.50%,特异性为98.90%,F1分数为98.76%。

表2展示了所提出的HCQT-FE与Bi-GAttNet相结合及基线模型之间的统计显著性分析。结果表明,所提出框架实现的性能改进具有统计显著性,所有比较均满足p < 0.05。特别是,相对于RNN和LSTM的改进高度显著(p < 0.001),而相对于Bi-LSTM、BEATs、AST和EfficientNet的增益仍具有统计显著性。

图13展示了三种隐写工具之间检测准确率的比较分析:MP3Stego达到98.53%,MP3StegZ达到97.62%,Steghide记录96.77%。所提出模型显示出显著的性能优势,相对于MP3StegZ改进约1%,相对于Steghide增益接近2%。

图14展示了所提出框架在不同隐写方法、音频编解码器和嵌入率下的鲁棒性评估。在0.4 bps的嵌入率下,所提出框架对MP3Stego实现了98.53%的最高检测准确率,同时对MP3StegZ(97.62%)和Steghide(96.77%)在相同嵌入率下保持强劲性能。对于现代自适应方案,模型在使用AAC的自适应STC上达到97.47%,在使用AAC的Siamese STC上达到94.92%,在使用Opus的OpusStego上达到95.12%。此外,随着嵌入率从0.1 bps增加到0.4 bps,MP3Stego的检测准确率从93.34%一致增加到98.53%,自适应STC从88.56%增加到97.47%,OpusStego从88.84%增加到95.12%。

4.6 消融实验和统计分析
本节进行了消融实验,评估关键组件对隐写音频检测框架整体性能的各个贡献。

表3展示了消融实验结果,突出了从所提出模型中移除各个组件的影响。完整模型在所有指标上实现了最高性能,准确率为98.53%,精确率为98.21%,召回率为99.03%,F1分数为98.76%。这些结果表明,移除BiLSTM将准确率降至94.85%,因为长距离依赖、重叠谐波结构和演变的音高模式无法有效捕获。同样,移除门控注意力机制将准确率降至96.20%,因为所有时间帧都被同等对待,网络无法强调包含隐藏负载信息的关键谐波区域。谐波处理模块的93.10%产生了最大的性能下降,证实谐波信息是隐写音频检测的主要判别线索。CQT的96.80%也通过保留相位一致的音高结构做出了显著贡献,而Chroma的97.25%和频谱对比的97.60%作为补充描述符增强了音色和能量表示。

4.6.1 统计分析
统计分析(均值、中位数、标准差)有助于验证不同隐写工具(如MP3Stego、mp3stegz、Steghide)之间嵌入模式的变异,支持隐写信号以可检测的方式改变音频特性。值得注意的是,表4表明MP3Stego表现出最高的均值(2.22)和极高的标准差(30.59)。相比之下,mp3stegz显示最低的均值(0.96)和最小的标准差(1.16)。Steghide呈现中等均值(1.36)和变异性(标准差2.03),在稳定性和可预测性方面介于其他两种工具之间。

这些在集中趋势和离散度方面的差异对于分类期间区分隐写工具至关重要,并进一步凸显了需要能够处理多样化嵌入行为的稳健特征提取策略的必要性。

4.6.2

成对距离度量成对距离度量提供了关于各隐写工具音频样本在特征空间中差异程度的洞察。就欧几里得距离而言,如表5所示,mp3stego与mp3stegz(1.041)和steghide(0.90)之间的不相似性最高。表6中的余弦距离数值反映了这一趋势,其中mp3stego与mp3stegz之间的最大角分离度为0.965。与此同时,MP3Stegz和steghide之间的欧几里得距离(0.32)和余弦距离(0.043)较小,表明它们的嵌入结果产生了更为相似的音频特征。表5. 欧几里得距离。空格mp3stegomp3stegzsteghidemp3stego1.0410350.7979020.900515mp3stegz0.8901460.1005900.320210steghide0.9281670.2559870.281489表6. 余弦距离。空格mp3stegomp3stegzsteghidemp3stego0.9651200.8323360.825568mp3stegz0.8412800.0079880.043772steghide0.7986000.0440000.089948这些发现验证了所提取特征在区分MP3Stegz方面的有效性,同时指出了由于MP3Stegz和Steghide在特征空间中的幅度和方向上距离较近,而可能面临的分类挑战。4.7. 所提出模型的计算复杂度分析为评估所提出模型的实际适用性,通过分析可训练参数数量、浮点运算次数(FLOPs)和推理时间对其计算复杂度进行了评估。表7显示,所提出的框架需要50万个可训练参数,2800万FLOPs,以及每个音频样本的平均推理时间为8.5毫秒。相对较小的计算开销表明,所提出的架构在不施加过度处理要求的情况下实现了高检测性能。表7. 计算复杂度分析。指标所提出参数0.5 M FLOPs(M)28.0 推理时间(ms)8.55. 结论总之,本研究提出了一个用于复调音乐和演唱音频中盲隐写恶意软件检测的HA-BAN模型,解决了传统基于MFCC的特征提取和RNN/LSTM架构的局限性。通过整合HCQT-FE增强特征表示,提取细粒度的频谱、音高和泛音线索,有效解决了清音频混叠和泛音错位等问题。同时,Bi-GAttNet捕获长程时间依赖关系并突出显著的泛音模式,从而能够检测嵌入在密集音频纹理中的微弱隐写调制。所提出的模型达到了98.53%的峰值准确率,训练损失和测试损失分别稳定在0.05和0.2,表明具有稳健的学习和泛化能力。它以0.99的AUC展示了出色的判别能力,F1分数在0.4至0.6的最佳阈值范围内达到98.76%的峰值,确保了精确率(98.21%)和召回率(99.03%)之间的良好平衡。该模型还实现了高特异性(98.90%),降低了误报率,以及强灵敏度(97.50%),确保了可靠地检测隐写内容。平均精度为0.99的持续高PR曲线确认了其在不平衡数据集上的稳健性。这些结果确立了一个可扩展且有效的解决方案,用于保护音频通道免受隐写恶意软件的攻击,并支持未来音频取证和安全多媒体通信的进展。尽管性能前景乐观,但该框架仍存在某些局限性。HCQT-FE特征提取器依赖于泛音信息,可能对具有弱泛音结构的非音乐音频效果较差。尽管已展示了对多种编解码器的鲁棒性,但在未见的编码环境和新兴隐写技术中,性能可能会有所变化。未来的工作将专注于提高领域泛化能力、增强对自适应嵌入策略的鲁棒性,并提升在异构音频场景中的性能。J. Stella|P. Karthikeyan电子与通信工程系,信息与通信工程学院,维拉马姆工程与技术学院,安娜大学,维拉甘努尔,马杜赖,泰米尔纳德邦,625009,印度
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号