基于耦合域渐进融合的通用语音隐写分析

《Information Fusion》：Universal Speech Steganalysis via Coupled-Domain Progressive Fusion

　　

•提出了一种用于通用语音隐写分析的耦合域渐进融合方案。
•实现了跨多个编码域的关联驱动特征融合。
•采用液态神经网络来捕捉域特定的时间依赖性。
•开发了可变形灌注融合，以实现细粒度的域间特征耦合。
•在多维度和特定域设置下优于当前最先进方法。

引言
隐写术是一种将秘密信息嵌入公共媒体同时保持不可察觉性的技术。传统上，静态载体如图像 [1]、文本 [2]、音频 [3] 和视频 [4] 一直是该领域研究的重点。然而，近年来，随着应用需求的扩展和网络环境的快速发展，研究重点逐渐扩展到动态、基于网络的场景。其中，互联网协议语音（VoIP）[5]，凭借其实时传输、海量语音数据流 [6] 和对话动态的特性，已成为动态媒体隐写的关键前沿 [7], [8]。然而，VoIP 隐写术如果被对手利用，将对网络安全甚至国家安全构成严重威胁。因此，VoIP 隐写分析 [9]，即检测实时语音流中的隐藏数据，已成为信息取证和安全领域的基本挑战。

为了确保带宽效率和低延迟，大多数 VoIP 系统采用压缩混合编码器 [10]，如自适应多速率（AMR）、G.723.1 [11] 和 G.729a，这些编码器基于分析 - 合成策略 [12] 构建，相比波形编码器（如 G.711 和 GSM 6.10）或声码器（如 MELP 和 LPC-10）[13]，在感知质量和比特率之间提供了更优的平衡。这些混合编码器，特别是基于代数码激励线性预测（ACELP）框架的编码器，生成三大参数域：线性预测系数（LPC）[14]、自适应码本（ACB）[15] 和固定码本（FCB）[16]。每个域捕捉独特的语音特性并提供独特的隐写机会：基于 LPC 的方法利用矢量量化码本，基于 ACB 的方法利用音高延迟的不可预测性，基于 FCB 的方法利用脉冲搜索中的非确定性。最近的嵌入策略甚至跨越多个域 [17]，从而实现更强的透明性和抗检测能力。

从对抗角度来看，语音隐写分析取得了显著进展，从单算法检测，发展到同一编码域内的多算法检测，现在趋向于能够跨域泛化的通用模型。在本文中，通用隐写分析并不指代适用于所有音频格式的模型，而是一个能在多个压缩语音编码器域（包括 LPC、ACB 和 FCB）之间泛化的框架。总体而言，研究已从单域分析转向多域甚至多模态建模 [18]，如时频融合，显著提高了泛化能力和鲁棒性。根据融合 [19], [20] 阶段，现有的通用语音隐写分析方法分为数据融合和深度融合两大类。数据融合方法将多维度的原始或增强特征作为输入进行拼接，提供高效率的跨域共享表示，但由于早期融合往往抑制域特定线索。深度融合方法明确分割编码器域参数，并使用独立的子网络进行特征提取后再进行高层整合，这更好地保留了域特异性，但增加了计算成本并削弱了共享信息建模。为了克服这些限制，我们之前的工作 [3] 提出了一种通用语音隐写分析框架，该框架集成了域特定和域共享知识，结合了数据融合和深度融合方法的优势。它引入了具有跨域匹配模块的多域协作建模，以明确捕捉编码器域之间的互补关系，实现了卓越的通用性能，甚至在 FCB 域中优于域特定方法。然而，其在同一层次的并行协作导致由于域之间较大的分布和语义差异而引起信息竞争。在这种并行交互下，模型倾向于具有高度显著且易于训练特征的区域，这反过来抑制了其他隐写域提供其独特信息。这在某种程度上在模型的整体泛化能力和对域特定隐写方法的检测性能之间构成了权衡。总体而言，该方法仍缺乏一种内部协调机制来平衡不同隐写域的检测性能。

为了解决这些问题，我们重新审视了多维特征之间的内在关系。相关性分析表明，LPC 和 FCB 表现出最强的相互依赖性，具有最高的信息冗余，而 ACB 提供的长期周期信息仅作为对两者的弱互补线索。尽管 VoIP 编码器按照 LPC → ACB → FCB 的顺序处理域，但 ACB 和 FCB 生成的激励信号最终在最后的合成阶段通过由 LPC 系数定义的合成滤波器进行组合和滤波。因此，有效的融合策略必须同时考虑域间相关性强度并严格遵循编码器固有的“激励 - 滤波”层次逻辑。在这个关键洞察的指导下，并受生物灌注机制的启发，在该机制中有益物质通过微循环途径逐步输送，我们提出了一种成对渐进融合策略来替换原始的并行三域交互。具体而言，我们首先将 ACB 的周期信息注入到 FCB 激励特征中以提供差异化的互补线索；随后，将 LPC 信息纳入融合表示中以施加最终的频谱包络约束。通过将相关性最强但冗余度最高的 LPC 和 FCB 置于交互管道的两端，我们的方法控制了信息冗余并增强了跨域协作，从而实现了更稳定和高效的多域特征融合。

本文的主要贡献如下：
•为了增强跨多个隐写编码域的检测泛化能力，我们提出了一种称为耦合域渐进融合（CDPF）的通用语音隐写分析方案。所提出的方案在实现强跨域泛化的同时，与现有通用隐写分析方法相比，在特定域检测任务上取得了整体平均性能提升。
•为了促进有原则的信息融合，本文提出了一种称为自适应灌注模型（APM）的抽象模型，该模型受生物灌注理论启发。APM 的公式建立在余弦相关系数（CCC）和最大信息系数（MIC）的联合分析之上，从而为 CDPF 建模提供了理论支持。
•为了实现细粒度的跨域特征交互以增强隐写表示，本文提出了一种基于可变形卷积网络（DCN）的特征灌注块，该块有效利用了耦合机制。
•为了更好地捕捉时间序列特征以提高检测性能，本文引入了一种使用液态神经网络闭式解的时间序列建模模块。该模块允许通过解析公式进行无梯度计算和固定时间优化，避免了数值积分。
•我们通过广泛的实验和与最先进方法的比较评估了 CDPF。结果表明，CDPF 有效满足了通用和专用语音隐写检测需求。值得注意的是，在 1 秒处理下，ER（嵌入率）为 10% 和 20% 时，CDPF 的通用检测准确率分别比之前的领先方法高出 1.74% 和 3.53%。

本文结构如下。第 2 节回顾了语音隐写和隐写分析的相关工作。第 3 节分析域间相关性并构建生物模型。第 4 节详细介绍了我们提出的方法。第 5 节评估了 CDPF 的性能。最后，第 6 节总结了论文并概述了未来的研究方向。

章节片段
相关工作
目前，语音隐写的主流方法已从直接修改编码参数转变为基于编码搜索和约束选择（CSCS）[21] 的嵌入策略。具体而言，在 ACELP 框架下，编码域通常包括三类：LPC、ACB 和 FCB。相应地，与直接修改编码参数的策略相比，基于 CSCS 的嵌入策略在编码过程中隐藏信息 within。

域参数相关级别分类
为了深入探索编码域之间的耦合关系，我们首先通过采用两种度量进行量化：CCC [37] 和 MIC [38]，来分析这些域之间的相关性。为了说明，我们采用通信系统中广泛使用的 12.2 kbps AMR 编码器来编码收集的样本。我们的结果揭示，无论通过 MIC 还是 CCC 测量，FCB 和 LPC 参数在所有 ER 的封面和隐写样本中都表现出最强的成对相关关系。This。

概述
如图 2 和算法 1 所示，我们提出的方案 CDPF 由四个关键组件组成：编码域解耦（EDD）块、特征灌注（FP）块、重尾扩展和投影（HTEP）块以及域一致性（DC）分类器。EDD 块包含多维嵌入模块和六个堆叠的残差模块以提取局部特征，以及一个带有注意模块的闭式连续时间（CFC）[40] 模块用于全局表示。

实验设置和指标
1) 数据集：我们使用清华大学研究团队提供的公开可用语音数据集 [45]。所采用的数据集包含不同男女说话人以及中英文多样语言内容的语音，确保说话人特征和语音内容具有相当大的多样性。为了验证不同窗口大小下的模型性能，我们设置了长度从 0.1 到 1.0 秒不等的语音样本集，所有样本

结论
在这项工作中，我们引入了一种统一方案 CDPF，以改进通用和特定域隐写分析场景中的检测性能。我们的方法由四个关键组件组成：1) 为了捕捉域特定签名，提出了 EDD 块。2) 为了提取共享语义同时保留域独特性，引入了基于 DCN 的灌注块。3) 为了细化决策边界并增强判别特征，设计了一个 HTEP 块。4) 为了利用跨域相互 C

CRediT 作者贡献声明
吴蓉：写作 – 审查与编辑，写作 – 原稿，可视化，验证，软件，方法论，调查，形式分析，数据管理，概念化。唐丽丽：写作 – 审查与编辑，可视化，验证，方法论，调查，形式分析，数据管理。田辉：写作 – 审查与编辑，监督，软件，资源，项目管理，资金获取。夏小宇：写作 – 审查与编辑，监督，数据管理。

竞争利益声明
作者声明他们没有已知的竞争性经济利益或个人关系可能影响本论文报告的工作。

吴蓉 | 唐丽丽 | 田辉 | 夏小宇 | 李海舟