توضیحات
عنوان: تحقیق نهان نگاری در صوت
فهرست مطالب:
- بیان مسئله
- اهمیت و ضرورت تحقیق
- ادبیات تحقیق
- نهان نگاری صوت
- الگوریتم های نهان نگاری صوت
5-1 طبقه بندی
5-2 تحلیل تئوری اطلاعات
5-3 اقدامات متقابل
5-4 روش های دامنه زمان
- حملات به سیستم های نهان نگاری صوتی
- نتیجه گیری
- پیشنهادات
- منابع
فهرست شکل ها :
شکل 1- طبقه بندی آثار نهان نگاری صوتی دیجیتال موجود
شکل2- طبقه بندی حملات موجود به صوت نهان نگاری شده
چکیده
با توسعه سریع اینترنت و فناوری های چندرسانه ای، انتقال اطلاعات دیجیتالی به سرعت در سراسر جهان راحت است. با این حال، مشکل امنیت اطلاعات به عنوان یک مسئله جهانی تبدیل شده است. الگوریتم نهان نگاری دیجیتال یک روش مؤثر برای محافظت از محتوای رسانه در زمینه های محافظت از حق چاپ، شناسایی اثر انگشت، نظارت بر پخش، امنیت پزشکی، تأیید اعتبار داده ها و غیره است. نهان نگاری صوتی دیجیتال یک تکنیک مهم برای ایمن سازی و تأیید اعتبار رسانه صوتی است که می تواند برای حامل های چندرسانه ای مختلف از جمله صدا، تصویر، داده ها و فیلم استفاده شود. از آنجا که رسانه های صوتی حاوی اطلاعات کمتری هستند، تهیه یک الگوریتم نهان نگاری صوتی دشوار است.
در ادامه این تحقیق به برررسی الگوریتم های نهان نگاری صوتی و حملات پرداخته می شود.
کلمات کلیدی: واترمارکینگ، نهان نگاری صوتی، الگوریتم های نهان نگاری صوتی.
1. بیان مسئله
نهان نگاری (واترمارک)[1] صوتی دیجیتال یک شاخه تحقیقاتی مهم از پنهان کردن داده های چند رسانه است که شامل تعبیه متن در داده های صوتی میزبان و در صورت لزوم، انجام استخراج علامت برای محافظت حق تکثیر، احراز هویت، و دیگر اهداف مدیریت حقوق دیجیتال (DRM) است[1].نهان نگاری صوتی در حال حاضر در خط مقدم توسعه فناوری برای کشف تکثیر غیرقانونی و توزیع مجدد ضبط های صوتی است. از آنجا که سیستم شنوایی انسان (HAS) نسبت به سیستم تصویری انسان حساس تر است، واترمارک صوتی نسبت به علامت های بصری چالش برانگیزتر است. یک نهان نگاری صوتی دیجیتال قابل اعتماد باید از عدم نفوذ ، ظرفیت داده و استحکام برخوردار باشد [2]. انجام تحقیق
یک الگوریتم نهان نگاری دیجیتالی می تواند برای حامل های چندرسانه ای مختلف از جمله صدا، تصویر، داده و فیلم استفاده شود. از آنجا که رسانه های صوتی حاوی اطلاعات کمتری هستند، تهیه یک الگوریتم نهان نگاری صوتی دشوار است. با استفاده گسترده از رسانه های صوتی در شبکه، مردم شروع به توجه به الگوریتم واترمارک صوتی می کنند [3].
2.اهمیت و ضرورت تحقیق
امروزه کپی و توزیع غیرقانونی محتوای چندرسانه ای دیجیتال آسان تر شده است و تعداد زیادی از نویسندگان و ناشران از نقض حق کپی رنج می برند که در بسیاری از برنامه ها منجر به خسارت عظیم مزایای آنها شده است. بنابراین، امروزه مردم توجه بیشتری به مدیریت و حمایت از حق چاپ می کنند[4].
به منظور راه حلی برای جلوگیری از ضررهای مالی و امنیتی ناشی از کپی غیرمجاز، صاحبان محتوا عمدتاً به سمت رمزنگاری روی می آورند که یکی از متداول ترین روشهای محافظت از محتوای دیجیتال است. در فرایند رمزنگاری، مطالب قبل از تحویل به مصرف کننده رمزگذاری می شوند و سپس یک کلید رمزگشایی فقط برای کسانی که نسخه های مشروع از محتوا خریداری کرده اند ارائه می شود. با این حال، رمزنگاری یک راه حل قوی برای جلوگیری از سرقت محتوا ارائه نمی دهد. به عنوان مثال، یک سارق محتوا می تواند محتوای رمزگذاری شده را به طور مشروع خریداری کند و سپس از کلید رمزگشایی برای تولید و توزیع نسخه های غیرقانونی از محتوای غیرقانونی استفاده کند[5].
به عبارت دیگر، پس از رمزگشایی، محتوای آن دیگر محافظتی ندارد. بنابراین، نیاز شدید به جایگزین یا مکمل رمزنگاری وجود دارد. از نظر راه حل برای مشکلات پیش آمده در زمینه رمزنگاری، نهان نگاری به عنوان گزینه ای برای ارائه استحکام بیشتر پیشنهاد شده است. این کار می تواند در طول استفاده عادی خود از محتوای دیجیتالی محافظت کند زیرا اطلاعات حق چاپ در محتوای دیجیتالی قرار می گیرد به گونه ای که امکان حذف آن وجود ندارد. این ویژگی منحصر به فرد واترمارک کردن آن را به یکی از امیدوار کننده ترین تکنیک های محافظت از محتوای دیجیتال تبدیل کرده است که در دو دهه گذشته انگیزه بخش عمده تحقیقات بوده است[5].
3. ادبیات تحقیق
بسیاری از روش های نهان نگاری صوتی با استفاده از طیف گسترده، بخصوص در واترمارک گفتار وجود دارد.
در [3] الگوریتم نهان نگاری صوتی تطبیقی و کور بر اساس رمزگذاری هرج و مرج در تبدیل گسسته (DCT) و دامنه ترکیبی تبدیل موجک گسسته (DWT) ارائه شده است. از آنجا که گوش انسان نسبت به تغییرات کوچک در اجزای فرکانس بالا رسانه صوتی حساس نیست، علامت رمزگذاری شده طبق قوانین خاص تعبیه شده می تواند در سیگنال صوتی تعبیه شود. عمق تعبیه هر بخش صوتی توسط دامنه متوسط کلی کنترل می شود تا به طور موثر استحکام و عدم نفوذ را بهبود بخشد. علامت چاپ سفید برای بهبود امنیت واترمارک رمزگذاری می شود، بنابراین فقط کاربرانی که کلید صحیح را در دست دارند می توانند به طور دقیق و بدون سیگنال صوتی علامت را استخراج کنند. نتایج تجربی نشان می دهد که الگوریتم پیشنهادی از ظرفیت های بزرگتر، عدم نفوذ بالاتر، امنیت بهتر و استحکام قوی تری در هنگام حمله در برابر حملات پردازش سیگنال نسبت به الگوریتم های نهان نگاری صدا در سالهای اخیر برخوردار است.
در [1] طرح های موجود را به دامنه زمانی طبقه بندی می کند و روش های دامنه را تغییر می دهد و کلیه آثار بررسی شده را با استفاده از دو معادله تعبیه علامت عام عمومی در دو حوزه مرتبط می کند. مهمترین معیارهای طراحی، یعنی عدم نفوذ و استحکام، به طور کامل بررسی می شود. برای غیرممکن بودن، رویکردهای اندازه گیری و کنترل موجود به انواع اکتشافی و تحلیلی طبقه بندی می شوند و به دنبال آن تحلیل ها و بحث های فشرده ای انجام می شود. سپس، به استحكام راه حل های موجود در برابر طیف گسترده ای از حملات مهم كه به ترتیب در حملات اساسی، زدایی و جایگزینی طبقه بندی شده اند. این نشان می دهد که در این مقاله چالش های فعلی در ایجاد یک راه حل جهانی قوی در برابر تمام حملات در نظر گرفته شده است.
در [5] بسیاری از مقالات تحقیقاتی و پیمایشی مربوط به واترمارک صوتی مورد بررسی قرار گرفته است. ما سعی کردیم مقالات سالهای 2012-2015 را گردآوری کنیم تا آخرین کار در آن بررسی شود. در فصل های بعدی این مقاله گزارش بررسی خود را با نتیجه گیری و مراجع ارائه کرده ایم.
در [4] یک سیستم علامتگذاری صوتی با ظرفیت بالا برای جاسازی داده ها و استخراج آنها با روشی کمی دقیق با تغییر برخی از مقادیر طیف FFT ارائه شده است. ایده اصلی تقسیم طیف FFT در فریم های کوتاه و تغییر اندازه نمونه های FFT انتخاب شده با استفاده از اعداد فیبوناچی است. با بهره گیری از اعداد فیبوناچی، می توان نمونه فرکانس را به صورت انطباقی تغییر داد. در حقیقت، روش پیشنهادی ریاضی تضمین و اثبات می کند که حداکثر تغییر کمتر از 61٪ از نمونه FFT مربوط است و خطای متوسط برای هر نمونه 25٪ است. استفاده از نزدیکترین عدد فیبوناچی به بزرگی FFT منجر به یک تکنیک قوی و شفاف می شود. علاوه بر ظرفیت، شفافیت و استحکام بسیار قابل توجه این طرح دو پارامتر را فراهم می کند که تنظیم این خصوصیات را تسهیل می کند.
در [2] یک روش نهان نگاری صوتی مؤثر با میانگین انرژی ضریب های DCT ارائه شده است به گونه ای که یک سیگنال صوتی با علامت چاپی به پردازش داده ها محکم است. هدف این است که یک سیگنال صوتی را به بخش ها با سه پارامتر تعریف طول قطعه ، دنباله قطعه محل علامت تقسیم کنیم. و ضریب فرکانس ضرایب DCT برای موقعیت نهان نگاری به عنوان یک کد تصحیح خطا نیز برای بهبود کیفیت سیگنال صوتی بعد از واترمارکینگ یکپارچه شده است. نتایج تجربی نشان می دهد که این روش نسبت به فشرده سازی داده ها و انواع دیگر پردازش سیگنال مقاوم است. هیچ سیگنال اصلی برای رمزگشایی علامت سفید لازم نیست. مقایسه عملکرد نهان نگاری با یک اثر اخیر تأیید می کند که روش نهان نگاری از کیفیت صوتی بهتر و استحکام بالاتری برخوردار است. نتایج تجربی نشان می دهد که این روش از ظرفیت بالایی برخوردار است (700 bps تا 3 kbps) ، بدون تحریف ادراک قابل توجهی (ODG حدود 1 است) و استحکام را در برابر پردازش سیگنال های صوتی متداول مانند اکو، اضافه کردن صدا، فیلتر و فشرده سازی MPEG فراهم می کند ( MP3) علاوه بر نتایج تجربی، وفاداری سیستم پیشنهادی از نظر ریاضی به اثبات رسیده است.
در [6] با بهره گیری از ویژگی های موجود در HAS، روش نهان نگاری در طیف گسترش فرکانس انتخابی ارائه کرده است. سایر طرح های نهان نگاری صوتی با طیف گسترده ای با تجزیه حالت تجربی (EMD) برای HAS پیشنهاد شده است، اما استحکام نهان نگاری برای حمله به فیلترها همچنان یک چالش است.
در [7] با اندازه گیری آستانه پوشش در طیف گسترده، روشی را پیشنهاد کردند و در [8] همچنین برای بهبود استحکام، علامتی از کدهای همگام سازی تعبیه شده را در نظر گرفتند. اما ظرفیت تعبیه هر دو دوباره نسبتاً محدود است.
سرسترداری و آقایی [9] همچنین از سیگنال های گفتاری خود جاسازی شده برای محافظت در برابر برنامه نویسی کانال استفاده می کنند، اما سیگنال گفتار اصلی برای استخراج واترمارک لازم است.
منابع
[1] Hua, G., Huang, J., Shi, Y. Q., Goh, J., & Thing, V. L. (2016). Twenty years of digital audio watermarking—a comprehensive review. Signal processing, 128, 222-242.
[2] Tsai, S. E., & Yang, S. M. (2018). An effective watermarking method based on energy averaging in audio signals. Mathematical Problems in Engineering, 2018.
[3] Wu, Q., & Wu, M. (2018). Adaptive and Blind Audio Watermarking Algorithm Based on Chaotic Encryption in Hybrid Domain. Symmetry, 10(7), 284.
[4] Fallahpour, M., & Megías, D. (2015). Audio watermarking based on Fibonacci numbers. IEEE Transactions on Audio, Speech, and Language Processing, 23(8), 1273-1282.
[5] Jain, R., Trivedi, M. C., & Tiwari, S. (2018). Digital audio watermarking: A survey. In Advances in Computer and Computational Sciences (pp. 433-443). Springer, Singapore.
[6] Malik, H., Ansari, R., & Khokhar, A. (2008). Robust audio watermarking using frequency-selective spread spectrum. IET Information Security, 2(4), 129-150.
[7] Tiwari, A., & Jain, L. (2015). Digital Audio Watermarking using Frequency Masking Technique. International Journal of Computer Applications, 126(4).
[8] Kang, X., Yang, R., & Huang, J. (2010). Geometric invariant audio watermarking based on an LCM feature. IEEE Transactions on Multimedia, 13(2), 181-190.
[9] Sarreshtedari, S., Akhaee, M. A., & Abbasfar, A. (2015). A watermarking method for digital speech self-recovery. IEEE/ACM Transactions on Audio, Speech and Language Processing (TASLP), 23(11), 1917-1925.
[10] Wu, Q., & Wu, M. (2018). A novel robust audio watermarking algorithm by modifying the average amplitude in transform domain. Applied Sciences, 8(5), 723.
[11] Natgunanathan, I., Xiang, Y., Hua, G., Beliakov, G., Yearwood, J., Natgunanathan, I., … & Yearwood, J. (2017). Patchwork-based multilayer audio watermarking. IEEE/ACM Transactions on Audio, Speech and Language Processing (TASLP), 25(11), 2176-2187.
[12] Boney, L., Tewfik, A. H., & Hamdy, K. N. (1996, June). Digital watermarks for audio signals. In Proceedings of the Third IEEE International Conference on Multimedia Computing and Systems (pp. 473-480). IEEE.
[13] O’Ruanaidh, J. J. K., Dowling, W. J., & Boland, F. M. (1996). Watermarking digital images for copyright protection. IEE Proceedings-Vision, Image and Signal Processing, 143(4), 250-256.
[14] Bassia, P., Pitas, I., & Nikolaidis, N. (2001). Robust audio watermarking in the time domain. IEEE Transactions on multimedia, 3(2), 232-241.
[15] Amin, M. M., Salleh, M., Ibrahim, S., Katmin, M. R., & Shamsuddin, M. Z. I. (2003, January). Information hiding using steganography. In 4th National Conference of Telecommunication Technology, 2003. NCTT 2003 Proceedings. (pp. 21-25). IEEE.
[16] Larbi, S. D., & Jaïdane-Saïdane, M. (2005). Audio watermarking: a way to stationnarize audio signals. IEEE Transactions on Signal Processing, 53(2), 816-823.
[17] Zaidi, A., Boyer, R., & Duhamel, P. (2006). Audio watermarking under desynchronization and additive noise attacks. IEEE transactions on signal processing, 54(2), 570-584.
[18] Robert, A., & Picard, J. (2005). On the use of masking models for image and audio watermarking. IEEE transactions on multimedia, 7(4), 727-739.
[19] Steinebach, M., Petitcolas, F. A., Raynal, F., Dittmann, J., Fontaine, C., Seibel, S., … & Ferri, L. C. (2001, April). StirMark benchmark: audio watermarking attacks. In Proceedings international conference on information technology: coding and computing (pp. 49-54). IEEE.
[20] Xiang, S., & Huang, J. (2007). Histogram-based audio watermarking against time-scale modification and cropping attacks. IEEE Transactions on Multimedia, 9(7), 1357-1372.
[21] Lei, B., Soon, Y., & Tan, E. L. (2013). Robust SVD-based audio watermarking scheme with differential evolution optimization. IEEE transactions on audio, speech, and language processing, 21(11), 2368-2378.
توجه:
برای دانلود فایل کامل ورد لطفا اقدام به خرید نمایید.
لینک دانلود فایل بلافاصله پس از خرید بصورت اتوماتیک برای شما ایمیل می گردد.
به منظور سفارش تحقیق مرتبط با رشته تخصصی خود بر روی کلید زیر کلیک نمایید.
سفارش تحقیق
نقد و بررسیها
هنوز بررسیای ثبت نشده است.