Investigación en elRevista internacional de ciencia e ingeniería computacional describeun nuevo enfoque para detectar mensajes ocultos en imágenes digitales.El trabajo contribuye al campo del esteganálisis, que desempeña un papel clave en la ciberseguridad y la ciencia forense digital.

La esteganografía implica incrustar datos dentro de un medio común, como palabras ocultas entre los bits y bytes de una imagen digital.La imagen no se ve diferente cuando se muestra en una pantalla, pero alguien que sabe que hay un mensaje oculto puede extraerlo o mostrarlo.Dado el gran número deimágenes digitalesque existen ahora -y ese número crece a un ritmo notable cada día- es difícil ver cómo un tercero, como las fuerzas del orden, podría encontrar esa información oculta.

De hecho, en cierto sentido es seguridad por oscuridad, pero de todos modos es una técnica poderosa.Por supuesto, existen usos legítimos de la esteganografía, pero quizás haya usos más nefastos, y la detección eficaz es importante para la aplicación de la ley y la seguridad.

Ankita Gupta, Rita Chhikara y Prabha Sharma de la Universidad NorthCap en Gurugram, India, han introducido un nuevo enfoque que mejora la precisión de la detección y al mismo tiempo aborda los desafíos computacionales asociados con el procesamiento de las grandes cantidades de datos necesarias.

El esteganálisis implica identificar si una imagen contiene datos ocultos.Por lo general, se emplea el modelo espacial rico (SRM) para detectar esos mensajes ocultos.Analiza la imagen para identificar pequeños cambios en la huella digital que estarían presentes debido a la adición de datos ocultos.Sin embargo, SRM es complejo, tiene una gran cantidad de funciones y puede abrumar a los algoritmos de detección, lo que lleva a una eficacia reducida.Esta cuestión a menudo se conoce como la "maldición de la dimensionalidad".

El equipo ha recurrido a una optimización híbridaalgoritmollamado DEHHPSO, que combina tres algoritmos: Harris Hawks Optimizer (HHO), Particle Swarm Optimization (PSO) y Differential Evolution (DE).Cada uno de estos algoritmos se inspiró en procesos naturales.Por ejemplo, el algoritmo HHO simula el comportamiento de caza de Harris Hawks y equilibra la exploración del entorno con la búsqueda de soluciones óptimas.El equipo explica que al combinar HHO, PSO y DE, pueden trabajar con conjuntos de características complejas mucho más rápidamente de lo que es posible con un único algoritmo actual, por sofisticado que sea.

El enfoque híbrido reduce la demanda computacional al eliminar más del 94% de las características que de otro modo tendrían que procesarse.La información eliminada se puede procesar con un clasificador de máquina de vectores de soporte (SVM).El equipo dice que este método funciona mejor que la metaheurística (esencialmente métodos de prueba y error) y mejor incluso que varios métodos de aprendizaje profundo, que generalmente se utilizan para resolver másproblemas complejosque el esteganálisis.

Más información:Ankita Gupta et al, Un optimizador de Harris Hawks continuo y discreto mejorado aplicado a la selección de funciones para el esteganálisis de imágenes,Revista internacional de ciencia e ingeniería computacional(2024).DOI: 10.1504/IJCSE.2024.141339