一、研究背景
随着互联网技术的广泛应用和移动智能设备的快速普及，人们有了更多的途径传播和获取信息。每天海量的数据以视频、音频、图像、文字等各类形式在互联网中产生，这为人们的生活带来了极大的便利，但同时也引起了人们对信息泄露的担忧。近年来，社会各界逐渐意识到了信息安全的重要性，而信息隐藏作为信息安全的关键分支，也得到了相关专家及学者的关注。
信息隐藏将秘密信息隐藏到图像、视频、音频等普通宿主信号中而不改变其外部表现特征，在需要的时候便可根据宿主信号提取并恢复秘密信息，从而达到秘密通信和隐私保护的目的。与密码学将秘密信息生成不可识别的“乱码”相比，信息隐藏能够不知不觉的隐藏信息，降低了被第三方怀疑与攻击的风险。下图为信息隐藏一般过程图：
该技术可以追溯到1984年Simmons所提出的囚徒模型[1]：监狱的两个牢房中分别关押着囚犯Alice、Bob，他们企图在牢房中策划越狱行动，但是他们之间的任何通信行为都会被狱警Eva所监视，并且通信内容是可见的，一旦Eva发现犯人之间的存在“异常”通信，那么他们间的通信就会被立即切断。为了在Eva的监视之下完成秘密信息的传递，信息隐藏技术孕育而生。Alice将敏感信息通过相关操作隐藏在载体中，Bob收到含密载体后则可以通过约定的操作提取出敏感信息，该过程在监视者看来属于正常的通信行为，因此不会引起怀疑。
2014年，Goodfellow等人[18]提出了生成对抗网络，其强大的图像生成能力使得深度学习和无载体信息隐藏有了更多结合的可能。因此通过设计恰当的映射规则，可以实现秘密信息到含密图像的映射，最终实现无载体信息隐藏。无载体信息隐藏只是在信息隐藏阶段不存在“嵌入”操作，并非不需要载体，它利用秘密信息直接生成或映射为含密载体，保持了载体图像的自然特征，在公开信道中传输时，减少了第三方人员的怀疑。因此基于生成对抗网络的无载体信息隐藏算法研究是十分有意义的。
二、经典算法介绍
2018年，Hu等人[30]首次提出利用秘密信息驱动生成对抗网络，生成含密图像的信息隐藏算法。其含密图像不存在任何嵌入操作，且无法找出与秘密信息的任何直接联系，具有较高的隐秘性。其算法框架如图3-1所示：
该算法利用DCGAN接收随机噪声作为输入，生成伪自然图像的特点，设计了一种量化方法，将秘密信息映射到指定区间内的随机噪声，并将此噪声作为输入，驱动DCGAN生成含密图像。在秘密信息恢复阶段，设计了一个噪声提取网络，用于从含密图像中提取出输入噪声向量，从而恢复秘密信息。该算法生成的图像如下：
该算法通过巧妙的设计映射关系，并利用GAN强大的图像生成能力，使得生成的含密图像和所隐藏的秘密信息“毫无关系”，加强了信息隐藏方法的隐蔽性。但是依然存在需要改进的地方，首先该方案使用DCGAN作为生成模型，导致生成的含密图像视觉效果较差，如图3-2所示，并且在训练过程中容易出现模式崩塌。其次，该算法所设计的提取模型虽然能够较好的提取出输入噪声，进而恢复秘密信息，但在噪声的干扰下，秘密信息恢复准确率将大幅度下降，因此该算法不具备噪声鲁棒性。算法流程图如下：
参考文献
- Simmons G J. The prisoners’ problem and the subliminal channel[C]. Proceedings of the Advances in Cryptology. Springer, Boston, MA, 1984: 51-67.
- Goodfellow I, Pouget A J, Mirz M, et al. Generative adversarial nets [C]. Proceedings of the Advances in Neural Information Processing Systems, 2014: 2672-2680.
- Hu D H, Wang L, Jiang W, et al. A novel image steganography method via deep convolutional generative adversarial networks[J]. IEEE Access, 2018, 6: 38303-38314.
