स्टेगनालिसिस: छिपे संदेशों का पता लगाना

स्टेगनालिसिस की सबसे बुनियादी तकनीक केवल संदिग्ध चित्र को ध्यान से देखना है। पिक्सेल स्तर तक ज़ूम करके एकसमान रंग वाले क्षेत्रों की जाँच करने पर ऐसे ब्लॉक-जैसे विकृति-चिह्न या शोर पैटर्न दिखाई दे सकते हैं जो चित्र की सामग्री से मेल नहीं खाते। चित्र को धूसर-स्तर में बदलना, कंट्रास्ट समायोजित करना और रंग-हिस्टोग्राम की जाँच करना उन असामान्यताओं को उजागर कर सकता है जिनसे संकेत मिलता है कि कुछ क्षेत्रों में स्टेगनोग्राफ़िक समावेशन हुआ है।

काई-वर्ग परीक्षण LSB स्टेगनोग्राफी के लिए एक पारंपरिक सांख्यिकीय परीक्षण है। प्राकृतिक चित्रों में रंग मानों का विशिष्ट वितरण होता है, जिसमें आसन्न सम-विषम मान-युग्म लगभग समान आवृत्ति से दिखाई देते हैं। LSB समावेशन विषम मानों को सम और सम मानों को विषम में बदल देता है, जिससे इन युग्मों में पता लगाए जा सकने वाले असंतुलन उत्पन्न होते हैं। काई-वर्ग सांख्यिकी अपेक्षित युग्म-आवृत्तियों से विचलन को मापती है और समावेशन का पता चलने पर काफी बढ़ जाती है।

नमूना-युग्म विश्लेषण एक अधिक उन्नत LSB डिटेक्टर है, जो केवल यह नहीं बताता कि समावेशन हुआ है या नहीं, बल्कि छिपे संदेश की लंबाई का भी अनुमान लगाता है। यह पड़ोसी पिक्सेल मान-युग्मों के बीच होने वाले बदलावों को गिनता है और अलग-अलग मात्रा में समाविष्ट डेटा के साथ इन गणनाओं में होने वाले बदलावों का प्रतिरूप बनाता है। प्रेक्षित गणनाओं को इस प्रतिरूप के अनुरूप बैठाकर विश्लेषक यह अनुमान लगा सकता है कि वाहक क्षमता का कितना अंश उपयोग किया गया है।

PSNR (शिखर सिग्नल-से-शोर अनुपात) और SSIM (संरचनात्मक समानता सूचकांक) जैसे चित्र-गुणवत्ता मापदंड किसी संदिग्ध चित्र की तुलना किसी स्वच्छ माने गए संदर्भ या प्राकृतिक चित्रों के सांख्यिकीय प्रतिरूप से करते हैं। बहुत अधिक PSNR न्यूनतम संशोधन का संकेत देता है; चित्र में शोर का असामान्य रूप से समान वितरण, जटिल क्षेत्रों में केंद्रित वितरण के बजाय, प्राकृतिक कैमरा शोर के बजाय व्यवस्थित LSB हेरफेर का संकेत देता है।

RS विश्लेषण चित्र के पिक्सेलों को समूहों में बाँटता है और LSB उलटने पर उनकी चिकनाई के माप में होने वाले बदलाव के आधार पर उन्हें नियमित, एकल या अनुपयोगी के रूप में वर्गीकृत करता है। प्राकृतिक चित्रों में नियमित समूहों का अनुपात एकल समूहों से थोड़ा अधिक होता है। LSB समावेशन इन अनुपातों को अनुमानित तरीके से बराबर कर देता है। LSB उलटने से पहले और बाद के R तथा S मानों को मापने से एक मजबूत पता-लगाने वाली विधि मिलती है, जो समावेशन दर का अनुमान लगाती है।

लक्षित स्टेगनालिसिस किसी विशिष्ट स्टेगनोग्राफी उपकरण या एल्गोरिदम का पता लगाने के लिए बनाया जाता है और उसके विशेष सांख्यिकीय पहचान-चिह्न का उपयोग करता है। अंध स्टेगनालिसिस, जिसे सार्वभौमिक स्टेगनालिसिस भी कहा जाता है, यह जाने बिना किसी भी छिपी सामग्री का पता लगाने का प्रयास करता है कि कौन-सा उपकरण इस्तेमाल किया गया था। अंध विधियाँ आम तौर पर चित्र से सैकड़ों सांख्यिकीय विशेषताएँ निकालती हैं और ज्ञात स्वच्छ तथा छिपावयुक्त चित्रों पर प्रशिक्षित मशीन-अधिगम वर्गीकारकों का उपयोग करती हैं।

आधुनिक स्टेगनालिसिस स्वच्छ और छिपावयुक्त चित्रों के बड़े डेटा-समुच्चयों पर प्रशिक्षित कन्वोल्यूशनल तंत्रिका नेटवर्क का उपयोग करता है। CNN स्टेगनोग्राफ़िक समावेशन से उत्पन्न सूक्ष्म द्वितीय-क्रम सांख्यिकीय अंतरों को पहचानना सीखता है। एसआरनेट और येद्रूज-नेट जैसे मॉडल वर्तमान स्टेगनोग्राफी उपकरणों के विरुद्ध बहुत ऊँची पता-दर प्राप्त करते हैं, यहाँ तक कि 0.1 बिट प्रति पिक्सेल की कम समावेशन दर पर भी। समावेशन और पता लगाने के बीच यह प्रतिस्पर्धा जारी है।

StegExpose एक मुक्त-स्रोत सामूहिक स्टेगनालिसिस उपकरण है, जो चित्रों के समूह पर कई पता लगाने वाले एल्गोरिदम चलाता है और उनके अंकों को मिलाता है। इसमें काई-वर्ग, RS विश्लेषण, प्राथमिक समुच्चय और नमूना-युग्म विश्लेषण लागू किए गए हैं, जिनसे एक संयुक्त प्रायिकता अंक प्राप्त होता है। सुरक्षा दल संभावित डेटा बहिर्गमन के लिए बड़े चित्र-संग्रहों की जाँच करने हेतु इसका उपयोग करते हैं। यह स्टेगहाइड, OpenStego और आउटगेस जैसे सामान्य उपकरणों के विरुद्ध प्रभावी है।

कई स्टेगनोग्राफी उपकरण सांख्यिकीय असामान्यताओं के अलावा विशिष्ट विकृति-चिह्न भी छोड़ते हैं। उदाहरण के लिए, स्टेगहाइड संशोधित WAV फ़ाइलों के शुरुआती कुछ बाइट में एक विशेष पैटर्न बनाता है। OpenPuff फ़ाइल के शीर्षलेख में पहचाने जाने योग्य तरीके से बदलाव करता है। इन उपकरण-हस्ताक्षरों की सहायता से फॉरेंसिक सॉफ़्टवेयर न केवल यह पहचान सकता है कि स्टेगनोग्राफी का उपयोग हुआ था, बल्कि यह भी पता लगा सकता है कि कौन-सा विशिष्ट उपकरण इस्तेमाल किया गया था, जिससे निष्कर्षण का प्रयास अधिक सही दिशा में किया जा सकता है।

अपनी सामग्री के प्रकार के अनुसार असामान्य रूप से बड़ी फ़ाइलें छिपी हुई सामग्री का संकेत दे सकती हैं। अपने आयामों के लिए अपेक्षित आकार से दोगुने आकार वाला PNG स्क्रीनशॉट किसी छिपे हुए अभिलेख को समाहित कर सकता है। आयामों, रंग गहराई और संपीड़न सेटिंग्स के आधार पर अपेक्षित आकारों से वास्तविक फ़ाइल आकारों की तुलना करना, विस्तृत स्टेगनालिसिस से पहले संदिग्ध फ़ाइलों की पहचान करने की एक त्वरित प्रारंभिक-जाँच विधि है।

डिजिटल फॉरेंसिक जाँच में केवल वाहक फ़ाइलों को ही नहीं, बल्कि स्टेगनोग्राफी उपकरण की स्थापना या उपयोग के संकेतों को भी खोजा जाता है। ब्राउज़र इतिहास में स्टेगनोग्राफी सॉफ़्टवेयर डाउनलोड पृष्ठों पर जाने के प्रमाण, OpenStego जैसे स्थापित अनुप्रयोग और स्टेगनोग्राफ़िक कार्यवाहियों से बनी अस्थायी फ़ाइलें, सभी फॉरेंसिक संकेतक हो सकते हैं। विंडोज़ की रजिस्ट्री प्रविष्टियाँ हाल में खोली गई उन फ़ाइलों को दर्ज कर सकती हैं जिनका उपयोग वाहक या छिपे डेटा के स्रोत के रूप में हुआ था।

स्टेगनालिसिस दृश्य निरीक्षण से लेकर उन्नत मशीन-अधिगम वर्गीकारकों तक विस्तृत होती है। काई-वर्ग और RS विश्लेषण LSB समावेशन का पता लगाने वाली पारंपरिक सांख्यिकीय विधियाँ हैं। नमूना-युग्म विश्लेषण समावेशन दर का अनुमान लगाता है। मशीन-अधिगम CNN वर्तमान उपकरणों के विरुद्ध ऊँची पता-दर प्राप्त करते हैं। StegExpose सामूहिक जाँच के लिए कई परीक्षणों को मिलाता है। उपकरणों के विशिष्ट चिह्न और फ़ाइल आकार की असामान्यताएँ केवल सांख्यिकीय विश्लेषण से परे अतिरिक्त फॉरेंसिक संकेत देती हैं।