Steganalisis: Mendeteksi Pesan Tersembunyi

Teknik steganalisis paling dasar adalah mengamati gambar yang mencurigakan dengan saksama. Memperbesar gambar hingga tingkat piksel dan memeriksa wilayah dengan warna seragam dapat mengungkap artefak blok atau pola derau yang tidak konsisten dengan isi gambar. Mengubah gambar menjadi skala abu-abu, menyesuaikan kontras, dan memeriksa histogram warna dapat mengungkap anomali yang mengisyaratkan telah terjadi penyisipan steganografis di wilayah tertentu.

Uji chi-square adalah uji statistik klasik untuk steganografi LSB. Citra alami memiliki distribusi nilai warna khas, dengan pasangan nilai genap-ganjil yang berdekatan muncul dengan frekuensi serupa. Penyisipan LSB mengubah nilai ganjil menjadi genap atau sebaliknya, sehingga menciptakan ketidakseimbangan yang dapat dideteksi pada pasangan tersebut. Statistik chi-square mengukur penyimpangan dari frekuensi pasangan yang diharapkan dan meningkat secara signifikan ketika penyisipan terdeteksi.

Analisis pasangan sampel adalah pendeteksi LSB yang lebih canggih dan memperkirakan panjang pesan yang disisipkan, bukan hanya apakah penyisipan terjadi. Analisis ini menghitung transisi antara pasangan nilai piksel yang berdekatan dan memodelkan perubahan jumlah tersebut seiring berbagai jumlah data yang disisipkan. Dengan mencocokkan jumlah yang diamati dengan model, analis dapat memperkirakan bagian kapasitas pembawa yang telah digunakan.

Metrik kualitas gambar seperti PSNR (Rasio Puncak Sinyal terhadap Derau) dan SSIM (Indeks Kemiripan Struktural) membandingkan gambar yang mencurigakan dengan referensi bersih yang diasumsikan atau dengan model statistik gambar alami. PSNR yang sangat tinggi menunjukkan modifikasi minimal; distribusi derau yang merata secara tidak wajar di seluruh gambar, bukan terkonsentrasi di wilayah yang kompleks, menunjukkan manipulasi LSB sistematis dan bukan derau kamera alami.

Analisis RS membagi piksel gambar menjadi beberapa kelompok dan mengklasifikasikannya sebagai Reguler, Tunggal, atau Tidak Dapat Digunakan berdasarkan perubahan ukuran kehalusannya ketika LSB dibalik. Pada gambar alami, proporsi kelompok Reguler sedikit lebih besar daripada kelompok Tunggal. Penyisipan LSB menyamakan proporsi tersebut dengan cara yang dapat diprediksi. Pengukuran nilai R dan S sebelum dan sesudah pembalikan LSB menghasilkan pendeteksi yang andal untuk memperkirakan laju penyisipan.

Steganalisis terarah dirancang untuk mendeteksi alat atau algoritma steganografi tertentu dengan memanfaatkan ciri statistik khususnya. Steganalisis buta, yang juga disebut steganalisis universal, berupaya mendeteksi konten tersembunyi apa pun tanpa mengetahui alat yang digunakan. Metode buta biasanya mengekstrak ratusan fitur statistik dari gambar, lalu menggunakan pengklasifikasi pembelajaran mesin yang dilatih dengan gambar bersih dan gambar yang memuat steganografi.

Steganalisis modern menggunakan jaringan saraf konvolusional yang dilatih dengan kumpulan data besar berisi gambar bersih dan gambar yang memuat steganografi. CNN mempelajari cara mengidentifikasi perbedaan statistik orde kedua yang halus yang ditimbulkan oleh penyisipan steganografis. Model seperti SRNet dan Yedroudj-Net mencapai tingkat deteksi yang sangat tinggi terhadap alat steganografi saat ini, bahkan pada laju penyisipan rendah sebesar 0,1 bit per piksel. Perlombaan senjata antara penyisipan dan deteksi terus berlanjut.

StegExpose adalah alat steganalisis berkelompok sumber terbuka yang menjalankan berbagai algoritma deteksi pada sekumpulan gambar dan menggabungkan skornya. Alat ini menerapkan chi-square, analisis RS, himpunan primer, dan analisis pasangan sampel, lalu menghasilkan skor probabilitas gabungan. Tim keamanan menggunakannya untuk memindai repositori gambar besar guna mencari kemungkinan eksfiltrasi data. Alat ini efektif terhadap alat umum seperti Steghide, OpenStego, dan Outguess.

Banyak alat steganografi meninggalkan artefak khas selain anomali statistik. Steghide, misalnya, menghasilkan pola tertentu pada beberapa bita pertama berkas WAV yang dimodifikasi. OpenPuff memodifikasi tajuk berkas dengan cara yang mudah dikenali. Ciri khas alat ini memungkinkan perangkat lunak forensik mengidentifikasi bukan hanya bahwa steganografi digunakan, tetapi juga alat spesifik yang digunakan, sehingga membantu mengarahkan upaya ekstraksi.

Berkas yang ukurannya tidak terduga besar untuk jenis isinya dapat mengindikasikan adanya muatan tersembunyi. Tangkapan layar PNG yang ukurannya dua kali lipat dari ukuran berkas yang diharapkan berdasarkan dimensinya mungkin mengandung arsip tersembunyi. Membandingkan ukuran berkas sebenarnya dengan ukuran yang diharapkan berdasarkan dimensi, kedalaman warna, dan pengaturan kompresi menyediakan metode penapisan awal yang cepat untuk mengidentifikasi berkas mencurigakan sebelum melakukan steganalisis terperinci.

Investigasi forensik digital mencari tanda pemasangan atau penggunaan alat steganografi, bukan hanya berkas pembawa itu sendiri. Riwayat peramban yang menunjukkan kunjungan ke halaman pengunduhan perangkat lunak steganografi, aplikasi terpasang seperti OpenStego, dan berkas sementara dari operasi steganografis semuanya dapat menjadi indikator forensik. Entri Registri di Windows dapat mencatat berkas yang baru dibuka dan digunakan sebagai pembawa atau sumber data tersembunyi.

Teknik steganalisis mana yang memperkirakan jumlah data tersembunyi dengan memodelkan perubahan jumlah transisi pasangan piksel seiring laju penyisipan?

Steganalisis mencakup berbagai metode, mulai dari pemeriksaan visual hingga pengklasifikasi pembelajaran mesin yang canggih. Analisis chi-square dan RS merupakan pendeteksi statistik klasik untuk penyisipan LSB. Analisis pasangan sampel memperkirakan laju penyisipan. CNN pembelajaran mesin mencapai tingkat deteksi tinggi terhadap alat modern. StegExpose menggabungkan berbagai uji untuk pemindaian berkelompok. Ciri khas alat dan anomali ukuran berkas memberikan indikator forensik tambahan di luar analisis statistik murni.