نهان کاوی گفتار در بیت های کم ارزش بر مبنای درصد نمونه های مجاور یکسان DOR:۲۰.۱۰۰۱.۱.۲۳۲۲۴۳۴۷.۱۴۰۰.۹.۱.۶.۳
سال انتشار: 1400
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 301
فایل این مقاله در 17 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_PADSA-9-1_006
تاریخ نمایه سازی: 22 اردیبهشت 1400
چکیده مقاله:
عمومیت فایلهای صوتی، اغلب توجه مهاجمین و عناصر مخرب را برای استفاده از این حامل، جهت پوششدهی ارتباطات محرمانه خود جلب می نماید. گستردگی استفاده از این قالبها، به همراه رویکردهای متعدد و مدرنی که برای نهاننگاری در فایلهای صوتی طراحی شدهاند، میتوانند فضای سایبری را به محیطی نا امن بدل نمایند. در راستای مقابله با این تهدیدات، امروزه روشهای متعدد نهانکاوی ابداع شده اند که با دقت بالایی قادر به تحلیل آماری قالبهای مختلف صوتی، مانند MP۳ و VoIp هستند. در میان راهحلهای ارائه شده، ترکیب روشهای پردازش سیگنال و یادگیری ماشین، امکان ایجاد نهانکاوهایی با دقت بسیار بالا را فراهم نموده است. با این وجود، از آنجا که ویژگیهای آماری فایلهای صوتی گفتاری متفاوت از نمونههای دیگر صوتی است، روشهای جاری نهانکاوی قادر نیستند به شکل موثری فایلهای حامل گفتاری را تشخیص دهند. مشکل دیگر، ابعاد بالای تحلیلی است که به شکل چشمگیری هزینه پیادهسازی را افزایش میدهد. در پاسخ به مشکلات ذکرشده، این مقاله ویژگی یکبعدی "درصد نمونههای مجاور یکسان" را به عنوان فاکتور جداسازی نمونههای نهاننگاری شده از پاک مطرح میکند. نتایج نشانگر حساسیت ۸۲/۹۹% نهانکاو طراحی شده با استفاده از دستهبند تابع عضویت گاوسی، در نرخ نهاننگاری ۵۰% است. علاوه بر این، این نهانکاو قادر است با دقت مطلوبی حجم پیام مخفی شده را تخمین بزند. عملکرد الگوریتم طراحی شده بر روی یک پایگاه داده متشکل از نمونههای موسیقی کلاسیک نیز ارزیابی شده و نتایج حاکی از کارایی ۲/۸۱% آن هستند.
کلیدواژه ها:
نویسندگان
سعید یزدانپناه
دانشجوی دکتری گروه مهندسی کامپیوتر، واحد دزفول، دانشگاه آزاد اسلامی، دزفول، ایران
محمد خیراندیش
استادیار گروه مهندسی کامپیوتر، واحد دزفول، دانشگاه آزاد اسلامی، دزفول، ایران
محمد مصلح
دانشیار گروه مهندسی کامپیوتر، واحد دزفول، دانشگاه آزاد اسلامی، دزفول، ایران
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :