An Analysis of Effectiveness of StegoAppDB and Data Hiding Efficiency of StegHide Image Steganography Tools
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Steganography is a method and technique of concealing existence of communication by embedding secret messages in digital media such as images, videos, electronic books and audio files. Steganographic techniques can be applied in several different ways. On one hand, people can benefit from their use. For example, the steganographic techniques can be used to protect copyright. On the other hand, the techniques can be used for malicious reasons. The steganography can be used to conceal parts of a ransomware attack or for delivering a malicious JavaScript. Steganalysis is a practice and approach to detect coded messages using visual perception, mathematical analysis, or other methods. Detection methods of steganalysis can be divided into two categories: specific steganalysis and universal steganalysis. The specific detection methods deal with the planned steganographic systems (algorithms), while the general detection methods provide recognition irrespective of what the steganographic systems are. This paper primarily focuses on calculating the data hiding efficiency of the steganographic tool Steghide 0.5.1 and StegoAppDB dataset images. This study also analyzes the performance of different embedding techniques and well-known encryption algorithms (AES, DES, 3DES, RC2) with several modes of operation (CBC, CFB, CTR, ECB, OFB) and how they impact the PSNR.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle