Data hiding and extraction using pseudo-random generation and cover image replication
Notice bibliographique
Résumé
This paper introduces a new algorithm in Steganography for concealing secret messages or images within digital images. The algorithm is designed to produce stego images that can be transmitted to recipients without detection by potential attackers, thereby ensuring secure communication channels. The proposed algorithm employs a multi-level randomization technique to embed data within randomly selected cover images, with each byte of the secret image distributed across multiple cover images. This approach contrasts with conventional methods that hide data within a single cover image. Moreover, the algorithm incorporates a load-balancing priority system, a critical feature that ensures uniform stego image quality across the dataset. This strategic approach minimizes variations in Peak-Signal-to-Noise-Ratio (PSNR) values, contributing to consistent performance during data hiding and extraction processes and enhancing communication security. The security and recoverability of the secret image are further improved by a simplified Cipher key system based on SHA-256, which facilitates pseudo-random number generation. This system ensures that the hidden image can be recovered at the receiver's end, even in the face of potential attacks. Experimental results demonstrate comparable PSNR quality to existing methods, particularly when utilizing equal total resolution to deep hiding algorithms. Notably, the proposed algorithm offers an alternative to encryption by leveraging randomization, thereby complicating data extraction for potential attackers by distributing data across multiple images with a randomly generated cipher key.
Conservé avec la notice de tri, où il sert de preuve aux étiquettes ci-dessus.
Comment cette classification a été obtenuedéplier
Le tri à trois modèles
les 5 600 travaux triés →Les trois modèles l'ont jugé hors champ.
New steganography algorithm for hiding data in images; computer security.
The study proposes and evaluates a steganographic data-hiding algorithm.
Steganography algorithm using cover-image replication; security engineering, not research reproducibility.
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».