Topological and Entropic Analysis of Steganography and Steganalysis via AI-Driven Multi-Agent Systems
Notice bibliographique
Résumé
In this paper we introduce a novel combination of Topological data analysis (TDA) and the informationtheoretic entropy measures integrated into an AI-based Multi-Agent System (MAS) framework to provide an enhanced steganography and steganalysis analysis. As a consequence of advanced hidden means of the communication and the increased requirements for smart adaptive destruction methods, the convergence of topology, entropy and AI in security is studied. Leveraging core concepts from steganography, steganalysis, and MAS design, we introduce a model formed by special agents—Embedder, Extractor, Detector, and Coordinator—that circulate in centralized, decentralized, and hybrid communication models. These agents are augmented with deep learning models (CNNs, GANs, Trans- formers) to extract features, predict payloads, and detect anomalies. We use persistent homology to extract topological features from high dimensional stego-object Feature Spaces, manifesting difference in the underlying manifolds of cover vs. stego data. In addition, we use entropic measures (Shannon, Rényi, KL divergence, predictive entropy) of security, agent uncertainty and information loss/gain in communications. Synergy of topological and entropic views enable us to define joint topological-entropic signatures that enhance readability and the steganalysis agents' performance. Experimental on image and audio steganography data sets (e.g., BOSSBase, ALASKA) demonstrates the proposed method's superiority of detection accuracy and robustness over baseline methods. Our findings convey that MAS dynamics particularly in adversarial training, largely decide the topological complexity and entropy landscape of learned feature space. The paper finishes with some discussion on these results when designing adaptive AI-based steganalysis systems.
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.
Comment cette classification a été obtenuedéplier
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».