Registration Number
0826U002236, PhD dissertation
Status
Доктор філософії
Date
02-07-2026
popup.evolution
o
Чому дисертація має статус "Запланована"?
Title
Information Technology for Image Steganalysis Based on Deep Learning and Multimodal Models
Author
YURII MISHKUR,
popup.head Nataliia O. Lashchevska
popup.opponent Eugene Malakhov
popup.opponent Oleksii Holubnychyi
popup.review Yevhen A. Chychkarov
popup.review Anton S. Shantyr
popup.rada
State University of information and communication technologies
Description
Реферат
Дисертаційна робота складається з анотації, змісту, вступу, чотирьох розділів, загальних висновків, списку використаних джерел та додатків. Робота містить 23 рисунки, 10 таблиць та 5 сторінок додатків. Список використаних джерел налічує 95 найменувань. Загальний обсяг дисертації становить 115 сторінок, з них 108 сторінки основного тексту.
Роботу присвячено розробці гібридної інформаційної технології стегоаналізу цифрових зображень, що інтегрує методи глибокого навчання та семантичний арбітраж мультимодальних великих мовних моделей (MLLM).
Актуальність дослідження зумовлена стрімким розвитком адаптивної стеганографії (алгоритми S-UNIWARD, HUGO, JMiPOD), яка дозволяє приховувати дані у складних текстурних ділянках зображень, роблячи їх майже невідрізнимими від природного шуму матриці камери. Використання таких методів у структурах APT-кампаній та шкідливого програмного забезпечення для ексфільтрації даних створює суттєві загрози національній та корпоративній безпеці. Традиційні статистичні підходи виявляються недостатньо ефективними в умовах реальних наборів даних, як-от ALASKA2, де параметри стиснення та джерела походження зображень є невідомими. У зв'язку з цим виникає гостра потреба у розробці гібридних інтелектуальних систем, які поєднують потужність глибоких згорткових нейронних мереж із семантичними можливостями великих мультимодальних мовних моделей (Gemma 3, Llama 3.2 Vision) для реалізації механізму семантичного арбітражу та забезпечення високої точності й інтерпретованості висновків.
Об'єктом дослідження є процеси виявлення прихованої інформації в цифрових контейнерах, а предметом — нейромережеві архітектури та методи високочастотної фільтрації для стегоаналізу.
Мета дослідження — підвищення точності та інтерпретованості процесів виявлення прихованої інформації в цифрових зображеннях шляхом розробки та впровадження гібридної інформаційної технології стегоаналізу, що базується на поєднанні методів багатомасштабної високочастотної фільтрації, глибоких згорткових нейронних мереж та семантичного арбітражу великих мультимодальних мовних моделей.
Наукова новизна отриманих результатів полягає розробці гібридну архітектуру стегоаналізу, яка поєднує блок паралельної багатомасштабної високочастотної фільтрації із семантичним аналізом мультимодальних великих мовних моделей, що забезпечує можливість формування обґрунтованих природномовних висновків щодо характеру виявлених аномалій.
Запропоновано механізм семантичного арбітражу в задачах виявлення прихованої інформації, що дозволяє мультимодальній моделі верифікувати результати нейромережевого класифікатора та ефективно розрізняти природний шум складних текстур від цілеспрямованого стеганографічного втручання.
Удосконалено структуру вхідного шару стегоаналітичних нейронних мереж шляхом інтеграції механізму адаптивного перерахунку ваги каналів ознак (SE-блок) для паралельних груп фільтрів різних просторових розмірів, що підвищує чутливість системи до дрібнорозмірних артефактів.
Дістала подальший розвиток модель багатомасштабної попередньої обробки зображень, яка за рахунок одночасного використання спрямованих ядер 3х3, 5х5, 7х7 пікселів дозволяє одночасно ідентифікувати ознаки вбудовування як у просторовому, так і в частотному доменах.
Практичне значення одержаних результатів полягає у створенні моделі HPF+ResNet50+Gemma3:12b, яка дозволяє досягати точності виявлення прихованого вмісту на рівні 91,7% на бенчмарку ALASKA2, навіть при низькому навантаженні (0.2 bpp). Обґрунтовано використання платформи Ollama для локального розгортання моделей, що гарантує конфіденційність при обробці цифрових доказів та дозволяє гнучко змінювати компоненти системи без переписування основного коду. Запропоновано різні варіанти конфігурацій: від легковажних моделей на базі MobileNetV2, призначених для систем моніторингу трафіку в реальному часі, до повнорозмірних гібридних архітектур для проведення глибокого експертного аналізу цифрових зображень. Результати роботи реалізовані у вигляді Python-коду в середовищі Google Colab, що може бути використано як методична база для підготовки фахівців з кібербезпеки.
Registration Date
2026-06-05
popup.nrat_date
2026-06-05 / 2026-07-02
