混合优化算法有助于检测数字图像中的隐藏信息
《国际计算科学与工程杂志》 上的一项研究介绍了一种识别数字图像中隐藏信息的新方法。这项研究为隐写分析领域做出了贡献，而隐写分析在网络安全和数字取证中发挥着关键作用。隐写术涉及将数据嵌入通用介质中，例如隐藏在数字图像的比特和字节中的单词。图像在屏幕上显示时看起来没有什么不同，但知道隐藏信息的人可以提取或显示该信息。鉴于目前存在的大量数字图像——而且这一数字每天都在以惊人的速度增长——很难想象第三方（例如执法部门）如何发现这些隐藏的信息。
确实，从某种意义上说，这是通过隐蔽性实现的安全，但它仍然是一种强大的技术。当然，隐写术有合法用途，但可能还有更邪恶的用途，而有效的检测对于执法和安全来说非常重要。
印度古尔冈 NorthCap 大学的 Ankita Gupta、Rita Chhikara 和 Prabha Sharma 介绍了一种新方法，可以提高检测准确性，同时解决处理所需的大量数据所带来的计算挑战。
隐写分析涉及识别图像是否包含隐藏数据。通常，使用空间丰富模型 (SRM) 来检测这些隐藏信息。它分析图像以识别由于添加隐藏数据而出现的指纹中的微小变化。然而，SRM 很复杂，具有大量特征，并且可能压倒检测算法，从而降低有效性。这个问题通常被称为“维数灾难”。
该团队已转向一种名为 DEHHPSO 的混合优化算法，该算法结合了三种算法：哈里斯鹰优化器 (HHO)、粒子群优化 (PSO) 和差分进化 (DE)。这些算法均受到自然过程的启发。例如，HHO 算法模拟了哈里斯鹰的狩猎行为，并在探索环境和寻找最佳解决方案之间取得平衡。该团队解释说，通过结合 HHO、PSO 和 DE，他们可以比使用当前单一算法（无论多么复杂）更快地处理复杂的特征集。
这种混合方法通过消除 94% 以上原本需要处理的特征来减少计算需求。然后可以使用支持向量机 (SVM) 分类器处理精简后的信息。该团队表示，这种方法比元启发式方法（本质上是试错法）效果更好，甚至比几种深度学习方法效果更好，而这些方法通常用于解决比隐写分析更复杂的问题。
页:
[1]