پنهان نگاری شبکه ای مبتنی بر ذخیره سازی
ترجمه نشده

پنهان نگاری شبکه ای مبتنی بر ذخیره سازی

عنوان فارسی مقاله: روشی برای شناسایی پنهان نگاری شبکه ای مبتنی بر ذخیره سازی با استفاده از یادگیری ماشین
عنوان انگلیسی مقاله: A Method of Detecting Storage Based Network Steganography Using Machine Learning
مجله/کنفرانس: علوم کامپیوتر پروسیدیا – Procedia Computer Science
رشته های تحصیلی مرتبط: مهندسی کامپیوتر
گرایش های تحصیلی مرتبط: امنیت اطلاعات، هوش مصنوعی
کلمات کلیدی فارسی: امنیت اطلاعات، پنهان نگاری شبکه ای، شناسایی پنهان نگاری شبکه ای مبتنی بر ذخیره سازی، یادگیری ماشین
کلمات کلیدی انگلیسی: Information Security; network steganography; detection storage based network steganography; machine learning
نوع نگارش مقاله: مقاله پژوهشی (Research Article)
شناسه دیجیتال (DOI): https://doi.org/10.1016/j.procs.2019.06.086
دانشگاه: Information Security dept. Posts and Telecommunications Institute of Technology Hanoi, Vietnam
صفحات مقاله انگلیسی: 6
ناشر: الزویر - Elsevier
نوع ارائه مقاله: ژورنال
نوع مقاله: ISI
سال انتشار مقاله: 2019
ایمپکت فاکتور: 1.257 در سال 2018
شاخص H_index: 47 در سال 2019
شاخص SJR: 0.281 در سال 2018
شناسه ISSN: 1877-0509
فرمت مقاله انگلیسی: PDF
وضعیت ترجمه: ترجمه نشده است
قیمت مقاله انگلیسی: رایگان
آیا این مقاله بیس است: بله
آیا این مقاله مدل مفهومی دارد: دارد
آیا این مقاله پرسشنامه دارد: ندارد
آیا این مقاله متغیر دارد: ندارد
کد محصول: E12347
رفرنس: دارای رفرنس در داخل متن و انتهای مقاله
فهرست مطالب (انگلیسی)

Abstract

1-Overview of Detection Network Steganography

2-Related Works

3-A method of Detecting Storage Based Network Steganography Using Machine Learning

4-Installation and Experiments

5-Conclusions

6-References

بخشی از مقاله (انگلیسی)

Abstract

Today, the techniques of network steganography are widely applied. In addition to the outstanding advantages about the ability to hide and transmit secret information, it has a huge disadvantage that is being exploited by hackers to transmit information or communicate with the control host. Network steganography storage method is one of the network steganography techniques that is being much applied. Due to the characteristics of the storage based network steganography are different from other network steganography techniques, the detection of this techniques is difficult. The traditional tools and methods used to detect steganography are difficult to detect the signs of steganographic packets that use this technique. Therefore, in this paper, the authors propose using machine learning to detect abnormal behavior of steganographic packets.

Overview of Detection Network Steganography

In the document [1], Wojciech Mazurczyk et al. presented a number of network steganography techniques and classified them based on how the secret data are hidden into the carrier. Network steganography is classified into storage, timing and hybrid methods. Storage methods hide secret data in user data or by modifying protocol fields. Timing methods hide secret data in the protocol messages timing or the packets timing. Hybrid methods combine two methods. Storage methods are the most popular methods. In this paper, the authors propose the detection method of storage based network steganography. Each network steganography method can be characterized by three features: Steganography bandwidth: how much secret data one is able to send per time unit. Undetectability: an inability of an adversary to detect a stegano-gram inside a carrier. Robustness: the amount of alteration a stegano-gram can withstand without destroying the secret data. For each network steganography method, there is always a trade-off between maximizing steganography bandwidth and still remaining undetected (and retaining an acceptable level of robustness).