Artık blok destekli U-Net mimarisi kullanarak görüntü steganografisi ve gizli veri boyutunun analizi

Abstract

Günümüz iletişim sistemlerinde veri güvenliği, hayati bir öneme sahiptir. Temel amaç, hassas bilgilerin yetkisiz kişilerin eline geçmeden veya anlaşılamayacak şekilde güvenli bir biçimde hedefe iletilmesidir. Dijital teknolojideki gelişmeler ve cihazların yaygınlaşması veri güvenliği konusunda yeni zorlukları da beraberinde getirmektedir. Özellikle bankacılık, sağlık sektörü ve özel yaşam gibi alanlarda veri güvenliği daha da önem kazanmıştır. Bu bağlamda, steganografi gibi veri gizleme yöntemleri, kötü niyetli erişimlerden korunma amacıyla öne çıkmaktadır. Steganografi, önemli bilgileri fark edilmeden dijital medyaların içine gizleyerek, bu bilgilerin sadece gönderici ve alıcı tarafından bilinmesini sağlayan bir yöntem olması nedeniyle bilgi güvenliği alanında sıkça kullanılan yöntemlerden biridir. Bu tez çalışmasında, temel amaç, artık blok destekli U-Net mimarisi kullanılarak 256x256 boyutlarındaki renkli mesaj görüntülerinin aynı boyutlardaki kapak görüntülerine etkili bir şekilde gizlenmesini sağlamaktır. Literatürdeki çalışmalarda genellikle görüntü segmentasyonu amacıyla kullanılan klasik U-Net mimarisi, bu çalışmada veri gizleme ve çıkarma amacıyla düzenlenerek kullanılmıştır. Modelin test edilmesi aşamasında, iki farklı analiz yapılmıştır. İlk analiz kapsamında, literatürdeki mevcut çalışmalardan farklı olarak, Linnaeus 5 veri seti kullanılarak 32x32, 64x64, 128x128, ve 256x256 olmak üzere farklı boyutlardaki renkli mesaj görüntülerinin kapak görüntüsü üzerindeki etkisini incelemiştir. İkinci analiz kapsamında, farklı karakteristik özelliklere sahip görüntüler üzerinde genelleştirme yeteneğini ölçmek amacıyla model, Linnaeus 5 veri setine ek olarak ImageNet ve Labeled Faces in the Wild (LFW) veri setleri ile de test edilmiş ve ölçüm metrikleri elde edilmiştir. Elde edilen sonuçlar literatürde yer alan diğer çalışmalarla kıyaslanmıştır. Gerçekleştirilen kapsamlı literatür taramasından elde edilen mevcut bilgiler çerçevesinde, çalışmanın literatürdeki mevcut derin öğrenme algoritmalarına kıyasla Tepe Sinyal-Gürültü Oranı (Peak Signal to Noise Ratio, PSNR) ve Yapısal Benzerlik İndeksi Ölçümü (Structural Similarity Index, SSIM) açısından umut verici sonuçlar verdiği değerlendirilmektedir. Elde edilen analiz sonuçları hem yüksek veri gizleme kapasitesi hem de yüksek algılanamazlık düzeyinin elde edildiğini göstermektedir. Tez çalışması kapsamında ayrıca kapak görüntüleri karmaşıklık düzeylerine göre kategorize edilerek iki ayrı kategorideki bu resimlere aynı gizli görüntülerin gizlenmesiyle elde edilen ölçüm sonuçları değerlendirilmiştir. Böylece, karmaşıklık düzeyine göre optimum kapak resmi seçilmesi konusunda istatistiksel bir değerlendirme yapılmıştır.In modern communication systems, data security is of paramount importance. The primary goal is to ensure that sensitive information is transmitted to the intended recipient securely and unintelligibly to unauthorized individuals. Advancements in digital technology and the proliferation of devices have introduced new challenges in data security. In fields such as banking, healthcare, and personal privacy, the importance of data security has become increasingly critical. In this context, methods of data concealment like steganography have gained prominence for their ability to protect against malicious access. Steganography, by discreetly embedding crucial information within digital media, ensures that the data is only known to the sender and the receiver, making it a frequently employed method in the field of information security. This thesis is primarily focused on employing the U-Net architecture, which is supported by residual blocks, for the efficient concealment of colored message images of 256x256 dimensions within cover images of identical size. The classical U-Net architecture, traditionally used for image segmentation in the literature, has been adapted in this study for data hiding and extraction. During the testing phase of the model, two distinct analyses were conducted. Differing from existing studies, the first analysis investigated the impact of colored message images of various sizes (32x32, 64x64, 128x128, and 256x256) on the cover image using the Linnaeus 5 dataset. The second analysis aimed to measure the generalization capability of the model on images with different characteristics, employing additional datasets such as ImageNet and Labeled Faces in the Wild (LFW), and the results were compared with other studies in the literature. Comprehensive analyses have shown promising results in terms of Peak Signal to Noise Ratio (PSNR) and Structural Similarity Index Measure (SSIM) compared to current deep learning algorithms in the literature, to the best of our knowledge. The results demonstrate both a high capacity for data concealment and a high level of imperceptibility. Additionally, as part of the thesis work, cover images categorized based on their complexity levels and evaluates the measurement results obtained by embedding the same secret images into these two different categories. This provides a statistical assessment for selecting the optimum cover image based on complexity level.