文档介绍：眭新光,沈蕾,燕继坤,朱中梁(信号盲处理国家重点实验室,四川成都610041)摘要:通过对自然文本统计模型和特性的分析,指出隐藏消息后可能对文本统计特性带来的变化,并提出了基于AdaBoost的通用检测算法。抽取文本的5个基本统计特征量为分类特征,对自然文本和载密文本进行有效分类检测。实验证明该算法具有较好的适用性和可靠性。关键词:隐写分析;文本;统计特征量;AdaBoost中图分类号:TP391文献标识码:B文章编号:1000-436X(2007)12-0136-05TextsteganalysisusingAdaBoostSUIXin-guang,SHENLei,YANJi-kun,ZHUZhong-liang(,Chengdu610041,China)Abstract:Thestatisticalmodelsandfeaturesofnaturaltextswasanalyzed,,-:steganalysis;text;statisticalfeatures;AdaBoost1引言隐写分析是判断一个载体(如文本、图像)中是否隐藏有信息,是信息隐藏技术的逆向分析过程,在近年来已经成为信息隐藏技术领域的一个研究热点。目前提出的各种隐写分析方法主要有通用隐写分析算法和针对特定隐藏算法或工具的隐写分析算法。有针对性的隐写分析算法虽然具有较好的性能[1~3],但是由于其适用面窄,通用性差,具有一定的局限性。而通用的隐写分析方法不需要对隐藏算法有先验知识,不依赖于具体的隐藏算法,因而对未知的算法具有很强的适应性,也是隐写分析算法发展的趋势。目前,在通用的隐写分析方面已经提出了许多有代表性的方法[4~7]。收稿日期:2007-09-03;修回日期:2007-11-07机器学****中的boosting算法目标是提高任何给定的学****算法的分类准确率。概括地说,此方法依次训练一组分量分类器,其中每个分量分类器的训练集都选择已有的其他各个分类器所给出的“最富信息”(mostinformative)样本。而最终的判决结果则是根据这些分量分类器的结果共同决定。AdaBoost(adaptiveboosting)是boosting家族最具代表性的一系列算法。在AdaBoost方法中,每一个训练样本都被赋予一个权重,通过这样的方式,AdaBoost方法“聚焦于”那些较困难(更富信息)的样本上。对许多实际的应用,AdaBoost方法被证明是非常有效的[8]。本文把AdaBoost引入文本隐写分