Исследование устойчивости цифровых водяных знаков к удаляющим атакам, основанным на нейронных сетях

   Цель исследования. Методы встраивания цифровых водяных знаков (ЦВЗ) в цифровые объекты представляют собой научное направление, находящееся на стыке информационной безопасности и цифровой обработки сигналов. Водяные знаки служат для обеспечения аутентификации цифровых объектов за счет того, что внедряются в них неразрывным образом посредством манипуляции элементами данных, составляющих цифровой объект.

   Ключевым требованием к ЦВЗ является их устойчивость, которая заключается в том, что водяной знак должен оставаться сохранным даже при передаче по сильно зашумленному каналу.

   Поэтому целью данного исследования является оценка устойчивости ЦВЗ к сильным шумам, возникающим в результате реализации нейросетевых удаляющих атак злоумышленником, применительно к алгоритму встраивания водяных знаков, устойчивому к классическим лабораторным атакам.

   Методы. Исследование проведено на примере алгоритма встраивания ЦВЗ в коэффициенты дискретного косинусного преобразования цифровых изображений с использованием метаэвристической оптимизации. Для реализации удаляющей BlackBox-атаки обучены три нейросетевые модели: на основе сверточной нейронной сети, рекуррентной нейронной сети и многослойного персептрона.

   Результаты. По результатам экспериментов, направленных на удаление ЦВЗ из изображений в рамках BlackBox-атаки, наибольшую эффективность продемонстрировала архитектура сверточной нейронной сети. При этом исследуемый алгоритм оказался устойчив к удалению встроенных ЦВЗ с помощью двух других нейросетевых моделей.

   Заключение. Проведенное исследование показало, что устойчивость алгоритма встраивания ЦВЗ к классическим атакам не гарантирует устойчивости к нейросетевым удаляющим атакам. Устойчивость к данному классу атак должна закладываться на этапе синтеза алгоритма встраивания. Она может быть обеспечена за счет уменьшения детерминированности при выборе областей встраивания водяного знака на изображении и внедрения техник противодействия атакам на этапе оптимизации встраивания.

1. Dhar S., Sahu A.K. Digital to quantum watermarking: A journey from past to present and into the future // Computer Science Review. 2024. 54. P. 100679. doi: 10.1016/j.cosrev.2024.100679.

2. Rai M., Kesarwani A. Image Watermarking in the Digital Era: A Review of Transform, ML-Based, and Evolutionary Methods // Circuits, Systems, and Signal Processing. 2025. doi: 10.1007/s00034-025-03437-7.

3. Panah A.S., et al. On the properties of non-media digital watermarking : a review of state of the art techniques // IEEE Access. 2016. Vol. 4. P. 2670-2704.

4. Евсютин О.О., Кокурина А.С., Мещеряков Р.В. Обзор методов встраивания информации в цифровые объекты для обеспечения безопасности в «интернете вещей» // Компьютерная оптика. 2019. T. 43, № 1. С. 137‒154. doi: 10.18287/2412-6179-2019-43-1-137-154.

5. Lebcir M., Awang S., Benziane A. Robust blind watermarking approach against the compression for fingerprint image using 2D-DCT // Multimedia Tools and Applications. 2022; 81: 20561–20583. doi: 10.1007/s11042-022-12365-6.

6. Ariatmanto D., Ernawan F. Adaptive scaling factors based on the impact of selected DCT coefficients for image watermarking // Journal of King Saud University - Computer and Information Sciences. 2022; 34(3): 605–614. doi: 10.1016/j.jksuci.2020.02.005.

7. Shen Y., et al. A DWT-SVD based adaptive color multi-watermarking scheme for copyright protection using AMEF and PSO-GWO // Expert Systems with Applications. 2021; 168: 114414. doi: 10.1016/j.eswa.2020.114414.

8. Alsabaan M., et al. Image Watermarking Algorithm Base on the Second Order Derivative and Discrete Wavelet Transform // Computers, Materials & Continua. 2025; 84(1): 491–512. doi: 10.32604/cmc.2025.064971.

9. Tanha M., et al. An overview of attacks against digital watermarking and their respective countermeasures // Proceedings of the 2012 International Conference on Cyber Security, Cyber Warfare and Digital Forensic (CyberSec). Kuala Lumpur, Malaysia, 2012; IEEE: 265–270. doi: 10.1109/CyberSec.2012.6246095.

10. Wang C., et al. CWAN: Covert Watermarking Attack Network // Electronics. 2023; 12(2): 303. doi: 10.3390/electronics12020303.

11. Qin C., et al. CADW: CGAN-Based Attack on Deep Robust Image Watermarking // IEEE MultiMedia. 2023; 30(1): 28–35. doi: 10.1109/MMUL.2022.3213004.

12. Evsutin O., Dzhanashia K. Watermarking Schemes for Digital Images : Robustness Overview // Signal Processing: Image Communication. 2022; 100: 116523. doi: 10.1016/j.image.2021.116523.

13. Geng L., et al. Real-time attacks on robust watermarking tools in the wild by CNN // Journal of Real-Time Image Processing. 2020; 17: 631–641. doi: 10.1007/s11554-020-00941-8.

14. Li Q., et al. Concealed Attack for Robust Watermarking Based on Generative Model and Perceptual Loss // IEEE Transactions on Circuits and Systems for Video Technology. 2022; 32(8): 5695–5706. doi: 10.1109/TCSVT.2021.3138795.

15. Du J., et al. BSS: a new approach for watermark attack // Proceedings of the Fourth International Symposium on Multimedia Software Engineering. 2002; Newport Beach, CA, USA, IEEE: 182. doi: 10.1109/MMSE.2002.1181611.

16. Quiring E., Rieck K. Adversarial Machine Learning Against Digital Watermarking // Proceedings of the 26^th European Signal Processing Conference (EUSIPCO). Rome, Italy, 2018; IEEE: 524–528. doi: 10.23919/EUSIPCO.2018.8553343.

17. Feng S., et al. Digital Watermark Perturbation for Adversarial Examples to Fool Deep Neural Networks // Proceedings of the International Joint Conference on Neural Networks (IJCNN). Shenzhen, China, 2021; IEEE: 1–8. doi: 10.1109/IJCNN52387.2021.9534119.

18. Melman A., Evsutin O. Image watermarking based on a ratio of DCT coefficient sums using a gradient-based optimizer // Computers and Electrical Engineering. 2024; 117: 109271. doi: 10.1016/j.compeleceng.2024.109271.

19. Hussain K., et al. Metaheuristic research: a comprehensive survey // Artificial Intelligence Review. 2019; 52: 2191–2233. doi: 10.1007/s10462-017-9605-z.

20. Ahmadianfar I., Bozorg-Haddad O., Chu X. Gradient-based optimizer: A new metaheuristic optimization algorithm // Information Sciences. 2020. 540: 131–159. doi: 10.1016/j.ins.2020.06.037.