（宁波大学信息科学与工程学院，浙江宁波 315211）

0 引言

随着互联网的快速发展，信息隐藏技术得到越来越多的关注。其中，数字隐写作为信息隐藏的重要分支，已成为信息安全领域的重要研究内容之一。隐写技术以常见的数字媒体（图像、音频等）作为载体，将秘密信息嵌入到公开的载体中，并通过载体的公开传输来达到信息隐秘传递的目的。隐写分析技术作为隐写技术的对抗技术，可视作模式分类问题，将可疑载体分类为原始载体或含密载体。

音频作为互联网中常见的数字媒体，是隐写的理想载体。目前提出的音频隐写分析方法大多基于机器学习［1］，可分为3个步骤：1）数据预处理；2）特征提取；3）分类。在特征提取中，设计一个表征载体是否含有秘密信息的特征是隐写分析人员的重要研究工作。Kraetzer 等［2］提取语音的梅尔频率倒谱系数（Mel-Frequency Cepstrum Coefficient，MFCC）作为隐写分析的特征，利用支持向量机（Support Vector Machine，SVM）进行分类。Liu 等［3］通过实验发现对音频信号进行二阶求导可放大高频区域的隐写差异，并在此基础上提取的MFCC 特征（2D-MFCC）检测效果更佳；而在之后的工作［4］中，进一步提取了马尔可夫概率特征，并且分析了信号复杂度对隐写分析性能的影响。这项工作表明，相较原始音频信号，进行二阶求导所提取的特征（2D-Markov）更具表征能力。Luo 等［5］将马尔可夫概率特征与二阶导下的MFCC 结合作为融合特征，分别在不同的信号复杂度下利用集成分类器［6］进行分类训练。但是传统特征方法仍存在不足之处，其隐写分析性能依赖于特征工程，即结合隐写相关领域知识设计并提取具有有效表征能力的隐写分析特征。……