Implementación de un sistema inteligente para la detección de mensajes ocultos en imágenes mediante técnicas de esteganografía y machine learning
Fecha
Autores/as
Título de la revista
ISSN de la revista
Título del volumen
Editor
DOI
Resumen
En la era digital actual, el desarrollo acelerado de las tecnologías de la información y la comunicación ha generado un entorno digital altamente interconectado, en el cual el intercambio de datos se realiza de forma constante como uno de los medios más utilizados para la transmisión de información, gracias a su facilidad de distribución, almacenamiento y aparente inocuidad. No obstante, este uso generalizado ha introducido nuevas vulnerabilidades en términos de seguridad de la información, muchas de las cuales no son evidentes a simple vista. Una de las principales amenazas emergentes en este ámbito es la esteganografía digital, técnica que permite ocultar información dentro de los archivos multimedia sin alterar perceptiblemente su apariencia. Al contrario que la criptografía, que pretende proteger el contenido del mensaje, la esteganografía pretende ocultar su existencia, lo que dificulta significativamente su detección (Moya, 2023; Rosas, 2024). Este enfoque ha sido muy estudiado en trabajos como Esteganografía digital de imágenes: Encuesta y análisis de métodos de la actualidad, se hace evidente aquí la variedad de técnicas disponibles y su creciente sofisticación. Una de las técnicas más usadas es el método LSB (Least Significant Bit) que permite insertar información en los bits de menor valor de los pixeles de una imagen. Este tipo de técnicas en un medio ideal para la transmisión encubierta de información (Romero et al., 2018). En consecuencia, una imagen aparentemente inofensiva puede contener datos sensibles, credenciales o incluso código malicioso, lo que representa un riesgo para la seguridad digital. Para comprender de manera general este proceso, se presenta el flujo básico de ocultamiento de información mediante técnicas esteganográficas. En esta representación se observa como un mensaje secreto puede ser insertado dentro de una imagen portadora, generando una imagen modificada o estegoimagen que mantiene una apariencia visual a la imagen original. Este problema llega a hacerse mucho más grande debido a que las herramientas tradicionales de seguridad, como antivirus o sistemas de detección de intrusos, no están diseñadas para identificar este tipo de amenazas. Estas soluciones se enfocan principalmente en patrones conocidos de malware, sin analizar las características internas de los archivos multimedia. Según lo expuesto en Rich models for stenganalysis of digital images, los métodos clásicos de detección basados en análisis estadístico presentan limitaciones frente a técnicas modernas de ocultamiento, modelos clásicos como los propuestos por Fridrich y Kodovsky (2012) basados en características estadísticas fueron superados por técnicas más complejas que dificultan la detección mediante análisis convencional. Sabiendo todo esto, cuando se usa modelos de aprendizaje profundo, como Redes Neuronales Convolucionales (CNN), se ha probado que es una alternativa prometedora para la mejora de precisión en detección de contenido oculto (Boroumand et al., 2019; Xu et al., 2016). Sin embargo, todavía existen desafíos significativos en la implementación de sistemas robustos, eficientes y generalizables en donde se pueda detectar mensajes ocultos en imágenes de forma automatizada. Entre estos desafíos están la variabilidad de las técnicas esteganográficas, la calidad de las imágenes, el formato del archivo, la compresión, el dominio del entrenamiento del modelo y la capacidad del sistema para identificar entre una sospecha estadística y una evidencia directa. Por lo tanto, surge la necesidad de desarrollar un sistema inteligente que integre técnicas de Machine Learning, mecanismos de extracción LSB y validación de integridad, con el fin de detectar, analizar y recuperar información oculta en imágenes digitales cuando esta sea compatible con el formato del sistema.






