-
Die
vorliegende Erfindung bezieht sich auf ein rechnerimplementiertes
Verfahren zum Einbetten verdeckter Daten in ein Audiosignal, welches
Verfahren die Schritte umfasst, ein Audiosignal in einem Basisbereich
zu empfangen; das empfangene Audiosignal zu einem basisfremden Bereich
umzusetzen; und verdeckte Daten in den umgesetzten basisfremden
Bereich einzubetten.
-
Die
elektronische Datenverbreitung stellt hohe Anforderungen an die
Inhaltsschutzmechanismen zur sicheren Verbreitung von Daten. Ein
Verdecken nicht wahrnehmbarer Daten als Kopiersteuerung und Schutz des
Urheberrechts digitaler Daten gewinnt nach und nach hauptsächlich aufgrund
der Bedeutung elektronischer Datenverbreitung über das Internet weitverbreitete
Aufmerksamkeit.
-
Insbesondere
die Leichtigkeit, mit der digitale Daten über das Internet verbreitet
werden können,
und die Tatsache, dass uneingeschränkt perfekte Kopien des Originals
hergestellt und verbreitet werden können, sind die Hauptgründe, die
für die
Durchsetzung geistiger Urheberrechte von Belang sind. Dem Schutz
des Urheberrechts und der Wiederabspiel-/Aufzeichnungssteuerung
muss so entgegengekommen werden, dass Inhaltseigner der elektronischen
Verbreitung digitaler Medien zustimmen. Das Problem wird noch von
der Tatsache verstärkt,
dass die digitale Kopiertechnologie wie DVD-RAM, CD-R, CD-RW und DTV und qualitativ
hochwertige Komprimier- und digitale Multimediasignalverarbeitungssoftware
in umfangreichem Maße
erhältlich sind.
Beispielsweise stellt die Verfügbarkeit
der MP3-Komprimierung (MPEG-I, später -3, Audiocodierstandard)
Benutzern Musik in CD-Qualität über Downloads
aus unerlaubten Websites im Internet zur Verfügung.
-
Frühere Lösungsansätze, um
Daten in Tonmedien zu verstecken, konzentrierten sich auf das Einbetten
verdeckter Daten im Basisbereich (originalen Zeitbereich). Diese
Lösungsansätze eignen
sich für
Angriffe auf und Verzerrungen der Synchronisationsstruktux des Audiosignals.
Solch eine Art von Angriffen und Verzerrungen (z.B. Angriffe, die
den Zeitmaßstab
und die Tonhöhenverstellung
verfälschen)
können
die Struktur des Audiosignals im Zeitbereich wesentlich verändern, haben
aber wenig Auswirkung auf die Audioqualität. Somit werden sie allgemein
als die am stärksten
herausfordernden Probleme beim Verstecken von Audiodaten angesehen.
-
Ein
Verfahren, um Audiodaten piraterie- und fälschungssicher zu machen oder
sie, anders ausgedrückt,
mit einem „Wasserzeichen" zu versehen, ist
in „An
Audio Watermar king Scheme Robust to MPEG Audio Compression" von Kim et al. in
Proceedings of the IEEE-Eurasip
Workshop on Nonlinear Signal and Image Processing, Band 1, 1999,
S. 326 – 330,
XP000979677 beschrieben. Das beschriebene Verfahren ist mit einem
Wasserzeichen verbunden, das durch einen Zufallsgenerator mit einem
Startparameter erzeugt und in die Teilbandkoeffizienten eingebettet
wird, wobei der Startparameter nur dem Inhaber des Urheberrechts
bekannt ist.
-
In „Data Hiding
within Audio Signals" von
Petrovic et al., 4th International Conference
on Telecommunications in Modern Satellite, Cable and Broadcasting
Services, Telsiks '99,
Band 1, Oktober 1999, S. 88 – 95, XP002212098
ist eine Übersicht über die
Prinzipien und Verfahren auf diesem Gebiet beschrieben. Bei dem neuartigen
Verfahren, das in dieser Schrift dargelegt wird, handelt es sich
um Kurzzeitautokorrelationsmodulation.
-
Nach
der vorliegenden Erfindung, wie sie in den beigefügten unabhängigen Ansprüchen definiert
ist, wird ein rechnerimplementiertes Verfahren zum Einbetten verdeckter
Daten in ein Audiosignal bereitgestellt, das dadurch gekennzeichnet
ist, dass der Schritt des Umsetzens des empfangenen Audiosignals
zu einem basisfremden Bereich das Signal in einen Kepstrum-Bereich
umsetzt.
-
Die
Kepstrum-Bereichsdarstellung in der vorliegenden Erfindung kann
widerstandsfähiger
gegen starke synchronisationszerstörerische Angriffe aufgezeigt
werden als die Basisbereichsdarstellung. Beispielsweise können von
der Wahrnehmung her wichtige Merkmale eines Audiosignals wie die
Tonhöhen-
oder Stimmspur im Kepstrum-Bereich gut parametrisiert werden. Allgemeine
Signalverarbeitungsangriffe verändern
selten diese Merkmale, es sei denn, man nimmt Einbußen bei
der Forderung nach Transparenz in Kauf, d.h. man führt eine
signifikante Verschlechterung bei der Tonwahrnehmungsqualität ein.
-
Im
Transformationsbereich benutzt die vorliegende Erfindung eine Einbettungsstrategie
der Veränderung
des statistischen Mittels. Dies beruht auf der Beobachtung, dass
das statistische Mittel ausgewählter Transformationskoeffizienten
typischerweise nur eine geringe Veränderung nach den meisten allgemeinen
Signalverarbeitungen erfährt.
Verdeckte Daten in binärem
Format werden auf eine Rahmen-für-Rahmen-Basis in
die Audiodaten eingebettet, wobei das statistische Mittel verändert wird.
Ein positives Mittel (das größer ist als
ein bestimmter voreingestellter Schwellenwert) trägt zwangsläufig Bit „1". Die eingeführte Verzerrung
wird durch ein psychoakustisches Modell gesteuert, um die Forderung
nach Transparenz zu erfüllen.
Zusätzlich kann
die Sicherheitsstufe des Schemas über ein Verwürfelungsverfahren
an den Transformationskoeffizienten noch weiter erhöht werden,
wobei der Inhaltseigner das Verwürfelungsfilter
als Geheimschlüssel
behält.
Mit diesen neuartigen Verfahren maximiert die vorliegende Erfindung
die Selbstschutzfähigkeit
eingebetteter Daten unter der Bedingung, dass die Forderung nach
Transparenz erfüllt
wird (bei der es sich darum handelt, dass die eingebetteten Daten
keine hörbare
Verzerrung einführen
sollten).
-
Kurze Beschreibung der
Zeichnungen
-
Zusätzliche
Vorteile und Merkmale werden aus der nachfolgenden Beschreibung
und den beigefügten Ansprüchen deutlich,
wenn sie in Zusammenschau mit den beigefügten Zeichnungen gesehen werden,
worin gleiche Bezugszeichen gleiche Komponenten angeben:
-
1 ist
ein Blockschema, welches das Audiodateneinbettungssystem der vorliegenden
Erfindung darstellt;
-
die 2a – 2c stellen
Kurven dar, welche die Verarbeitung eines Audiosignals unter Verwendung
eines linearen Vorhersagerestwertbereichsverfahrens veranschaulichen;
-
3 ist
ein Blockfließschema,
welches die Verwendung des Kepstrum-Bereichs veranschaulicht, um ein
Audiodatensignal zu verarbeiten;
-
die 4a – 4d sind
x-/y-Kurven, welche die Kepstrum-Darstellung für ein in Sprache umgesetztes
Signalsegment darstellen;
-
5 ist
eine grafische Darstellung einer beispielhaften Binärmodulation;
-
die 6a – 6b sind
x-/y-Kurven, welche den Einbettungsprozess unter Verwendung des
linearen Vorhersagerestwertbereichsverfahrens der vorliegenden Erfindung
darstellen;
-
die 7a – 7b sind
x-/y-Kurven, welche den Einbettungsprozess unter Verwendung des
Kepstrum-Bereichsverfahrens der vorliegenden Erfindung darstellen;
und
-
8 ist eine grafische Darstellung, die
einen Einheitskreis enthält,
der N Pole veranschaulicht, die zufällig darauf verteilt sind,
zur Verwendung als Verwürfelungsverfahren
in der vorliegenden Erfindung.
-
Ausführliche Beschreibung der bevorzugten
Ausführungsform
-
Das
System der vorliegenden Erfindung zum Verstecken sekundärer Daten
in einem Audiosignal ist in 1 gezeigt.
Ein Audiosignal x(n) 20 geht über eine Eingabevorrichtung
im Zeitbereich ein und wird über
einen Transformationsprozess 28 in einer äquivalenten
Abbildung im Transformationsbereich X(n) abgebildet. Der Transformati onsprozess 28 erzeugt
Transformationsbereichskoeffizienten 29, die das Signal
X(n) kennzeichnen. Ein Dateneinbettungsbaustein 32 bettet
verdeckte Daten 36 (wie Identifizierungsdaten) im Signal X(n) 24 im
Transformationsbereich ein, um ein Signal Y(n) 40 zu erzeugen.
Vorzugsweise benutzt der Dateneinbettungsbaustein 32 einen
Koeffizientenverarbeitungsbaustein 41 zur Verarbeitung
der Transformationsbereichskoeffizienten, um die Daten einzubetten.
-
Ein
Signal Y(n) 40 wird über
einen Umkehrtransformationsprozess 44 zum Zeitbereich zurück umgesetzt,
um wieder ein markiertes Audiosignal y(n) 48 herzustellen.
Ein psychoakustisches Modell 52 im Zeitbereich wird eingesetzt,
um die Unhörbarkeit
der eingebetteten Daten zu prüfen,
so dass sich das Signal y(n) 48 wahrnehmbar nicht signifikant
vom Signal x(n) 20 unterscheidet. Nach möglichen
Angriffen, wie durch Block 60 angegeben ist, wird ein Signal
z(n) 64 abgespielt, um das Audiosignal zu hören. Das
Signal z(n) 64 kann an einem entfernt angeordneten Computer
abgehört
werden, nachdem es über
ein globales Kommunikationsnetz wie das Internet übertragen
wurde. Um die im Signal z(n) 64 versteckten Daten zu extrahieren,
wird das Signal z(n) 64 über einen Transformationsblock 68 zu
einem Transformationsbereichssignal Z(n) 71 zur Datenextraktion über einen
Prozess 76 umgesetzt. Der Extraktionsprozess 76 kehrt
im Wesentlichen den Einbettungsprozess von Block 32 um,
um aus dem Signal Z(n) 71 extrahierte Daten 78 zu
erzeugen.
-
Die
vorliegende Erfindung nutzt insbesondere durch ihre teilweise Verwendung
eines Transformationsbereichs einen neuartigen Lösungsansatz, um Audiodaten
zu verstecken. Die Transformationsbereichskoeffizienten (die über einen
basisfremden Transformationsbereich erzeugt werden und Merkmale
im Kepstrum-Bereich sind) sind widerstandsfähiger gegen verschiedene Angriffe.
Beispielsweise könnte
ein Jitterangriff die Synchronisationsstruktur des Audiosignals
im Zeitbereich signifikant verändern,
sein Transformationsbereich erfährt
aber viel weniger Störung.
Dementsprechend umfasst die vorliegende Erfindung für ihr Audiodateneinbettungsschema
die folgenden Bestandteile, ist aber nicht darauf beschränkt: parametrische
Darstellung, Dateneinbettungsstrategie und psychoakustisches Modell.
-
Transformationsbereich
-
Die
Prozesse 28 und 68 nutzen einen basisfremden Bereichstransformationsprozess 100.
Bestimmte Transformationsbereichsdarstellungen können eine äquivalente aber oftmals kanonischere
Darstellung des Audiosignals bereitstellen. Beispielsweise trennt eine
Kepstrum-Analyse die Sprachtraktdaten klar aus den Erregerdaten
heraus, und eine Frequenzbereichsdarstellung enthält genau
dieselben Audiodaten mit einer physikalischen Bedeutung bei unterschiedlichen
Frequenzen. Diese Darstellungswahl hängt von der konkreten Anwendung
und Problemstellung ab. Im Dateneinbettungsszenario hat die vorliegende
Erfindung den Transformationsbereich im Visier, der so „angriffsinvariant" wie möglich sein
soll, d.h., die Transformationsbereichsdarstellung erfährt nach
allgemeinen Signalverarbeitungs- oder auch unbeabsichtigten Angriffen
viel weniger Varianz als der ursprüngliche Zeitbereich.
-
LP-Restbereich
-
Eine
lineare Vorhersageanalyse 104 stellt das Signal x(n) 20 als
eine lineare Faltung zweier Teile dar: eines All-Role-Filters a(n)
(AR-Filters) und einer Restsequenz e(n). Das AR-Filter a(n) enthält die meisten
Daten über
die Rahmenstruktur von x(n), und die Restsequenz e(n) enthält die Daten über seine
Feinstruktur. Die 2a – 2c zeigen
ein Beispiel einer linearen Vorhersageanalyse mit einer beispielhaften
Größenordnung
N = 50 für
ein in Sprache umgesetztes Signalsegment. 2a stellt
eine beispielhafte Kurve eines ursprünglichen Audiosignals X(n) 20 dar. 2b stellt
eine beispielhafte Kurve des ursprünglichen Audiosignals X(n) 20 von 2a dar,
nachdem ein AR-Filter a(n) angelegt wurde. Das sich ergebende Signal
ist durch die Bezugszahl 120 gezeigt. 2c stellt
eine Kurve des Restsignals e(n) 124 des ursprünglichen
Audiosignals X(n) 20 von 2a dar.
Selbst nach Angriffen auf das Signal x(n), erfahren die Signale
a(n) und c(n) wenig Störung,
solange nur die Hörqualität von x(n)
beibehalten wird. Deshalb können
sowohl a(n) als auch e(n) von der vorliegenden Erfindung für den Dateneinbettungsbereich
verwendet werden.
-
Anstelle
von a(n) wird ein Restbereich aus folgenden Gründen ausgewählt: 1) e(n) hat dieselbe Größe wie das
ursprüngliche
Signal x(n), während
a(n) typischerweise dieselbe Größe wie die
Vorhersagegrößenordnung
hat. Eine größere Auslegung
eignet sich besser für
den Dateneinbettungszweck; 2) a(n) ist von der Wahrnehmung her wichtiger
und lässt
viel weniger Störung
zu als e(n). Darüber
hinaus hängen
sowohl die LP-Synthese als auch die LP-Analyse von a(n) ab. Solange
a(n) verzerrt ist, ist die Transformation nicht mehr linear, und
es wird typischerweise schwieriger, a(n) am Decodierer rückzugewinnen.
-
Kepstrum-Bereich
-
Die
Kepstrum-Analyse trennt die Sprachtraktdaten aus den Erregerdaten
und Frequenzkomponenten heraus, die physikalische Spektraleigenschaften
von Ton haben. Ein Kepstrum-Bereichstransformationsprozess 108 und
sein Umkehrprozess 204 sind in 3 gezeigt,
wobei jeder aus drei linearen Operationen besteht. Die lineare Operation
des Kepstrum-Bereichstransformationsprozesses 108 umfasst
eine schnelle Fourier-Transformation
(FFT) des Signals x(n) 20, dann eine logarithmische Operation,
und dann eine Umkehr-FFT. Das Ergebnis des Kepstrum-Bereichstransformationsprozesses 108 ist
ein Signal X(n) 24 im Kepstrum-Bereich. Die lineare Operation
des umgekehrten Kepstrum-Transformationsprozesses 204 ist
eine FFT, eine exponentielle Operation und eine umgekehrte FFT des
Signals X(n) 24. Das Ergebnis des umgekehrten Kepstrum-Transformationsprozesses 204 ist
x'(n) im Zeitbereich.
Vorzugsweise nutzt die vorliegende Erfindung den realen Teil des
komplexen Kepstrums.
-
Ein
Aspekt der Kepstralanalyse besteht darin, dass der Logarithmus die
Herstellung im Frequenzbereich (Faltung im Zeitbereich) in die Summe
eines logarithmischen Frequenzbereichs abändert. Dies erlegt deshalb
dem System eine linearisieite Struktur auf. Die 4a – 4d zeigen
eine Kepstrum-Darstellung für eine
in Sprache umgesetzte Signalsequenz. Im Spezielleren stellen die 4a – 4d den
aufgezeichneten realen Teil des komplexen Kepstrums X(n) dar. Es
wäre festzuhalten,
dass um das Zentrum herum große Kepstrum-Koeffizienten
wichtige Information über
die Rahmenstruktur von x(n) enthalten; während auf beiden Seiten kleinere
Koeffizienten feinere Strukturen enthalten. Aus den 4c und 4d ist
zu sehen, dass sie im Zeitbereich hauptsächlich eine geringe Störung nach
einem ernsthaften Angriff erfahren (z.B. 1 % Jitter).
-
Dateneinbettungsstrategie
-
Die
vorliegende Erfindung verwendet eine neuartige Dateneinbettungsstrategie
in Kombination mit dem Transformationsbereichsprozess und anderen
Aspekten der vorliegenden Erfindung. Die vorliegende Erfindung nutzt
die Transformationsbereichskoeffizienten, um die Daten einzubetten.
Das Einbetten beruht vorzugsweise auf der Modulierung eines eingebetteten
Bits mit dem statistischen Mittel ausgewählter Merkmale. Beispielsweise
wird beim Einbetten im Kepstrum-Bereich, indem ein positives Mittel
durchgesetzt wird, eine „1" eingebettet, und
ein Mittel von Null bleibt unberührt,
wenn eine „0" eingebettet wird.
-
Es
ist festzuhalten, dass die ausgewählten Merkmale oftmals einer
eingipfligen Verteilung gehorchen, deren Mittel Null beträgt oder
fast Null ist. Ist das Mittel m, nicht genau Null, entfernt ein
Vorgang I1 = I1 – m1 das nicht erwartungsgetreue Mittel, ohne
die Hörqualität zu beeinträchtigen.
-
Das
Verfahren der Verarbeitung des statischen Mittels kann als eine
Art von Modulationsschema angesehen werden, das auf einem statistischen
Mittel mit ausgewählten
Merkmalen aufbaut. Wie vorstehend erwähnt, befindet sich ein solches
Mittel ohne Modulierung typischerweise um Null. Indem das statistische
Mittel zwangsläufig
auf einen voreingestellten Wert gesetzt wird, wird deshalb zusätzliche
Information an den Decodieren übertragen.
(Es ist jedoch festzuhalten, dass zum Zeck des Dateneinbettens der
Wert klein genug sein muss, dass nach der Modulierung keine hörbaren Artefakte
vorhanden sind.)
-
Beispielsweise
funktioniert das binäre
Modulationsschema der vorliegenden Erfindung wie folgt: H1: setzt E{X1} = T durch H0 : setzt E{X1} =
-T durchworin E{X1} die Erwartung von
X1 und T>0
einen voreingestellten Wert bezeichnet.
-
Durch
Berechnung des statistischen Mittels von X1 wird
der eingebettete Wert „0" oder „1" am Decodierer decodiert.
Es ist festzuhalten, dass für
eine höhere
Genauigkeit oftmals die in 5 gezeigten
Bereiche T und -T soweit wie möglich
getrennt werden sollten, d.h. sowenig Überdeckungsbereich wie möglich eingehalten
werden sollte. Es sind auch andere Modulationsschemata möglich. Beispielsweise
erfolgt im herkömmlichen
Schema des Streuspektrums die Modulation durch Einfügen einer
Pseudozufallssequenz als Signatur in das Trägersignal, und das Vorhandensein
der Signatur überträgt eine
Bit-Information.
Verglichen mit der herkömmlichen
Erfassungsstrategie, die auf einer Korrelation des Streuspektrums
beruht, geht die vorliegende Erfindung von einer weniger strengen
Annahme des statistischen Verhaltens von Verzerrung aus, die bei
Angriffen eingeführt
wird. Sie geht davon aus, dass die eingeschleppte Verzerrung ein
Mittel von Null hat, während
der auf Korrelation aufbauende Lösungsansatz
oftmals eine Anpassung zwischen Signatur und Trägersignal erforderlich macht,
was in der Praxis nicht immer erfüllt wird. Experimentelle Ergebnisse
haben bei der vorliegenden Erfindung eine überlegenere Widerstandsfähigkeit
in Bezug auf den Selbstschutz gegen einen breiten Bereich von Angriffen
einschließlich
denjenigen gezeigt, die den Zeitmaßstab und die Tonhöhenverstellung
verfälschen.
-
Einbetten im LP-Restbereich
(linearen Vorhersagerestbereich)
-
Das
Signal e(n) wird verwendet, um das Restsignal nach der LP-Analyse
zu bezeichnen. Mit Bezug auf die 6a und 6b ist
e(n), wenn die Vorhersagegrößenordnung
groß genug
ist, sehr nahe an Rauschen und kann deshalb oftmals als eine eingipflige
Wahrscheinlichkeitsfunktion mit einem Mittel Null modellhaft dargestellt
werden. Um ein Bit in e(n) einzubetten, wird e(n) wie folgt verarbeitet.
-
Um „1" einzubetten: e'(n) = e(n) + th,
falls e(n) ≤ 0;
um „0" einzubetten: e'(n) = e(n)–th, falls
e(n) ≤ 0
ist, worin th eine positive Zahl ist, welche die Größenordnung
der eingeschleppten Verzerrung steuert, die durch eine psychoakustische
Analyse bestimmt wird. Eine Einschrittverarbeitung kann nicht gewährleisten,
dass das entstandene Restsignal am Decodierer dieselbe Verteilung
befolgt wie dasjenige am Decodierer. Deshalb wird vorzugsweise eine
iterative Verarbeitung eingesetzt, um die Konvergenz sicherzustellen.
K=3 Iterationen ist typischerweise ausreichend, um eine konvergierte
Lösung
zu erhalten.
-
Nach
der vorstehenden Verarbeitung kann das statistische Mittel von e(n)
vom Ursprung abweichen und sein Vorzeichen das eingebettete Bit
bezeichnen. Die 6a und 6b zeigen
die Auswirkung der vorstehenden Verarbeitung auf einem Histogramm
des statistischen Mittels von e(n). Die ursprüngliche eingipflige Verteilung 250 von 8a hat sich in eine zweigipflige 254 von 7b aufgeteilt:
in einen Gipfel 258, der in der linken Halbebene zentriert
ist, und einen Gipfel 262, der in der rechten Halbebene
zentriert ist. Indem als Schwellenwert Null gewählt wird, wird deshalb bestimmt,
welches Bit am Decodierer eingebettet wurde. Die vorstehende zweigipflige
Verteilung der Teststatistik (hier ist es das statistische Mittel)
ist sehr widerstandsfähig
bei allgemeiner Signalverarbeitung.
-
Einbetten im Kepstrum-Bereich
-
Bei
der Ausführungsform
der Kepstrum-Bereichstransformation der vorliegenden Erfindung kann
das statistische Mittel der Kepstrum-Koeffizienten abseits der Mitte
(|i–N/2| >d) modellhaft durch
eine eingipflige Wahrscheinlichkeitsfunktion mit Null als Mittel
dargestellt werden. In entsprechender Weise wird dessen Mittel so
verarbeitet, dass zusätzliche
Daten verdeckt eingebracht werden. Durch Experimente fand man jedoch
heraus, dass die kepstrale Darstellung eine asymmetrische Eigenschaft
aufweist; ein negatives Mittel hat nach mancher Art der Signalverarbeitung
oftmals eine viel größere Varianz
als ein positives Mittel, d.h. ein positives Mittel ist viel widerstandsfähiger als
ein negatives Mittel. Deshalb wird die vorstehende Mittelverarbeitung
vorzugsweise wie folgt ergänzt: Um „1" einzubetten: e'(n) = e(n) + th,
falls e(n)...0; um „0" einzubetten: e'(n) = e(n),worin
th wieder eine positive Zahl ist, die vom psychoakustischen Modell
gesteuert wird. Die vorliegende Erfindung vermeidet es vorzugsweise,
ein negatives Mittel durchzusetzen, und verwendet ein positives
Mittel, um das Vorhandensein der Markierung anzuzeigen. Das Histogramm
des statistischen Mittels vor dem Einbetten von Daten ist in 7a gezeigt,
und 7b zeigt das Histogramm nach dem Einbetten von
Daten. Entsprechend ermöglicht
eine zweigipflige Verteilung der Teststatistik eine korrekte Erfassung
eingebetteter Bits. Es sollte klar sein, dass die vorliegende Erfindung
nicht auf die bloße
Verarbeitung eines statistischen Mittels beschränkt ist, sondern auch die Verarbeitung
anderer statistischer Maßnahmen
(z.B. Standardabeichung) einschließt.
-
Verwürfelungsstrategie
-
Ein
absichtlicher Angreifer könnte
in der Lage sein, eine ähnliche
Mittelverarbeitungsstrategie einzusetzen, um eingebettete Daten
zu entnehmen/zu verändern.
Um gegen eine solche Situation anzukämpfen, kann ein Verwürfelungsverfahren
eingesetzt werden, um die Sicherheit der Daten zu erhöhen. Vom
Eigner wird ein Verwürfelungsfilter
gewählt
und geheimgehalten. Mit Bezug auf 8 ist
ein Verwürfelungsfilter
f(n) mit der Länge
N ein Allpassfilter mit N Polen, die zufällig auf dem Einheitskreis
verteilt sind. Die Verwürfelungs-/Entwürfelungsoperationen
definieren sich wie folgt:
-
-
Da
das über
einen « Schlüssel » gesteuerte
Verwürfelungsfilter
dem Angreifer vorenthalten wird, wird es schwierig, das obige Schema
anzugreifen. Zwischenzeitlich haben Testergebnisse gezeigt, dass
eine Verwürfelung
auch den Vorteil bietet, eine günstigere
Tonqualität
für den
LP-Restbereichslösungsweg
hervorzubringen.
-
Psychoakustisches Modell
-
Die
eingeführte
Verzerrung wird direkt durch einen Skalierungsfaktor gesteuert.
Um die eingebettete Signatur hörbar
bleiben zu lassen, steuert ein psychoakustisches Modell den Verschiebungsfaktor
th. Ein psychoakustisches Modell im Frequenzbereich wurde bereits
früher
untersucht und vorgeschlagen. Beispielsweise ist ein allgemein angenommenes
gutes Modell im Teilbandbereich in der MPEG-Audiocodierung spezifiziert.
Im LP-Rest- oder Kepstrum-Bereich fehlt immer noch ein systematisches
psychoakustisches Modell, um die Unhörbarkeit eingeführter Verzerrung
zu steuern. Ein Weg zur Lösung
dieses Problems besteht darin, den Schwellenwert im Frequenzbereich
zu steuern oder das Frequenzbereichsmodell zu verwenden. In der
vorliegenden Erfindung werden intuitive Modelle im LP-Rest- und
Kepstrum-Bereich verwendet. Sie werden basierend auf subjektiven
Hörtests
erstellt, welche eine Schwellenwerttabelle ergeben.
-
Wie
vorstehend beschrieben steuert die positive Zahl th, um welche ausgewählte Merkmale
verschoben werden, die eingeführte
Verzerrung. Je größer die
Zahl gewählt
wird, umso widerstandsfähiger
ist das Schema, aber desto wahrscheinlicher wäre es auch, dass das eingeführte Rauschen
hörbar
wird. Um sicherzustellen, dass das markierte Audiosignal sich nicht
vom ursprünglichen
Signal unterscheidet, verwendet die vorliegende Erfindung ein psychoakustisches
Modell, d.h. die vorstehend beschriebene Schwellenwerttabelle, die über einen
subjektiven Hörtest
erstellt wurde, um th einzustellen. Für jeden Tonprobenrahmen wird
th basierend auf dem Wert eingestellt, der in der Tabelle zu finden
ist. Aufbauend auf Tests an verschiedenen Arten von Audiosignalen
werden die folgenden konkreten Modelle verwendet:
-
1) LP-Restbereich
-
Wenn
sowohl Verwürfelung
als auch Iteration im Spiel ist, wird th folgendermaßen gewählt: th = max (const, var(e))worin die Konstante
im Bereich von 0,5 ~ 1e–4
liegt und der Term „e" das LP-Restsignal
darstellt, wobei „var" die Standardabweichungsfunktion
vertritt. Laute Musik wie Rockand-Roll hat typischerweise eine größere Konstante
als ruhige Musik.
-
2) Kepstrum-Bereich
-
Kepstrum-Koeffizienten,
die einer unterschiedlichen Audiosignaleigenschaft entsprechen,
haben eine andere zulässige
Verzerrung. Typischerweise können
diejenigen, die sich um die Mitte herum befinden (die größeren) eine
größere Verzerrung
ertragen als diejenigen, die von der Mitte weg liegen:
th =
1 ~ 2e–3
für kleine
Kepstrum-Koeffizienten;
1 ~ 2e–2 für große Kepstrum-Koeffizienten.
-
Natürlich sind
die oben angegebenen Wahlmöglichkeiten
bloß beispielhaft
für das
vorstehende, nicht einschränkende
Beispiel. Die vorstehenden Beispiele stellen die Audiodateneinbettung
im Leistungsbereich von 20 ~ 40 bps dar (das Audiosignal wird bei
44.100 Hz abgetastet und mit 16 Bits digitalisiert). Falls eine niedrigere
Einbettungsleistung ausreicht, erreicht die vorliegende Erfindung
einen besseren Kompromiss zwischen Transparenz und Leistung.
-
Versuchergebnisse
-
1. Transparenztest
-
Es
ist oftmals schwierig, die Wahrnehmbarkeitsqualität von Audiosignalen
quantitativ zu ermitteln. Dennoch kann der Unterschied zwischen
dem Testsignal und dem ursprünglichen
Signal, der durch den Rauschabstand (SNR – Signal-to-Noise Ratio) ermittelt
wird, teilweise die Energie der eingeführten Verzerrung demonstrieren.
Ein Vergleich des SNR-Werts zwischen dem Dateneinbettungsschema
und dem weitverbreiteten MP3-Komprimierungsverfahren
wird in der folgende Tabelle gezeigt:
-
-
Insbesondere
vergleicht die Tabelle den SNR-Wert des markierten Audiosignals
mit demjenigen des decodierten Audiosignals bei unterschiedlichen
Bitraten. Eine Kleintestumgebung, die sowohl Rock-and-Roll als auch
sanfte klassische Musik umfasst, ergibt einen SNR-Wert von mindestens
21,9 dB für
das vorgestellte System. Man nimmt allgemein an, dass eine MP3-Komprimierung
mit 64 kbps transparente Tonqualität liefert. Obwohl die SNR-Werte
des vorgestellten Dateneinbettungssystems ca. 4 ~ 5 dB niedriger
sind als diejenigen der MP3-Komprimierung mit 64 kbps, zeigten subjektive
Hörtests
in der Privat-, Büro-
und Laborumgebung, dass sich das markierte Audiosignal von der Wahrnehmung
her nicht vom ursprünglichen
Signal unterscheidet.
-
2. Leistung
-
Die
vorliegende Erfindung stellt genügend
Einbettungsleistung bereit, um die Anforderungen vieler praktischer
Anwendungen zu erfüllen.
Die Dateneinbettungsleistung der vorliegenden Erfindung beträgt bis zu 40
bps. In Anbetracht dessen, dass ein typischer Song im Allgemeinen
2 ~ 4 Minuten dauert, kann die vorliegende Erfindung eine Leistung
von bis zu 1.200 Bytes erbringen, was ausreicht, um ein Java Applet
einzubetten. Deshalb hat die vorliegende Erfindung zahlreiche Anwendungen,
in denen sie bei der Wiedergabe- und Aufzeichnungssteuerung und
bei irgendwelchen Anwendungen, die eingebettete aktive Daten benötigen, verwendet
werden kann, aber nicht darauf beschränkt ist.
-
3. Selbstschutz
-
Die
vorliegende Erfindung wendet sich dem Synchronisationsthema auf
der Extraktionsstufe zu, indem sie allgemeine Angriffe auf ein Audiosignal
in zwei Arten einteilt. Die Angriffe der Art I umfassen MPEG-I-Codierung/-Decodierung,
Tiefpass/Bandpassfilterung, additives/multiplikatives Rauschen,
Hinzufügen
von Echo und erneutes Abtasten/erneute Quantisierung. Diese Art
von Angriff verändert
typischerweise die Synchronisationsstruktur des Audiosignals nicht
signifikant, sondern verschiebt nur die ganze Sequenz um irgendeine zufällige Anzahl
von Proben. Die Angriffe der Art II umfassen Jittern, Zeitmaßstabsverstellung,
Tonhöhenverstellung
und Abwärts-/Aufwärtsabtastung.
Diese Art von Angriff zerstört
typischerweise die Synchronisationsstruktur des Audiosignals. Anfängliche
Testergebnisse mit der vorliegenden Erfindung haben gezeigt, dass
die eingebetteten Daten einen hohen Selbstschutz gegenüber beiden
Arten von Angriffen an den Tag legen. Beispielsweise können sie
64 bps MP3-Komprimierung, 8 kHz Tiefpassfilterung, Zusatz von Echos
bis zu 40% Lautstärke
und 0,1 s Verzögerung,
5% Jitter und eine Zeitmaßstabsverstellung
mit einem Faktor von 0,8 gut überstehen
{die Bitfehlerrate beträgt
weniger als 1%}.
-
Nachdem
die Erfindung somit beschrieben wurde, wird klar, dass sie im Rahmen
der beigefügten
Ansprüche
in vielerlei Hinsicht verändert
werden kann.
