فهرست نشریات علمی دسترسی آزاد ایران

عمومیت فایل­های صوتی، اغلب توجه مهاجمین و عناصر مخرب را برای استفاده از این حامل، جهت پوشش­دهی ارتباطات محرمانه خود جلب می‌نماید. گستردگی استفاده از این قالب­ها، به‌همراه رویکردهای متعدد و مدرنی که برای نهان­نگاری در فایل­های صوتی طراحی شده­اند،   می­توانند فضای سایبری را به محیطی نا امن بدل نمایند. در راستای مقابله با این تهدیدات، امروزه روش­های متعدد نهان­کاوی ابداع شده‌اند که با دقت بالایی قادر به تحلیل آماری قالب­های مختلف صوتی، مانند MP3 و VoIp هستند. در میان راه­حل­های ارائه‌شده، ترکیب روش­های پردازش سیگنال و یادگیری ماشین، امکان ایجاد نهان­کاوهایی با دقت بسیار بالا را فراهم نموده است. با این وجود، از آنجا که ویژگی­های آماری فایل­های صوتی گفتاری متفاوت از نمونه­های دیگر صوتی است، روش­های جاری نهان­کاوی قادر نیستند به شکل مؤثری فایل­های حامل گفتاری را تشخیص دهند. مشکل دیگر، ابعاد بالای تحلیلی است که به شکل چشمگیری هزینه پیاده­سازی را افزایش می­دهد. در پاسخ به مشکلات ذکرشده، این مقاله ویژگی یک­بعدی "درصد نمونه­های مجاور یکسان" را به‌عنوان فاکتور جداسازی نمونه­های نهان­نگاری شده از پاک مطرح می­کند. نتایج نشانگر حساسیت 82/99% نهان­کاو طراحی‌شده با استفاده از دسته­بند تابع عضویت گاوسی، در نرخ نهان­نگاری 50% است. علاوه بر این، این نهان­کاو قادر است با دقت مطلوبی حجم پیام مخفی‌شده را تخمین بزند. عملکرد الگوریتم طراحی‌شده بر روی یک پایگاه داده متشکل از نمونه­های موسیقی کلاسیک نیز ارزیابی شده و نتایج حاکی از کارایی 2/81% آن هستند.