-
-
Steganography Guardian AI : Le bouclier intelligent contre les menaces invisibles, alliant détection par CNN et analyse forensique Gemini.
-
Code Proof: This demonstrates that the project is not just a concept, but a fully functional, production-ready tool
-
CNN detection (94%), binary extraction (98%), and Gemini AI threat analysis to expose invisible hidden data
Inspiration
Le projet est né du constat que la stéganographie est un vecteur de menace invisible. Les cybercriminels cachent des données malveillantes dans le bruit naturel des images numériques, contournant ainsi les pare-feu et les antivirus classiques qui considèrent ces fichiers comme légitimes. Nous avons voulu créer un outil capable de "voir" l'invisible.
What it does
Steganography Guardian AI est un pipeline automatisé qui détecte, extrait et analyse les données cachées. Il identifie les manipulations au niveau des bits (LSB), récupère le message secret et utilise l'intelligence artificielle pour transformer des données binaires brutes en un rapport de menace compréhensible par un humain.
How we built it
Nous avons conçu Steganography Guardian AI comme un pipeline de sécurité modulaire et automatisé: Stage 1 - Détection (TensorFlow) : Nous avons entraîné un Réseau de Neurones Convolutifs (CNN) sur des milliers d'images pour identifier les anomalies statistiques dans les plans binaires. Contrairement aux méthodes classiques, notre modèle détecte les signatures stéganographiques subtiles avec une précision de 94%. Stage 2 - Extraction Algorithmique : Une fois la menace confirmée, notre système utilise un algorithme de récupération pour reconstruire la séquence binaire dissimulée dans les bits les moins significatifs (LSB). Nous atteignons un taux de succès d'extraction de 98%. Stage 3 - Analyse Cognitive (Gemini 1.5/2.0 Flash) : C'est ici que l'innovation réside. Les données brutes extraites sont envoyées à l'API Gemini, qui agit comme un expert en cybersécurité pour interpréter l'intention malveillante (ex: exfiltration de données, C2 instructions) et transformer des fichiers hexadécimaux complexes en rapports de menace exploitables
Challenges we ran into
Le défi majeur a été de distinguer les manipulations intentionnelles de pixels des variations organiques dues à la compression d'image. Cela a nécessité une grande rigueur statistique pour minimiser les faux positifs tout en maintenant une détection sensible.
Accomplishments that we're proud of
Nous sommes fiers d'avoir atteint des performances de haut niveau: Un taux de détection de 94% pour l'identification de la stéganographie LSB. Une précision d'extraction du message de 98%. La capacité de générer des rapports de menace en temps réel.
What we learned
Nous avons approfondi nos connaissances en traitement d'images au niveau des bits et en Deep Learning avec TensorFlow. Nous avons également appris à intégrer des modèles de langage (LLM) comme Gemini pour transformer des données techniques brutes en intelligence actionnable.
What's next for Steganography Guardian Artificial Intelligence
Notre feuille de route inclut: Analyse DCT : Étendre la détection aux techniques de stéganographie dans le domaine fréquentiel (JPEG). Vidéo Forensics : Analyser les flux vidéo pour détecter des messages cachés entre les images. Intégration Réseau : Déployer le système directement au niveau des passerelles de messagerie pour une protection en temps réel à grande échelle.
Log in or sign up for Devpost to join the conversation.