در دنیای دیجیتال امروز که تبادل اطلاعات به بخش جدایی‌ناپذیر زندگی ما تبدیل شده، حفظ حریم خصوصی و امنیت ارتباطات از اهمیت فوق‌العاده‌ای برخوردار است. در حالی که رمزنگاری (Cryptography) با پنهان کردن محتوای پیام، آن را برای افراد غیرمجاز غیرقابل فهم می‌کند، نهان‌نگاری (Steganography) یک گام فراتر می‌رود و خودِ وجودِ ارتباط را پنهان می‌سازد. نهان‌نگاری زبانی (Linguistic Steganography) شاخه‌ای از این علم است که با جاسازی اطلاعات مخفی در یک متن به ظاهر عادی، امکان ارتباطی پنهان و غیرقابل ردیابی را فراهم می‌آورد.

چالش اصلی در این حوزه، تولید متنی است که هم پیام مخفی را در خود جای دهد و هم آنقدر طبیعی و روان باشد که هیچ شکی را برانگیخته نکند. روش‌های سنتی اغلب با دستکاری جزئی در متن، کیفیت آن را کاهش می‌دادند و به راحتی توسط تحلیل‌گران انسانی یا الگوریتم‌های هوش مصنوعی شناسایی می‌شدند. با ظهور مدل‌های زبانی پیشرفته مبتنی بر یادگیری عمیق، انقلابی در این عرصه پدید آمد. این مدل‌ها قادر به تولید متون با کیفیتی نزدیک به انسان هستند و این امر فرصت‌های جدیدی برای نهان‌نگاری فراهم کرده است.

مقاله “Autoregressive Linguistic Steganography Based on BERT and Consistency Coding” دقیقاً در قلب این تحول قرار دارد. این پژوهش یک الگوریتم نوین ارائه می‌دهد که با بهره‌گیری از قدرت مدل زبانی BERT و یک روش کدگذاری هوشمندانه به نام کدگذاری سازگاری (Consistency Coding)، تلاش می‌کند تا به یک تعادل بهینه میان سه مؤلفه کلیدی دست یابد: ظرفیت نهان‌سازی (میزان اطلاعات مخفی)، امنیت (غیرقابل کشف بودن) و کیفیت متن (روانی و طبیعی بودن). اهمیت این مقاله در ارائه یک راهکار عملی برای غلبه بر محدودیت‌های روش‌های پیشین و ارتقای سطح کارایی و امنیت در ارتباطات پنهان است.

این مقاله توسط Xiaoyan Zheng و Hanzhou Wu به رشته تحریر درآمده است. زمینه تحقیقاتی این پژوهش در نقطه تلاقی دو حوزه علمی بسیار مهم و پویا قرار دارد: رمزنگاری و امنیت (Cryptography and Security) و محاسبات و زبان (Computation and Language) که امروزه بیشتر با عنوان پردازش زبان طبیعی (Natural Language Processing – NLP) شناخته می‌شود.

این تقاطع علمی نشان‌دهنده یک روند مدرن در تحقیقات امنیتی است که در آن از تکنیک‌های پیشرفته هوش مصنوعی و یادگیری ماشین برای حل مسائل کلاسیک امنیتی استفاده می‌شود. در حالی که حوزه امنیت بر اصول پنهان‌سازی و محافظت از اطلاعات تمرکز دارد، حوزه پردازش زبان طبیعی ابزارهای لازم برای درک، تحلیل و تولید زبان انسان را فراهم می‌کند. این مقاله با ترکیب این دو جهان، راهکاری نوین برای یک چالش دیرینه، یعنی ارتباط امن و غیرقابل ردیابی، ارائه می‌دهد.

هدف اصلی این مقاله، ارائه یک الگوریتم نهان‌نگاری زبانی خودرگرسیو است که با استفاده از مدل زبانی BERT و تکنیک کدگذاری سازگاری، تعادل بهتری میان ظرفیت نهان‌سازی و امنیت سیستم برقرار کند. روش‌های پیشین که از مدل‌های زبانی استفاده می‌کردند، با وجود افزایش ظرفیت، همچنان در زمینه امنیت و کیفیت متن با چالش‌هایی روبرو بودند.

ایده اصلی این پژوهش بر سه پایه استوار است:

• استفاده از BERT به عنوان مدل زبانی ماسک‌دار (Masked Language Model): به جای تولید متن از صفر، این روش با ماسک کردن (پنهان کردن) برخی کلمات در یک متن موجود، از BERT می‌خواهد تا محتمل‌ترین کلمات جایگزین را پیش‌بینی کند. این مجموعه کلمات کاندید، بستر جاسازی اطلاعات را فراهم می‌کنند.
• جایگزینی کدگذاری بلوکی با کدگذاری سازگاری: روش‌های قبلی اغلب از کدگذاری بلوکی استفاده می‌کردند که انعطاف‌پذیری کمی داشت. در مقابل، کدگذاری سازگاری می‌تواند با مجموعه‌هایی از کلمات کاندید با هر اندازه‌ای کار کند و مهم‌تر از آن، از توزیع احتمالاتی که BERT برای هر کلمه ارائه می‌دهد، به بهترین شکل برای پنهان‌سازی اطلاعات بهره می‌برد. این امر باعث انتخاب کلمات طبیعی‌تر و افزایش امنیت می‌شود.
• فرایند تولید خودرگرسیو (Autoregressive Generation): کلمات ماسک‌گذاری شده به صورت متوالی و نه همزمان پر می‌شوند. یعنی انتخاب کلمه برای جایگاه دوم، با در نظر گرفتن کلمه‌ای که برای جایگاه اول انتخاب شده است، صورت می‌گیرد. این رویکرد پیوستگی و وابستگی معنایی میان کلمات را تقویت کرده و به تولید متنی بسیار روان‌تر و منسجم‌تر منجر می‌شود.

در نهایت، مقاله نشان می‌دهد که این رویکرد ترکیبی نه تنها روانی و کیفیت متن نهان‌نگاری‌شده را به شکل چشمگیری بهبود می‌بخشد، بلکه امنیت آن را در برابر روش‌های تشخیص خودکار تضمین کرده و حتی تا حدی ظرفیت جاسازی پیام مخفی را نیز افزایش می‌دهد.

متدولوژی پیشنهادی در این مقاله یک فرایند چندمرحله‌ای هوشمندانه است که قدرت پیش‌بینی BERT را با کارایی یک الگوریتم کدگذاری پیشرفته ترکیب می‌کند. در ادامه، مراحل این روش به تفصیل شرح داده می‌شود:

• مرحله اول: آماده‌سازی متن پوششی و ماسک‌گذاری:
  ابتدا یک متن پوششی (Cover Text) انتخاب می‌شود که قرار است پیام مخفی در آن جاسازی شود. سپس، الگوریتم به صورت استراتژیک برخی از کلمات این متن را با یک توکن ویژه به نام `[MASK]` جایگزین می‌کند. این جایگاه‌های ماسک‌گذاری شده، مکان‌هایی هستند که کلمات حامل اطلاعات مخفی در آن‌ها قرار خواهند گرفت.
• مرحله دوم: پیش‌بینی کلمات کاندید توسط BERT:
  متن ماسک‌گذاری شده به مدل BERT داده می‌شود. BERT با تحلیل بافت معنایی کل جمله، برای هر جایگاه `[MASK]`، لیستی از محتمل‌ترین کلمات جایگزین به همراه احتمال وقوع هر یک را تولید می‌کند. برای مثال، برای جمله “خورشید در آسمان آبی [MASK] می‌کرد”، BERT ممکن است کلماتی مانند “می‌درخشید” (با احتمال ۶۰٪)، “نورافشانی” (با احتمال ۲۵٪) و “طلوع” (با احتمال ۱۵٪) را پیشنهاد دهد.
• مرحله سوم: کدگذاری پیام مخفی با استفاده از کدگذاری سازگاری:
  این مرحله، قلب نوآوری مقاله است. به جای استفاده از کدگذاری بلوکی که محدودیت‌هایی دارد، از کدگذاری سازگاری استفاده می‌شود. این روش، بیت‌های پیام مخفی (که به صورت دنباله‌ای از ۰ و ۱ هستند) را به یکی از کلمات کاندید پیشنهاد شده توسط BERT نگاشت می‌دهد. مزیت بزرگ این روش آن است که بازه‌های احتمالی را به بیت‌ها اختصاص می‌دهد. در نتیجه، کلماتی که احتمال بالاتری دارند (مانند “می‌درخشید”) بخش بزرگ‌تری از فضای بیت‌ها را به خود اختصاص می‌دهند و شانس انتخاب شدنشان بیشتر است. این کار باعث می‌شود کلمات انتخاب‌شده کاملاً طبیعی به نظر برسند و امنیت سیستم به شدت افزایش یابد.
• مرحله چهارم: تولید متن نهایی به صورت خودرگرسیو:
  برخلاف روش‌هایی که تمام جایگاه‌های ماسک را به صورت همزمان پر می‌کنند، این الگوریتم از یک رویکرد خودرگرسیو یا بازگشتی بهره می‌برد. یعنی ابتدا اولین جایگاه `[MASK]` بر اساس پیام مخفی پر می‌شود. سپس، مدل BERT با در نظر گرفتن کلمه جدید، پیش‌بینی خود را برای جایگاه `[MASK]` دوم به‌روزرسانی می‌کند و این فرایند تا پر شدن تمام جایگاه‌ها ادامه می‌یابد. این وابستگی متوالی، ارتباط منطقی و معنایی میان کلمات جدید را تضمین کرده و منجر به تولید یک متن نهایی بسیار منسجم و روان می‌شود.

نتایج آزمایش‌های انجام‌شده در این مقاله نشان‌دهنده برتری قابل توجه روش پیشنهادی نسبت به کارهای مرتبط پیشین است. یافته‌های کلیدی را می‌توان در سه حوزه اصلی خلاصه کرد:

• بهبود چشمگیر کیفیت و روانی متن:
  متون تولیدشده توسط این الگوریتم، به دلیل استفاده از فرایند خودرگرسیو و بهره‌گیری از توزیع احتمالات دقیق BERT، از نظر دستوری و معنایی بسیار طبیعی‌تر هستند. این کیفیت با استفاده از معیارهای استاندارد پردازش زبان طبیعی مانند Perplexity (سرگشتگی) سنجیده شده است. مقدار Perplexity پایین‌تر نشان‌دهنده قابل پیش‌بینی بودن و در نتیجه طبیعی‌تر بودن متن است که این روش به آن دست یافته است.
• افزایش امنیت و مقاومت در برابر تشخیص:
  از آنجایی که کلمات جاسازی‌شده با توجه به احتمال وقوع طبیعی آن‌ها در متن انتخاب می‌شوند، متن نهایی هیچ‌گونه ناهنجاری آماری از خود نشان نمی‌دهد. این ویژگی باعث می‌شود که الگوریتم‌های آشکارساز نهان‌نگاری (Steganalysis) که برای یافتن الگوهای غیرعادی در متن طراحی شده‌اند، در تشخیص وجود پیام مخفی با شکست مواجه شوند. در واقع، امنیت سیستم تضمین می‌شود زیرا متن تولیدی از متن نوشته‌شده توسط انسان قابل تمایز نیست.
• افزایش نسبی ظرفیت نهان‌سازی (Payload):
  اگرچه تمرکز اصلی مقاله بر بهبود کیفیت و امنیت بوده، اما نتایج نشان می‌دهند که روش کدگذاری سازگاری به دلیل کارایی بالاتر در استفاده از فضای احتمالات، می‌تواند به ازای هر کلمه جایگزین‌شده، بیت‌های بیشتری از پیام مخفی را پنهان کند. این به معنای دستیابی به نرخ نهان‌سازی (Embedding Rate) بالاتر بدون فدا کردن امنیت و کیفیت است که یک دستاورد مهم محسوب می‌شود.

این پژوهش نه‌تنها یک پیشرفت نظری است، بلکه کاربردهای عملی و دستاوردهای علمی مهمی را نیز به همراه دارد.

کاربردهای عملی:

• ارتباطات امن و پنهان: این فناوری می‌تواند توسط روزنامه‌نگاران، فعالان حقوق بشر، دیپلمات‌ها و سازمان‌های اطلاعاتی برای ارسال پیام‌های حساس از طریق کانال‌های ارتباطی عمومی مانند ایمیل، شبکه‌های اجتماعی یا وبلاگ‌ها استفاده شود، بدون آنکه توجه کسی به وجود یک کانال ارتباطی مخفی جلب شود.
• واترمارکینگ دیجیتال متنی (Text Watermarking): می‌توان از این روش برای جاسازی اطلاعات مربوط به حق کپی‌رایت یا مالکیت در اسناد متنی به صورت نامرئی استفاده کرد تا از سرقت محتوا جلوگیری شود.
• حفاظت از داده‌ها: در سیستم‌هایی که نیاز به ذخیره‌سازی اطلاعات حساس دارند، می‌توان بخشی از داده‌ها را به صورت نهان‌نگاری شده در متون غیرحساس دیگر ذخیره کرد تا یک لایه امنیتی مضاعف ایجاد شود.

دستاوردهای علمی:

• حل بهینه سه‌گانه چالش‌برانگیز: این مقاله راهکاری ارائه می‌دهد که به خوبی تعادل میان سه متغیر متضاد ظرفیت، امنیت و کیفیت را برقرار می‌کند که همواره چالش اصلی در نهان‌نگاری بوده است.
• تلفیق موفقیت‌آمیز حوزه‌های مختلف: این پژوهش نمونه‌ای برجسته از ترکیب موفق نظریه اطلاعات (کدگذاری سازگاری)، پردازش زبان طبیعی (مدل BERT) و امنیت سایبری (نهان‌نگاری) برای خلق یک راه‌حل قدرتمند است.
• گشودن مسیر برای تحقیقات آینده: این رویکرد می‌تواند پایه‌ای برای توسعه روش‌های پیچیده‌تر با استفاده از مدل‌های زبانی بزرگ‌تر و جدیدتر (مانند مدل‌های خانواده GPT) و تکنیک‌های کدگذاری پیشرفته‌تر باشد.

مقاله “نهان‌نگاری زبانی خودرگرسیو مبتنی بر BERT و کدگذاری سازگاری” یک گام مهم رو به جلو در عرصه ارتباطات پنهان است. نویسندگان با ترکیب هوشمندانه مدل زبانی پیشرفته BERT، یک روش کدگذاری کارآمد به نام کدگذاری سازگاری، و یک فرایند تولید خودرگرسیو، موفق به توسعه الگوریتمی شده‌اند که متون نهان‌نگاری‌شده‌ای با کیفیت، امنیت و ظرفیت بالا تولید می‌کند.

این پژوهش به طور مؤثری بر محدودیت‌های روش‌های قبلی غلبه کرده و نشان می‌دهد که چگونه می‌توان از قدرت هوش مصنوعی برای ایجاد کانال‌های ارتباطی استفاده کرد که تقریباً از دید ناظران بیرونی نامرئی هستند. در عصری که نظارت دیجیتال روزبه‌روز در حال افزایش است، فناوری‌هایی از این دست نقشی حیاتی در حفظ حریم خصوصی و آزادی بیان ایفا خواهند کرد. این کار نه تنها یک دستاورد فنی است، بلکه راه را برای نسل بعدی سیستم‌های نهان‌نگاری هوشمند و تطبیق‌پذیر هموار می‌سازد.