نهان كاوي گفتار در بيت هاي كم ارزش بر مبناي درصد نمونه هاي مجاور يكسان

عموميت فايل هاي صوتي، اغلب توجه مهاجمين و عناصر مخرب را براي استفاده از اين حامل، جهت پوشش دهي ارتباطات محرمانه خود جلب مي‌نمايد. گستردگي استفاده از اين قالب ها، به‌همراه رويكردهاي متعدد و مدرني كه براي نهان نگاري در فايل هاي صوتي طراحي شده اند،   مي توانند فضاي سايبري را به محيطي نا امن بدل نمايند. در راستاي مقابله با اين تهديدات، امروزه روش هاي متعدد نهان كاوي ابداع شده‌اند كه با دقت بالايي قادر به تحليل آماري قالب هاي مختلف صوتي، مانند MP3 و VoIp هستند. در ميان راه حل هاي ارائه‌شده، تركيب روش هاي پردازش سيگنال و يادگيري ماشين، امكان ايجاد نهان كاوهايي با دقت بسيار بالا را فراهم نموده است. با اين وجود، از آنجا كه ويژگي هاي آماري فايل هاي صوتي گفتاري متفاوت از نمونه هاي ديگر صوتي است، روش هاي جاري نهان كاوي قادر نيستند به شكل مؤثري فايل هاي حامل گفتاري را تشخيص دهند. مشكل ديگر، ابعاد بالاي تحليلي است كه به شكل چشمگيري هزينه پياده سازي را افزايش مي دهد. در پاسخ به مشكلات ذكرشده، اين مقاله ويژگي يك بعدي درصد نمونه هاي مجاور يكسان را به‌عنوان فاكتور جداسازي نمونه هاي نهان نگاري شده از پاك مطرح مي كند. نتايج نشانگر حساسيت 99.82% نهان كاو طراحي‌شده با استفاده از دسته بند تابع عضويت گاوسي، در نرخ نهان نگاري 50% است. علاوه بر اين، اين نهان كاو قادر است با دقت مطلوبي حجم پيام مخفي‌شده را تخمين بزند. عملكرد الگوريتم طراحي‌شده بر روي يك پايگاه داده متشكل از نمونه هاي موسيقي كلاسيك نيز ارزيابي شده و نتايج حاكي از كارايي 81.2% آن هستند.