MADRID, 7 (EUROPA PRESS)
Han logrado desarrollar un algoritmo que oculta información sensible con tanta eficacia que es imposible detectar que se ha ocultado algo. El método utiliza nuevos avances en los métodos de la teoría de la información para ocultar un fragmento de contenido dentro de otro de forma que no pueda detectarse.
El equipo, dirigido por la Universidad de Oxford en estrecha colaboración con la Universidad Carnegie Mellon, ha publicado este trabajo como preprint en arXiv, así como una implementación ineficiente de su método en Github, y lo presentarán en la principal conferencia sobre IA, la 2023 International Conference on Learning Representations, que se celebrará en mayo.
Prevén que este método pueda utilizarse pronto de forma generalizada en las comunicaciones humanas digitales, incluidas las redes sociales y la mensajería privada. En concreto, la posibilidad de enviar información perfectamente segura puede dar más poder a grupos vulnerables, como disidentes, periodistas de investigación y trabajadores de ayuda humanitaria.
ESTEGANOGRAFÍA
El algoritmo se aplica a un entorno denominado esteganografía: la práctica de ocultar información sensible dentro de contenidos inocuos. La esteganografía se diferencia de la criptografía en que la información sensible se oculta de tal manera que se disimula el hecho de que se ha ocultado algo. Un ejemplo podría ser ocultar un poema de Shakespeare dentro de una imagen de un gato generada por inteligencia artificial.
A pesar de que se llevan estudiando más de 25 años, los métodos de esteganografía existentes suelen tener una seguridad imperfecta, lo que significa que las personas que utilizan estos métodos corren el riesgo de ser detectadas. Esto se debe a que los algoritmos de esteganografía anteriores cambiaban sutilmente la distribución del contenido inocuo.
Para solucionar este problema, el equipo de investigadores ha utilizado los últimos avances de la teoría de la información, en concreto el acoplamiento de entropía mínima, que permite unir dos distribuciones de datos de forma que se maximice su información mutua, pero se conserven las distribuciones individuales.
Como resultado, con el nuevo algoritmo no hay diferencia estadística entre la distribución del contenido inocuo y la distribución del contenido que codifica información sensible.
El algoritmo se probó con varios tipos de modelos que producen contenidos autogenerados, como GPT-2, un modelo de lenguaje de código abierto, y WAVE-RNN, un conversor de texto a voz.
Además de ser perfectamente seguro, el nuevo algoritmo demostró una eficacia de codificación hasta un 40% mayor que los métodos esteganográficos anteriores en diversas aplicaciones, lo que permite ocultar más información en una cantidad determinada de datos. Esto puede hacer de la esteganografía un método atractivo incluso si no se requiere una seguridad perfecta, debido a las ventajas para la compresión y el almacenamiento de datos.
El equipo ha solicitado la patente del algoritmo, pero tiene intención de conceder una licencia gratuita a terceros para un uso responsable no comercial. Esto incluye el uso académico y humanitario, y las auditorías de seguridad de terceros de confianza.
El contenido generado por IA se utiliza cada vez más en las comunicaciones humanas ordinarias, impulsado por productos como ChatGPT, las pegatinas de IA de Snapchat y los filtros de vídeo de TikTok. Como resultado, la esteganografía puede generalizarse, ya que la mera presencia de contenidos generados por IA dejará de despertar sospechas.
El doctor Christian Schroeder de Witt, del Departamento de Ciencias de la Ingeniería de la Universidad de Oxford, y coautor del estudio, afirma que el método puede aplicarse a cualquier software que genere contenidos automáticamente, como filtros de vídeo probabilísticos o generadores de memes.
"Esto podría ser muy valioso, por ejemplo, para periodistas y cooperantes en países donde el acto de codificar es ilegal", asegura. Sin embargo, advierte de que los usuarios deben seguir actuando con precaución, ya que cualquier técnica de cifrado puede ser vulnerable a ataques de canal lateral, como la detección de una aplicación de esteganografía en el teléfono del usuario.
Por su parte, Samuel Sokota, del Departamento de Aprendizaje Automático de la Universidad Carnegie Mellon, y coautor del trabajo, destaca que "la principal aportación de este trabajo es mostrar una profunda conexión entre un problema llamado acoplamiento de entropía mínima y la esteganografía perfectamente segura. Aprovechando esta conexión, introducimos una nueva familia de algoritmos de esteganografía que tienen garantías de seguridad perfectas".
Igualmente, el profesor Jakob Foerster, del Departamento de Ciencias de la Ingeniería de la Universidad de Oxford, destaca que el estudio "es un magnífico ejemplo de investigación sobre los fundamentos del aprendizaje automático que conduce a grandes avances en el campo de la esteganografía".
