fltrVd: Система обнаружения стеганографии в видео

English version below

📝 2026: code rework и документация выполнены с использованием MiniMax-M3 agent. Оригинал — ВКР 2025. Репозиторий содержит выпускную квалификационную работу 2025 года, доработанную в 2026-м с применением языковой модели MiniMax (M3) в режиме агентной разработки (agentic coding). В ходе итеративной работы с AI-агентом выполнены: рефакторинг исходного кода, расширение тестового покрытия, добавление бенчмарков, структурирование документации.

📋 Оглавление

• Обзор
• Возможности
• Установка
• Использование
• Структура проекта
• Методы обнаружения
• Результаты и визуализация
• Разработка
• Тестирование
• Бенчмарки
• Лицензия
• Ссылки и ресурсы

🎯 Обзор

fltrVd — исследовательская система для обнаружения стеганографических вставок в видеофайлах. Проект сочетает традиционные методы анализа (статистические, гистограммные) с современными подходами глубокого обучения для классификации видеофрагментов на три категории:

• clean — исходные, неизменённые кадры
• noize — кадры с добавленным шумом
• stego — кадры со стеганографическими вставками (LSB-метод)

Система разработана в рамках выпускной квалификационной работы (ВКР) и предназначена для исследований в области информационной безопасности и анализа мультимедийного контента.

✨ Возможности

• Подготовка видео: разбиение на фрагменты, декодирование аудио и видеодорожек
• Генерация тестовых данных: создание модифицированных версий видео (зашумлённые, стего-версии)
• Статистический анализ: сравнение гистограмм (CORREL, CHISQR, INTERSECT, BHATTACHARYYA)
• Нейросетевой анализ: классификация с использованием CNN (архитектуры TinyVGG, StegAnalysisNet + SRM-фильтры)
• Обнаружение аномалий: автоэнкодер для выявления нестандартных паттернов
• Оптимизированный тренер: ускоренное обучение с аугментацией (train_model_optimized.py)
• CLI-интерфейс: запуск основных сценариев из командной строки (app/cli.py)
• Визуализация результатов: интерактивные графики Plotly, HTML-отчёты
• Бенчмарки: замеры скорости LSB, точности моделей, устойчивости к искажениям
• Тесты: unit, integration, e2e — покрытие пайплайна от энкодера до анализатора

🚀 Установка

Предварительные требования

• Python 3.8+
• GNU Make (опционально, для команд make)
• uv (рекомендуется) или pip

Вариант 1: через uv (рекомендуется)

git clone https://github.com/maxbogus/fltrVd.git
cd fltrVd
uv venv
uv pip install -r requirements.txt

Вариант 2: через Makefile

git clone https://github.com/maxbogus/fltrVd.git
cd fltrVd
make setup         # создаст .venv и установит зависимости

Вариант 3: через pip напрямую

git clone https://github.com/maxbogus/fltrVd.git
cd fltrVd
python3 -m venv .venv
source .venv/bin/activate
pip install -r requirements.txt

Проверка установки

python -c "import cv2, torch, plotly; print('Все библиотеки загружены успешно')"

📖 Использование

CLI (основной способ)

python -m app.cli --help
python -m app.cli analyze app/video/test.mp4
python -m app.cli encode fixtures/test_clean.png --k 0.5
python -m app.cli decode images/testImage_encoded.png
python -m app.cli train --epochs 30 --augmentation

Базовый пример: анализ видео (Python API)

from app.analyze_video import analyze, show_results

# Анализ видеофайла
result = analyze("app/video/test.mp4")

# Визуализация результатов
fig = show_results(result)
fig.show()  # Открывает интерактивный график в браузере

Обучение модели с нуля

from app.train_model_optimized import train_model_optimized

# Оптимизированное обучение с аугментацией
model, results = train_model_optimized(epochs=30, use_augmentation=True)

# Сохранение модели
torch.save(model.state_dict(), "app/models/my_model.pth")

Стеганографическое кодирование

from app.steganography import handle_hide, handle_show

# Скрытие сообщения в изображении
handle_hide("input.png", "output_stego.png", k=0.5)

# Извлечение сообщения
handle_show("output_stego.png")

Jupyter Notebook

jupyter lab

Откройте любой из .ipynb файлов в папке app/ для интерактивного исследования.

📁 Структура проекта

fltrVd/
├── README.md                 # Этот файл
├── IMPROVEMENTS.md           # План улучшений (обновлён в 2026)
├── NEXT_STEPS.md             # Следующие шаги и идеи развития
├── TRAINING_ROADMAP.md       # Дорожная карта обучения моделей
├── Makefile                  # Команды setup / test / lint / clean
├── pyproject.toml            # Метаданные проекта
├── pytest.ini                # Конфигурация pytest
├── requirements.txt          # Зависимости Python
├── uv.lock                   # Lock-файл uv
├── start.sh                  # Скрипт запуска
├── .clinerules/              # Документация для AI-агентов (7 секций)
│   ├── 01-fltrVd-philosophy.md
│   ├── 02-fltrVd-architecture.md
│   ├── 03-fltrVd-coding.md
│   ├── 04-fltrVd-docker.md
│   ├── 05-fltrVd-tasks.md
│   ├── 06-fltrVd-workflow.md
│   └── 07-fltrVd-contacts.md
├── app/                      # Основной код приложения
│   ├── cli.py                # CLI-интерфейс (точка входа python -m app.cli)
│   ├── analyze_video.py      # Анализ видео (гистограммы, CNN, автоэнкодер)
│   ├── steganography.py      # LSB-стеганография для изображений
│   ├── train_model.py        # Обучение TinyVGG
│   ├── train_model_optimized.py  # Оптимизированный тренер
│   ├── convert.py            # Конвертация форматов
│   ├── generateCheckData.py  # Генерация тестовых данных
│   ├── videoEncoder.py       # Кодирование видео
│   ├── videoGenerator.py     # Генерация видео
│   ├── *.ipynb               # Jupyter notebooks
│   ├── core/                 # Ядро пайплайна
│   │   └── analyzer.py       # Анализатор кадров
│   ├── analysis/             # Подпакет статистического анализа
│   │   └── histogram.py      # Гистограммные метрики
│   ├── utils/                # Утилиты
│   │   ├── image_utils.py
│   │   ├── lsb.py            # LSB-утилиты
│   │   └── metrics.py        # Метрики качества
│   ├── models/               # Обученные модели и архитектуры
│   │   ├── model_with_augm.pth
│   │   ├── srm_filters.py    # SRM-фильтры для стегоанализа
│   │   ├── steganalysis_net.py # StegAnalysisNet (CNN для стего)
│   │   └── tinyvgg.py        # TinyVGG (лёгкая CNN)
│   └── video/                # Примеры видео для анализа
│       └── test.mp4
├── benchmarks/               # Бенчмарки производительности и качества
│   ├── bench_lsb_speed.py            # Скорость LSB-кодирования
│   ├── bench_models_accuracy.py      # Точность моделей
│   ├── bench_stego_resistance.py     # Устойчивость к искажениям
│   ├── plot_results.py               # Визуализация результатов
│   ├── figures/                      # Сгенерированные графики
│   └── results/                      # JSON-отчёты
├── tests/                    # Тесты (pytest)
│   ├── conftest.py
│   ├── utils.py
│   ├── test_*.py             # 10 файлов: unit + integration + e2e
│   └── fixtures/             # Тестовые данные
├── fixtures/                 # Генерируемые тестовые изображения
│   ├── generate_test_data.py
│   └── test_*.png
├── data/                     # Датасеты (генерируются пайплайном)
│   ├── train/                # train/stego, train/clean, ...
│   └── test/
├── images/                   # Демо-изображения (вход, выход)
├── metrics/                  # Метрики качества кода и анализа
│   ├── before_analysis_summary.json
│   ├── before_cc.json
│   └── before_duplicates.json/
└── vkr_report/               # Материалы ВКР (LaTeX, презентация, PDF)
    ├── report.tex / report.pdf
    ├── preDefenseThesis.tex
    ├── Презентация к ВКР.pdf / .pptx
    ├── Рецензия*.docx / .pdf
    ├── stuff/                # Шаблоны и служебные файлы
    └── images/               # Рисунки отчёта

🔬 Методы обнаружения

1. Статистический анализ гистограмм

Сравнение распределений интенсивности пикселей между кадрами:

• CORREL — корреляция
• CHISQR — хи-квадрат
• INTERSECT — пересечение
• BHATTACHARYYA — расстояние Бхаттачария

Реализация: app/analysis/histogram.py, app/utils/metrics.py.

2. Нейросетевой анализ (CNN)

Несколько архитектур:

• TinyVGG (app/models/tinyvgg.py) — компактная VGG-подобная сеть для 3-классовой классификации. Вход: 64×64×3. Два свёрточных блока + MaxPooling + полносвязный классификатор. Обучение с TrivialAugment.
• StegAnalysisNet (app/models/steganalysis_net.py) — специализированная архитектура для стегоанализа.
• SRM-фильтры (app/models/srm_filters.py) — предобработка кадров для повышения сигнала стеганографии.

3. Автоэнкодер для обнаружения аномалий

Обнаружение нестандартных паттернов в последовательностях размеров файлов:

• Кодирование временных последовательностей
• Пороговое определение аномалий
• Визуализация на графиках

Реализация: app/core/analyzer.py.

4. LSB-стеганография (для генерации данных)

Метод наименьшего значащего бита для встраивания информации:

• Случайные сообщения в RGB-каналах
• Настраиваемая плотность заполнения (параметр k)
• Поддержка извлечения скрытых данных
• Оптимизированный вариант в app/utils/lsb.py

📊 Результаты и визуализация

Система генерирует комплексные отчёты:

1. Интерактивные графики Plotly:

   • Динамика метрик по кадрам
   • Сравнение методов анализа
   • Визуализация аномалий

2. HTML-отчёты (сохраняются в reports/):

   reports/video_analysis.html

3. Статистические сводки:

   • Точность классификации
   • Распределение аномалий
   • Сравнение гистограммных метрик

4. Графики бенчмарков в benchmarks/figures/.

🛠 Разработка

Команды Makefile

make help            # список доступных команд
make setup           # создать .venv и установить зависимости
make install         # переустановить зависимости
make test            # все тесты (unit + integration)
make test-fast       # только unit-тесты
make test-integration # только integration-тесты
make test-cov        # тесты с покрытием (htmlcov/)
make lint            # black + isort
make clean           # очистить кеши (__pycache__, .pytest_cache, htmlcov/)

Добавление новых методов обнаружения

1. Создайте новый модуль в app/ или подпакете (app/analysis/, app/core/, app/utils/).
2. Интегрируйте в основной пайплайн (app/core/analyzer.py).
3. Добавьте визуализацию в app/analyze_video.py::show_results.
4. Напишите тесты в tests/.

Форматирование кода

make lint
# или вручную:
.venv/bin/black app/ tests/ --exclude='/(\.venv|\.git)/'
.venv/bin/isort app/ tests/ --skip=.venv --skip=.git

Структура кода (кратко)

• app/core/ — ядро: анализатор, оркестрация пайплайна.
• app/analysis/ — конкретные методы анализа (гистограммы, …).
• app/utils/ — переиспользуемые утилиты (LSB, изображения, метрики).
• app/models/ — архитектуры нейросетей и обученные веса.
• app/cli.py — единая точка входа CLI.
• .clinerules/ — документация для AI-агентов, помогающая при code review и итеративной разработке.

🧪 Тестирование

Тесты организованы в tests/:

• Unit (test_current_*.py, test_*.py — быстрые, без внешних сервисов).
• Integration (test_integration_e2e.py, test_analyzer_batched.py).
• Оптимизированные (test_lsb_optimized.py, test_training_optimized.py).

Запуск:

make test
.venv/bin/pytest -v

📈 Бенчмарки

В benchmarks/ находятся скрипты для замера:

• Скорости LSB-кодирования — bench_lsb_speed.py
• Точности моделей — bench_models_accuracy.py
• Устойчивости к искажениям — bench_stego_resistance.py
• Визуализации — plot_results.py (сохраняет в benchmarks/figures/)

JSON-отчёты сохраняются в benchmarks/results/.

📄 Лицензия

Проект разработан в академических целях в рамках ВКР 2025 года. Доработка 2026 года выполнена с использованием AI-агента MiniMax (M3) в режиме agentic coding. Для коммерческого использования свяжитесь с автором.

🔗 Ссылки и ресурсы

Исследовательские материалы

• Библиотека МГТУ им. Баумана
• Image Noise Reduction Filter Based on Robust Regression Model
• IEEE InfoHiding

Технические ресурсы

• OpenCV Documentation
• PyTorch Tutorials
• Plotly Python Documentation
• uv — fast Python package manager

Вспомогательные материалы

• StackOverflow: Slicing audio given video frames
• GeeksForGeeks: Image Classification

---

fltrVd: Video Steganography Detection System

📝 2026: code rework and documentation performed using MiniMax-M3 agent. Original — graduation thesis 2025. This repository contains a graduation thesis (ВКР) completed in 2025 and reworked in 2026 using the MiniMax (M3) language model in agentic development mode. The AI-assisted iteration covered: source code refactoring, expanded test coverage, added benchmarks, and structured documentation.

📋 Table of Contents

• Overview
• Features
• Installation
• Usage
• Project Structure
• Detection Methods
• Results and Visualization
• Development
• Testing
• Benchmarks
• License
• References

🎯 Overview

fltrVd is a research system for detecting steganographic inserts in video files. The project combines traditional analysis methods (statistical, histogram-based) with modern deep learning approaches to classify video frames into three categories:

• clean — original, unmodified frames
• noize — frames with added noise
• stego — frames with steganographic inserts (LSB method)

The system was developed as a graduation thesis and is intended for research in information security and multimedia content analysis.

✨ Features

• Video preparation: splitting into fragments, decoding audio and video tracks
• Test data generation: creating modified video versions (noised, stego versions)
• Statistical analysis: histogram comparison (CORREL, CHISQR, INTERSECT, BHATTACHARYYA)
• Neural network analysis: CNN classification (TinyVGG, StegAnalysisNet + SRM filters)
• Anomaly detection: autoencoder for identifying unusual patterns
• Optimized trainer: accelerated training with augmentation (train_model_optimized.py)
• CLI interface: run main scenarios from the command line (app/cli.py)
• Results visualization: interactive Plotly graphs, HTML reports
• Benchmarks: LSB speed, model accuracy, stego resistance measurements
• Tests: unit, integration, e2e — full pipeline coverage from encoder to analyzer

🚀 Installation

Prerequisites

• Python 3.8+
• GNU Make (optional, for make commands)
• uv (recommended) or pip

Option 1: via uv (recommended)

git clone https://github.com/maxbogus/fltrVd.git
cd fltrVd
uv venv
uv pip install -r requirements.txt

Option 2: via Makefile

git clone https://github.com/maxbogus/fltrVd.git
cd fltrVd
make setup         # creates .venv and installs dependencies

Option 3: via pip directly

git clone https://github.com/maxbogus/fltrVd.git
cd fltrVd
python3 -m venv .venv
source .venv/bin/activate
pip install -r requirements.txt

Verify installation

python -c "import cv2, torch, plotly; print('All libraries loaded successfully')"

📖 Usage

CLI (primary)

python -m app.cli --help
python -m app.cli analyze app/video/test.mp4
python -m app.cli encode fixtures/test_clean.png --k 0.5
python -m app.cli decode images/testImage_encoded.png
python -m app.cli train --epochs 30 --augmentation

Basic example: Video analysis (Python API)

from app.analyze_video import analyze, show_results

# Analyze video file
result = analyze("app/video/test.mp4")

# Visualize results
fig = show_results(result)
fig.show()  # Opens interactive graph in browser

Training model from scratch

from app.train_model_optimized import train_model_optimized

# Optimized training with augmentation
model, results = train_model_optimized(epochs=30, use_augmentation=True)

# Save model
torch.save(model.state_dict(), "app/models/my_model.pth")

Steganographic encoding

from app.steganography import handle_hide, handle_show

# Hide message in image
handle_hide("input.png", "output_stego.png", k=0.5)

# Extract message
handle_show("output_stego.png")

Jupyter Notebook

jupyter lab

Open any of the .ipynb files in the app/ folder for interactive exploration.

📁 Project Structure

fltrVd/
├── README.md                 # This file
├── IMPROVEMENTS.md           # Improvement plan (updated in 2026)
├── NEXT_STEPS.md             # Next steps and development ideas
├── TRAINING_ROADMAP.md       # Model training roadmap
├── Makefile                  # setup / test / lint / clean commands
├── pyproject.toml            # Project metadata
├── pytest.ini                # pytest configuration
├── requirements.txt          # Python dependencies
├── uv.lock                   # uv lock file
├── start.sh                  # Startup script
├── .clinerules/              # Documentation for AI agents (7 sections)
│   ├── 01-fltrVd-philosophy.md
│   ├── 02-fltrVd-architecture.md
│   ├── 03-fltrVd-coding.md
│   ├── 04-fltrVd-docker.md
│   ├── 05-fltrVd-tasks.md
│   ├── 06-fltrVd-workflow.md
│   └── 07-fltrVd-contacts.md
├── app/                      # Main application code
│   ├── cli.py                # CLI entry point (python -m app.cli)
│   ├── analyze_video.py      # Video analysis (histograms, CNN, autoencoder)
│   ├── steganography.py      # LSB steganography for images
│   ├── train_model.py        # TinyVGG training
│   ├── train_model_optimized.py  # Optimized trainer
│   ├── convert.py            # Format conversion
│   ├── generateCheckData.py  # Test data generation
│   ├── videoEncoder.py       # Video encoding
│   ├── videoGenerator.py     # Video generation
│   ├── *.ipynb               # Jupyter notebooks
│   ├── core/                 # Pipeline core
│   │   └── analyzer.py       # Frame analyzer
│   ├── analysis/             # Statistical analysis subpackage
│   │   └── histogram.py      # Histogram metrics
│   ├── utils/                # Utilities
│   │   ├── image_utils.py
│   │   ├── lsb.py            # LSB utilities
│   │   └── metrics.py        # Quality metrics
│   ├── models/               # Trained models and architectures
│   │   ├── model_with_augm.pth
│   │   ├── srm_filters.py    # SRM filters for steganalysis
│   │   ├── steganalysis_net.py # StegAnalysisNet (CNN for stego)
│   │   └── tinyvgg.py        # TinyVGG (lightweight CNN)
│   └── video/                # Example videos for analysis
│       └── test.mp4
├── benchmarks/               # Performance and quality benchmarks
│   ├── bench_lsb_speed.py            # LSB encoding speed
│   ├── bench_models_accuracy.py      # Model accuracy
│   ├── bench_stego_resistance.py     # Resistance to distortions
│   ├── plot_results.py               # Results visualization
│   ├── figures/                      # Generated plots
│   └── results/                      # JSON reports
├── tests/                    # Tests (pytest)
│   ├── conftest.py
│   ├── utils.py
│   ├── test_*.py             # 10 files: unit + integration + e2e
│   └── fixtures/             # Test data
├── fixtures/                 # Generated test images
│   ├── generate_test_data.py
│   └── test_*.png
├── data/                     # Datasets (generated by pipeline)
│   ├── train/                # train/stego, train/clean, ...
│   └── test/
├── images/                   # Demo images (input, output)
├── metrics/                  # Code and analysis quality metrics
│   ├── before_analysis_summary.json
│   ├── before_cc.json
│   └── before_duplicates.json/
└── vkr_report/               # Thesis materials (LaTeX, presentation, PDF)
    ├── report.tex / report.pdf
    ├── preDefenseThesis.tex
    ├── Презентация к ВКР.pdf / .pptx
    ├── Рецензия*.docx / .pdf
    ├── stuff/                # Templates and auxiliary files
    └── images/               # Report figures

🔬 Detection Methods

1. Statistical Histogram Analysis

Comparing pixel intensity distributions between frames:

• CORREL — correlation
• CHISQR — chi-square
• INTERSECT — intersection
• BHATTACHARYYA — Bhattacharyya distance

Implementation: app/analysis/histogram.py, app/utils/metrics.py.

2. Neural Network Analysis (CNN)

Multiple architectures:

• TinyVGG (app/models/tinyvgg.py) — compact VGG-like network for 3-class classification. Input: 64×64×3. Two convolutional blocks + MaxPooling + fully connected classifier. Training with TrivialAugment.
• StegAnalysisNet (app/models/steganalysis_net.py) — specialized architecture for steganalysis.
• SRM filters (app/models/srm_filters.py) — frame preprocessing to amplify steganography signal.

3. Autoencoder for Anomaly Detection

Detecting unusual patterns in file size sequences:

• Encoding temporal sequences
• Threshold-based anomaly detection
• Visualization on graphs

Implementation: app/core/analyzer.py.

4. LSB Steganography (for data generation)

Least Significant Bit method for information embedding:

• Random messages in RGB channels
• Adjustable fill density (parameter k)
• Hidden data extraction support
• Optimized variant in app/utils/lsb.py

📊 Results and Visualization

The system generates comprehensive reports:

1. Interactive Plotly Graphs:

   • Metric dynamics across frames
   • Method comparison
   • Anomaly visualization

2. HTML Reports (saved to reports/):

   reports/video_analysis.html

3. Statistical Summaries:

   • Classification accuracy
   • Anomaly distribution
   • Histogram metric comparison

4. Benchmark plots in benchmarks/figures/.

🛠 Development

Makefile commands

make help            # list available commands
make setup           # create .venv and install dependencies
make install         # reinstall dependencies
make test            # all tests (unit + integration)
make test-fast       # unit tests only
make test-integration # integration tests only
make test-cov        # tests with coverage (htmlcov/)
make lint            # black + isort
make clean           # clean caches (__pycache__, .pytest_cache, htmlcov/)

Adding new detection methods

1. Create a new module in app/ or a subpackage (app/analysis/, app/core/, app/utils/).
2. Integrate it into the main pipeline (app/core/analyzer.py).
3. Add visualization in app/analyze_video.py::show_results.
4. Write tests in tests/.

Code formatting

make lint
# or manually:
.venv/bin/black app/ tests/ --exclude='/(\.venv|\.git)/'
.venv/bin/isort app/ tests/ --skip=.venv --skip=.git

Code structure (brief)

• app/core/ — core: analyzer, pipeline orchestration.
• app/analysis/ — specific analysis methods (histograms, …).
• app/utils/ — reusable utilities (LSB, images, metrics).
• app/models/ — neural network architectures and trained weights.
• app/cli.py — single CLI entry point.
• .clinerules/ — documentation for AI agents, useful for code review and iterative development.

🧪 Testing

Tests are organized in tests/:

• Unit (test_current_*.py, test_*.py — fast, no external services).
• Integration (test_integration_e2e.py, test_analyzer_batched.py).
• Optimized (test_lsb_optimized.py, test_training_optimized.py).

Run:

make test
.venv/bin/pytest -v

📈 Benchmarks

benchmarks/ contains scripts for measuring:

• LSB encoding speed — bench_lsb_speed.py
• Model accuracy — bench_models_accuracy.py
• Resistance to distortions — bench_stego_resistance.py
• Visualization — plot_results.py (saves to benchmarks/figures/)

JSON reports are saved to benchmarks/results/.

📄 License

The project was developed for academic purposes as a 2025 graduation thesis. The 2026 rework was performed using the MiniMax (M3) AI agent in agentic coding mode. For commercial use, please contact the author.

🔗 References

Research Materials

• Bauman Moscow State Technical University Library
• Image Noise Reduction Filter Based on Robust Regression Model
• IEEE InfoHiding

Technical Resources

• OpenCV Documentation
• PyTorch Tutorials
• Plotly Python Documentation
• uv — fast Python package manager

Supplementary Materials

• StackOverflow: Slicing audio given video frames
• GeeksForGeeks: Image Classification