Ich habe an einem Team-Forschungsprojekt mitgewirkt, das 16 Steganographie-Angriffe auf 8 Geräten und mit 4 verschiedenen Angreiferprofilen (“Alices”) simulierte, die jeweils unter einem eindeutigen Fallindex (z. B. A1.1) verfolgt wurden. Stego-Audiobeispiele wurden generiert und mit FFMPEG, SOX, PyTai, Sherlock und einem MP3-Dateistruktur-Analysator untersucht. Die Ergebnisse wurden in einer freigegebenen Excel-Tabelle konsolidiert, um Muster über alle Proben hinweg zu erkennen.
Mein Beitrag bestand aus der Automatisierungsschicht: Ich entwickelte Python-Skripte zur automatischen Extraktion und Strukturierung von Daten aus den forensischen Analysetools (insbesondere Sherlock und dem MP3-Analysator). Dadurch wurde das umständliche manuelle Zusammentragen von Ergebnissen über Dutzende von Dateien hinweg vereinfacht. Ich nutzte Spektrogramm- und Metadatenanalysen, um Einbettungsartefakte wie hochfrequente Verzerrungen zu identifizieren. Zudem half ich bei der Bewertung der Ergebnisse anhand von drei forensischen Kriterien: Erkennbarkeit des Angriffs (EDE), Zuordnung zur Anzahl der Angreifer (EAT) und Ermittelbarkeit eines bestimmten Angreifers (EDI). Außerdem testete ich, wie gut versteckte Nutzlasten realen Transformationen wie Neukomprimierung und Formatkonvertierung standhalten.
Das Projekt identifizierte letztlich konsistente forensische Signaturen in manipuliertem Audio, wodurch sowohl die Machbarkeit von Audio als verdeckter Kommunikationskanal als auch die praktischen Grenzen seiner Tarnung bei einer strukturierten forensischen Analyse aufgezeigt wurden.