隐写分析技术是信息隐藏技术的逆向技术,主要目的在于检测、提取或破坏可疑载体内藏有的秘密信息。由于网络语音流具有较大的信息隐藏容量和较高的实时性,因此网络语音流上的信息隐藏技术具有较大的安全隐患。目前,针对网络语音流的隐写分析技术仍有许多问题需要解决,本文通过分析已有研究工作的优缺点,分别做出了以下几点研究:1.由于网络语音流载体的特性与图像有很大的不同,大部分基于图像的隐写分析技术不能直接应用于语音的信息隐藏检测。通过对待检比特序列进行随机数扩充,可以将待检比特位构建成类似于图像灰度值的参数,并利用传统的隐写分析方法如卡方检测进行信息隐藏的检测。实验结果表明,本方法能够较好地检测出网络语音流上的信息隐藏。2.通过实验可以发现,不同的检测特征在不同的参量上有不同的检测性能,因此本文提出了一种分布式的隐写分析方法。该方法针对不同的参量选用了最佳的检测特征。为了验证该方法的有效性,本文以G.729a作为载体,通过大量的样本在支持向量机上进行实验,并与现有方法在不同嵌入率和不同样本长度下的检测效果进行了比较。实验结果表明,本方法相较现有方法在检测效果上有较大优势。3.由于固定码本索引具有较好的隐藏性能,为了检测出固定码本索引上的信息隐藏,本文提出了一种基于参量统计特性的隐写分析方法。该方法通过分析固定码本索引的特性,提出了多种特征,并通过支持向量机对分类器进行训练。实验结果表明,本方法不仅在低嵌入率及低样本长度等条件下较现有方法有更好的检测效果,在现有方法无法检测的单一比特的隐写上,本方法依旧表现出较好的检测性能。4.由于自适应多速率语音编码是Vo IP中常用的语音编码,其固定码本结构较为特殊,具有较好的隐藏特性且不易检测。为此,本文针对其设计了新的检测特征,并利用Ada Boost方法对提取的特征进行特征筛选,以防止提取出的特征维数过高而造成过拟合现象的产生。筛选后的特征被送入支持向量机进行训练。训练后的分类器被用于多种情况下的隐写分析测试,以便于和现有方法进行比较。实验结果表明,该方法相较于现有方法在多种指标上均有明显优势。