Automatisiertes Steganografie-Erkennungstool, das Websites, Webserver und lokale Verzeichnisse mithilfe KI-gesteuerter Objekt-/Texterkennung und tiefer Dateianalyse über Bilder, Audio, PDFs und Binärdateien hinweg scannt.
StegoScan.py ist ein leistungsstarkes Tool der nächsten Generation für die automatisierte Steganographie-Erkennung in Websites, Webservern und lokalen Verzeichnissen, das KI-gesteuerte Objekt- und Texterkennung mit tiefer Dateianalyse kombiniert. Im Gegensatz zu herkömmlichen Steganographie-Erkennungstools, die sich auf eine begrenzte Anzahl von Dateitypen konzentrieren oder manuelle Verarbeitung erfordern, ist StegoScan.py für umfassende, automatisierte Scans konzipiert – es durchsucht Websites, zerlegt eingebettete Dateien und erkennt versteckte Nachrichten in einer Vielzahl von Formaten, darunter PNG, JPG, BIN, PDF, DOCX, WAV und MP3.
Das Tool verfügt über Website- und Webserver-Scan-Funktionen, was es für Sicherheitsforscher, die illegale Datenaustausche überwachen, oder Strafverfolgungsbehörden, die Cyberkriminelle verfolgen, unverzichtbar macht. Ein einziger Befehl kann ganze Domänen oder IP-Bereiche analysieren und verdächtige Medien und Dokumente abrufen und auf versteckte Kommunikation untersuchen. Ob es darum geht, geheime Austausche in Dark-Web-Marktplätzen aufzudecken, eingebettete Propaganda in Desinformationskampagnen zu identifizieren oder versteckte Anweisungen innerhalb von Terroristennetzwerken zu enthüllen – StegoScan.py bietet eine beispiellose Transparenz bei steganographischen Bedrohungen.
Eine der Verbesserungen bei der Steganographie-Erkennung ist die Integration von KI-Modellen wie YOLO und TrOCR für die Objekt- und Texterkennung in Bildern und Audiodateien, die zuvor manuell überprüft werden mussten. Herkömmliche OCR-Tools (Optical Character Recognition) sind notorisch unzuverlässig und scheitern oft daran, selbst einfache, in Bildern versteckte Texte aufgrund von Rauschen, Verzerrungen oder nicht standardmäßigen Schriftarten zu erkennen. StegoScan.py überwindet dies, indem es eine optionale KI-verbesserte Texterkennung bietet, die die Fähigkeit, versteckte Nachrichten aus Bildern, gescannten Dokumenten und sogar Spektrogrammen von Audiodateien zu extrahieren, drastisch verbessert. Dies ist ein Wendepunkt für forensische Analysten, Cybersicherheitsexperten und Strafverfolgungsbehörden, die eine hochsichere Textextraktion aus kompromittierten Medien benötigen.
Eine weitere neuartige Funktion ist die tiefe Dateiextraktion – ein entscheidender Fortschritt in der Steganalyse. StegoScan.py scannt nicht nur die Oberfläche von PDFs und DOCX-Dateien; es geht weiter und extrahiert und analysiert eingebettete Dateien in ihnen. Dadurch können steganographische Inhalte, die in Anhängen oder tief verschachtelten Dokumenten versteckt sind, aufgedeckt werden, was einen großen blinden Fleck herkömmlicher Scan-Tools behebt.
Durch die Kombination mehrerer Steganalysetechniken in einem einheitlichen Test bietet StegoScan.py eine detaillierte und mehrschichtige Analyse von Dateien und bietet Sicherheitsteams, digitalen Forensikexperten und Cybersicherheitsforschern eine hochmoderne Lösung für eine sich entwickelnde digitale Bedrohung. Da Steganographie-Techniken immer ausgefeilter werden, werden traditionelle Tools unzureichend – StegoScan.py stellt sicher, dass Unternehmen böswilligen Akteuren einen Schritt voraus sind, indem es erkennt, was andere übersehen. Eine ausführlichere Beschreibung der Steganographie und ihrer Verwendung finden Sie im Abschnitt "Hintergrund und Rationale von StegoScan".
StegoScan beginnt mit der Einrichtung einer eigenen dedizierten Python-Umgebung, erstellt einen lokalen Arbeitsbereich und installiert alle notwendigen Tools und Pakete für seine Suite von Analysefunktionen. Sobald alles eingerichtet ist, überprüft es alle angegebenen IP-Adressen (falls ausgewählt), um sicherzustellen, dass sie zu aktiven Webservern gehören.
Nach Bestätigung der Ziele macht sich StegoScan an die Arbeit – es durchsucht alle verfügbaren Dateien der angegebenen Typen von den angegebenen IP-Adressen und URLs. Wenn ein lokales Verzeichnis ausgewählt wird, sammelt es auch dort Dateien. Jede gesammelte Datei wird übersichtlich nach Typ sortiert und im gewählten Verzeichnis gespeichert.
Als Nächstes bereitet StegoScan ein Ergebnisverzeichnis vor und startet seine Suite von Steganographie-Erkennungstests. Für weitere Details zu den verfügbaren Tests lesen Sie bitte den Abschnitt "Steganographie-Test". Wenn versteckte Daten aufgedeckt werden, werden die Dateien kategorisiert und in Unterordnern gespeichert, die dem jeweiligen Test entsprechen, der sie identifiziert hat. Sobald alle Tests durchgeführt wurden, schließt StegoScan den Prozess ab und beendet die Ausführung.
Website- und Webserver-Scan-Fähigkeiten – Im Gegensatz zu herkömmlichen Steganalyse-Tools, die sich nur auf statische Dateien konzentrieren, scannt StegoScan.py aktiv ganze Websites, IP-Bereiche und Webserver auf versteckte Nachrichten. Ob bei der Untersuchung von Dark-Web-Marktplätzen, Cyberkriminalitätsforen oder kompromittierten Unternehmensseiten – es automatisiert den gesamten Prozess des Abrufens und Analysierens von Dateien auf eingebettete steganographische Inhalte. Kein manuelles Herunterladen und Sortieren mehr – StegoScan erledigt alles für Sie!
KI-Objekt- und Texterkennung auf Bildern und Audiodateien – Herkömmliche OCR (Optical Character Recognition) ist unzuverlässig und scheitert oft an verzerrten Texten, nicht standardmäßigen Schriftarten oder verrauschten Bildern. StegoScan.py integriert fortschrittliche KI-Modelle wie YOLO und TrOCR, um die Textextraktion und Objekterkennung zu verbessern und versteckte Nachrichten aufzudecken, die standardmäßige OCR völlig übersieht. Sogar Audiospektrogramme können auf steganographische Inhalte gescannt werden, was Einblicke in versteckte Datenaustausche bietet.
Tiefe Dateiextraktion in PDFs und DOCX-Dateien – Die meisten Tools kratzen bei der Analyse von Dokumentdateien nur an der Oberfläche, aber StegoScan.py gräbt tiefer! Es extrahiert automatisch eingebettete Dateien, die in PDFs, DOCX-Dokumenten und anderen komplexen Formaten versteckt sind, und analysiert sie auf steganographische Daten. Dies beseitigt einen großen blinden Fleck – versteckte Nutzlasten, die in harmlos aussehenden Dokumenten verborgen sind, sind nicht länger vor der Erkennung sicher. Keine übersehenen versteckten Dateien mehr – wenn sie da sind, wird StegoScan sie finden.
Kombinierter Tool-Test für detaillierte Dateianalyse – StegoScan.py ist kein One-Trick-Pony. Es kombiniert mehrere Steganographie-Erkennungsmethoden in einem einzigen, leistungsstarken Test und gewährleistet so eine geschichtete, gründliche Analyse jeder gescannten Datei. Anstatt sich auf eine einzige Erkennungstechnik zu verlassen (die leicht umgangen werden kann), kreuzprüft StegoScan Dateien mit mehreren Methoden, um die Erkennungsgenauigkeit zu maximieren.
Automatisiert und für Linux optimiert – Sind Sie es leid, sich mit Abhängigkeiten herumzuschlagen? StegoScan.py ist Plug-and-Play. Es installiert automatisch, was es benötigt, und sorgt für einen reibungslosen, effizienten Scan-Prozess ohne manuelle Einrichtung. Entwickelt für Geschwindigkeit und Effizienz, läuft es nahtlos auf Linux und ist damit das perfekte Tool für Cybersicherheitsexperten, Penetrationstester und forensische Analysten.
Web Scraping & Datei-Download – Automatisiert das Extrahieren und Herunterladen bestimmter Dateitypen von URLs, IP-Adressen und IP-Bereichen und ermöglicht so groß angelegte Webinhaltsanalysen.
Lokale Verzeichnisextraktion & -Tests – Scannt lokale Verzeichnisse auf steganographische Inhalte und identifiziert versteckte Nachrichten in gespeicherten Dateien.
Bildverarbeitung & Steganographie-Analyse – Führt eingehende steganographische Tests an Bildern durch und verwendet mehrere Erkennungstechniken, um versteckte Daten aufzudecken.
Extraktion eingebetteter Dateien aus PDFs & DOCX – Extrahiert und analysiert Bilder und eingebettete Dateien aus PDF- und DOCX-Dokumenten, ein entscheidender Schritt zur Identifizierung tief verborgener steganographischer Inhalte.
Steganographie-Erkennungswerkzeuge – Integriert stegano, stegdetect und zsteg für eine mehrschichtige Erkennung versteckter Nachrichten in Bilddateien.
KI-gestützte Objekt- & Texterkennung – Erweitert traditionelle Erkennungsmethoden mit KI-gesteuerter Analyse:
YOLOv8 für hochpräzise Objekterkennung, Identifizierung eingebetteter Bilder und Symbole.
TrOCR für fortschrittliche Texterkennung, Extrahieren von Text aus handgeschriebenen, stilisierten oder verzerrten Schriftarten mit verbesserter Genauigkeit gegenüber Standard-OCR-Tools.
Grundlegende Malware- & ELF-Dateianalyse – Führt eine vorläufige Sicherheitsanalyse von ELF-Binärdateien und anderen ausführbaren Dateien durch und hilft bei der Identifizierung potenzieller Malware-Bedrohungen.
Audio- & Binärdateianalyse – Analysiert WAV- und MP3-Dateien auf versteckte steganographische Daten, einschließlich Nachrichten, die in Spektrogrammen oder unhörbaren Frequenzbereichen eingebettet sind.
Binärdatei-Strukturextraktion – Verwendet Binwalk, um versteckte Dateien, Firmware und eingebettete Daten in Binärdateien zu extrahieren und zu überprüfen.
Multi-Threading-Unterstützung – Optimiert für die Leistung, ermöglicht schnelles und effizientes Scannen großer Datensätze, ideal für forensische Untersuchungen und groß angelegte Cybersicherheitsanwendungen.
(Unter einigen Tests befinden sich Beispieldateien, die zum Testen des Tools verwendet wurden und visuell darstellen, was der Test aufdecken wird und wie unauffällig Dateien auf Kommunikationsseiten sein können)
Unverändertes Bild links, "hello world" im Bild rechts eingebettet
Bildintegrität – Verwendet den Python-Import Pillow, um die Integrität von PNG- und JPG-Dateien zu überprüfen.
Hist – Verwendet den Python-Import Matplotlib, um Histogramme zu generieren, die die Verteilung der RGB-Farbwerte für PNG- und JPG-Dateien zeigen.
Objekterkennung – Verwendet YOLOv8 und TrOCR, um jede Ebene von PNG- und JPG-Dateien zu testen, indem das LSB iterativ entfernt und nur rote, grüne und blaue Filter auf das Bild angewendet werden.
Verstecktes Bild einer Katze, versteckt in den LSBs, aufgedeckt mit YOLOv8 [2]
Jpeg – Verwendet das Linux-Befehlszeilentool Stegdetect, um JPG-Dateien zu testen und versteckte Daten zu erkennen, die mit Techniken wie jSteg, jphide, Outguess, F5 (Header-Analyse), invisible secrets, appendX und camouflage in Bilder eingebettet wurden.
Png – Verwendet das Linux-Befehlszeilentool Zsteg, um PNG-Dateien zu testen, LSB-Steganographie zu erkennen, verschiedene Farbkanäle (R, G, B, A) und deren Bit-Ebenen zu überprüfen, häufige Kodierungstechniken zur Datenverbergung in Bildern, Payload-Extraktion, Text- und ASCII-versteckte Nachrichten sowie Entropieanalyse zu erkennen.
Unverändertes Bild links, das rechte Bild "enthält das erste Kapitel der 'Jagd des Snark' eingebettet" [1]
Audio-Integrität – Verwendet den Python-Import Wave, um die Integrität von MP3- und WAV-Dateien zu überprüfen.
Audio-Erkennung – Verwendet den Python-Import Librosa, um Audiospektrogramme für MP3- und WAV-Dateien zu generieren, die dann mit YOLOv8 und TrOCR durchlaufen werden, um nach Bildern oder Nachrichten zu suchen, die in der Darstellung der Frequenzwerte der Datei über die Zeitlänge der Datei versteckt sind.
[Hören Sie sich das Audio an](https://github.com/LCBOWER33/StegoScan/blob/main/images/Drawing_of_the_word_Wikipedia.wav)
Versteckte Textnachricht in einer Audiodatei, aufgedeckt mit TrOCR [2]
Binär – Verwendet das Linux-Befehlszeilentool Binwalk, um Binärdateien auf eingebettete Dateien und Daten zu testen, identifiziert bekannte Dateisignaturen in einer Binärdatei (z. B. ZIP, PNG, ELF usw.), erkennt Firmware-Komponenten in einem Binärimage, komprimierte und verschlüsselte Daten, findet komprimierte Daten (z. B. LZMA, GZIP, BZIP2) in Dateien, kennzeichnet verschlüsselte oder verschleierte Daten, Dateisystem-Signaturen, erkennt eingebettete Dateisysteme (z. B. SquashFS, JFFS2, EXT, FAT), erkennt kompilierte ausführbare Dateien (ELF, PE, Mach-O), identifiziert Bootloader und Firmware-Komponenten sowie Entropieanalyse.
Elf-Check – Verwendet YARA-Regeln, Magic Bytes, den Linux-Befehl file und Entropieanalyse, um alle Dateien auf eingebettete Malware zu überprüfen.
-u, --url : Basis-URL(s), IP-Adresse(n) oder IP-Bereich(e), von denen Dateien gescrapt werden sollen.
-t, --types : Kommagetrennte Liste von Dateierweiterungen zum Herunterladen (* für alle Dateien).
-n, --num : Anzahl der herunterzuladenden Dateien.
-o, --output : Ausgabeverzeichnis.
-m, --mode : Testmodus, um bestimmte Tests anzugeben (z. B. lsb,hist) oder "all" für alle Tests.
-l, --local : Pfad zu einer lokalen Datei oder einem Verzeichnis zur Analyse.
sudo python StegoScan.py -u "https://example.com" -t "*" -o "downloads" -m "all"
sudo python StegoScan.py -u "https://example.com" -t "jpg,png" -n 5 -o "downloads" -m "all"
sudo python StegoScan.py -l "path/to/local/files" -t "*" -o "downloads" -m "lsb,hist,png"
Während die GUI noch in Arbeit ist, um sie in das vollständige System zu integrieren, ist dies die aktuelle Version:
Alle gescrapten Dateien werden im Ausgabeverzeichnis gespeichert, das bei der Ausführung angegeben wurde.
Erstellt und installiert automatisch eine neue Umgebung für alle notwendigen Python-Importe.
Das Skript installiert poppler-utils, stegdetect, binwalk und zsteg automatisch.
GPU-Beschleunigung wird verwendet, wenn eine CUDA-kompatible GPU erkannt wird.
Erweiterung des Tests um Exiftool, StegSeek, StegExpose, OutGuess, StegoRAT, StegoSuite und WavSteg.
Erweiterung der Malware-Analyse um weitere YARA-Regeln.
Verbesserung der Objekterkennung durch den Einsatz fortschrittlicher Bildverarbeitungstechniken.
Steganographie – die Praxis, Nachrichten in anderen, nicht verdächtigen Daten zu verstecken – hat in kriminellen Aktivitäten eine bemerkenswerte Zunahme erfahren. Fortschritte in digitalen Technologien haben es böswilligen Akteuren ermöglicht, illegale Informationen in scheinbar harmlosen Dateien wie Bildern, Audiodateien oder Videos zu verstecken. So gibt es beispielsweise Berichte, die darauf hindeuten, dass Terrororganisationen Steganographie verwendet haben, um Anweisungen in digitalen Fotos zu verstecken, die im Internet veröffentlicht wurden. Darüber hinaus hat der Aufstieg der Voice-over-IP-Kommunikation (VoIP) zur Entwicklung von Techniken geführt, die Daten in Sprachströmen verstecken, was die Erkennung noch schwieriger macht.
Im Bereich der öffentlichen Medien hat die Steganographie ebenfalls ihre Spuren hinterlassen. Über ihre böswilligen Verwendungen hinaus wurde sie für legitime Zwecke wie digitales Wasserzeichen eingesetzt, bei dem Urheberrechtsinformationen heimlich in Mediendateien eingebettet werden, um geistige Eigentumsrechte zu schützen. Diese Technik ermöglicht es Inhaltserstellern, die Verbreitung ihrer Arbeit zu verfolgen und unbefugte Nutzung zu bekämpfen. Darüber hinaus ist das Konzept der sozialen Steganographie entstanden, bei dem Einzelpersonen Nachrichten in kulturellen Referenzen, Redewendungen oder Popkultur-Inhalten verstecken, die öffentlich geteilt werden, wodurch die zugrunde liegenden Nachrichten nur für bestimmte Zielgruppen sichtbar sind.
Angesichts der zunehmenden Nutzung von Steganographie in Cyberkriminalität, Terrorismus und verdeckter Kommunikation ist es entscheidend, Werkzeuge zu entwickeln, die Websites auf diese versteckten Nachrichten scannen können. Kriminelle und böswillige Akteure nutzen digitale Steganographie, um heimlich Daten auszutauschen, wie gestohlene Anmeldedaten, Malware-Befehle oder illegale Anweisungen, und dabei der Erkennung durch traditionelle Cybersicherheitsmaßnahmen zu entgehen. Ohne die Möglichkeit, Webinhalte auf eingebettete Nachrichten zu scannen und zu analysieren, könnten Strafverfolgungsbehörden und Sicherheitsbehörden Schwierigkeiten haben, illegale Aktivitäten zu verfolgen, was zu potenziellen Bedrohungen für die nationale Sicherheit, Finanzsysteme und die Privatsphäre führen könnte. Darüber hinaus könnten mit dem Aufkommen von Fehlinformationen und verdeckten Einflusskampagnen steganographische Techniken genutzt werden, um versteckte Propaganda zu verbreiten oder Desinformationsbemühungen zu koordinieren. Die Implementierung von Scan-Mechanismen würde helfen, diese Risiken zu identifizieren und zu mindern, während gleichzeitig Datenschutzbedenken abgewogen werden, um sicherzustellen, dass Steganographie nicht für schändliche Zwecke missbraucht wird.
[1] Detecting Steganographic Content on the Internet. Paper von Niels Provos und Peter Honeyman aus dem Jahr 2002, veröffentlicht in den Proceedings of the Network and Distributed System Security Symposium (San Diego, CA, 6.–8. Februar 2002). NDSS 2002. Internet Society, Washington, D.C.
[2] „Steganography", Wikipedia, https://en.wikipedia.org/wiki/Steganography (abgerufen am 27. Januar 2025).
Dieses Projekt ist Open Source und unter der MIT-Lizenz verfügbar.
