<link rel="stylesheet" href="styles.f3b1fba60ec7970c.css">

Математична та алгоритмічна модель програмного модуля генеративної лінгвістичної стеганографії на базі малих мовних моделей

Вантажиться...
Ескіз

Дата

Назва журналу

Номер ISSN

Назва тому

DOI

Анотація

У роботі розглядається математична та алгоритмічна модель побудови прихованих каналів передачі даних за допомогою генеративної лінгвістичної стеганографії. Обґрунтовано перехід від класичних криптографічних підходів до імовірнісного керування авторегресійною генерацією на базі малих мовних моделей (SLM), зокрема Phi-3 Mini. Запропонована модель інтегрує оптимізацію розподілів (OD-Stega) за допомогою Лагранжевого формалізму для максимізації ентропійної ємності з жорстким контролем дивергенції Кульбака–Лейблера. Для усунення проблеми токенізаційної невідповідності (Tokenization
This paper examines a mathematical and algorithmic model for constructing covert data transmission channels using generative linguistic steganography. It substantiates the transition from classical cryptographic approaches to probabilistic control of autoregressive generation based on small language models (SLMs), in particular Phi-3 Mini.

Опис

УДК

Тип документа

Мова

ISSN

Бібліографічний опис

Бобрович Я. Математична та алгоритмічна модель програмного модуля генеративної лінгвістичної стеганографії на базі малих мовних моделей // Матеріали Міжнародної науково-практичної інтернет-конференції «Молодь в науці: дослідження, проблеми, перспективи (МН-2026)», м. Вінниця, 22-26 червня 2026 р. Електрон. текст. дані. 2026. URI: https://conferences.vntu.edu.ua/index.php/mn/mn2026/paper/view/29715.

Схвалення

Рецензія

Доповнено

Цитується в

Список використаної літератури (10)

  1. Deep Packet Inspection Using AI for Threat Detection [Електронний ресурс] / ResearchGate // ResearchGate – 2026 – Режим доступу до ресурсу: https://www.researchgate.net/publication/391857632_Deep_Packet_Inspection_Using_AI_for_Threat_Detection
  2. User and Entity Behavior Analytics (UEBA) Reference [Електронний ресурс] / Microsoft // Microsoft Learn – 2026 – Режим доступу до ресурсу: https://learn.microsoft.com/en-us/azure/sentinel/ueba-reference
  3. A Mathematical Theory of Communication [Електронний ресурс] / C. E. Shannon // The Bell System Technical Journal – 1948 – Режим доступу до ресурсу: https://people.math.harvard.edu/~ctm/home/text/others/shannon/entropy/entropy.pdf
  4. Exploiting Language Model for Efficient Linguistic Steganography [Електронний ресурс] / ArXiv // arXiv preprint – 2024 – Режим доступу до ресурсу: https://arxiv.org/pdf/2409.01780
  5. Phi-3 Technical Report: A Highly Capable Language Model Locally on Your Phone [Електронний ресурс] / Microsoft // Microsoft Research – 2024 – Режим доступу до ресурсу: https://www.microsoft.com/en-us/research/publication/phi-3-technicalreport-a-highly-capable-language-model-locally-on-your-phone/
  6. A Comprehensive Survey on Linguistic Steganography [Електронний ресурс] / ResearchGate // ResearchGate – 2025 – Режим доступу до ресурсу: https://www.researchgate.net/publication/398488225_A_Comprehensive_Survey_on_Linguistic_Steganography_Methods_Counter measures_Evaluation_and_Challenges
  7. Optimized Distributions Steganography (OD-Stega) [Електронний ресурс] / ACL Anthology // EACL – 2026 – Режим доступу до ресурсу: https://aclanthology.org/2026.eacl-long.36
  8. Lagrange Multipliers in Generative Steganography Optimization [Електронний ресурс] / ArXiv // arXiv preprint – 2025 – Режим доступу до ресурсу: https://arxiv.org/abs/2508.20718
  9. Towards Robust Generative Steganography: Tokenization Inconsistency [Електронний ресурс] / ArXiv // arXiv preprint – 2024 – Режим доступу до ресурсу: https://arxiv.org/html/2410.04328v1
  10. Stepwise Verification for Bijective Generative Steganography [Електронний ресурс] / ACL Anthology // EMNLP – 2025 – Режим доступу до ресурсу: https://aclanthology.org/2025.emnlp-main.361.pdf