]> AND Private Git Repository - hdrcouchot.git/blob - annexePreuveMarquagedhci.tex
Logo AND Algorithmique Numérique Distribuée

Private GIT Repository
ajout des sources bittar
[hdrcouchot.git] / annexePreuveMarquagedhci.tex
1
2 \begin{theorem}\label{th:stego}
3 Soit  $\epsilon$ un nombre positif, 
4 $l$ un nombre de LSBs, 
5 $X   \sim \mathbf{U}\left(\mathbb{B}^l\right)$,
6 un adapteur de stratégie uniformémement distribué indépendant de $X$
7 $f_l$ un mode tel que  
8 $\textsc{giu}(f_l)$ est fortement connexe et la 
9 matrice de Markov associée à  $f_l$ est doublement stochastique.
10 Il existe un nombre $q$ d'itérations tel que 
11 $|p(Y|K)- p(X)| < \epsilon$. 
12 \end{theorem}
13
14
15
16 \begin{proof}   
17 Let $\textit{deci}$ be the bijection between $\Bool^{l}$ and 
18 $\llbracket 0, 2^l-1 \rrbracket$ that associates the decimal value
19 of any  binary number in $\Bool^{l}$.
20 The probability $p(X^t) = (p(X^t= e_0),\dots,p(X^t= e_{2^l-1}))$ for $e_j \in \Bool^{l}$ is thus equal to 
21 $(p(\textit{deci}(X^t)= 0,\dots,p(\textit{deci}(X^t)= 2^l-1))$ further denoted by $\pi^t$.
22 Let $i \in \llbracket 0, 2^l -1 \rrbracket$, 
23 the probability $p(\textit{deci}(X^{t+1})= i)$  is 
24 \[
25  \sum\limits^{2^l-1}_{j=0}  
26 \sum\limits^{l}_{k=1} 
27 p(\textit{deci}(X^{t}) = j , S^t = k , i =_k j , f_k(j) = i_k ) 
28 \]
29 \noindent 
30 where $ i =_k j $ is true iff the binary representations of 
31 $i$ and $j$ may only differ for the  $k$-th element,
32 and where 
33 $i_k$ abusively denotes, in this proof, the $k$-th element of the binary representation of 
34 $i$.
35
36 Next, due to the proposition's hypotheses on the strategy,
37 $p(\textit{deci}(X^t) = j , S^t = k , i =_k j, f_k(j) = i_k )$ is equal to  
38 $\frac{1}{l}.p(\textit{deci}(X^t) = j ,  i =_k j, f_k(j) = i_k)$.
39 Finally, since $i =_k j$ and $f_k(j) = i_k$ are constant during the 
40 iterative process  and thus does not depend on $X^t$, we have 
41 \[
42 \pi^{t+1}_i = \sum\limits^{2^l-1}_{j=0}
43 \pi^t_j.\frac{1}{l}  
44 \sum\limits^{l}_{k=1} 
45 p(i =_k j, f_k(j) = i_k ).
46 \]
47
48 Since 
49 $\frac{1}{l}  
50 \sum\limits^{l}_{k=1} 
51 p(i =_k j, f_k(j) = i_k ) 
52 $ is equal to $M_{ji}$ where  $M$ is the Markov matrix associated to
53  $f_l$ we thus have
54 \[
55 \pi^{t+1}_i = \sum\limits^{2^l-1}_{j=0}
56 \pi^t_j. M_{ji} \textrm{ and thus }
57 \pi^{t+1} = \pi^{t} M.
58 \]
59
60 % The calculus of $p(X^{t+1} = e)$ is thus equal to 
61 % $\pi^{t+1}_i$. 
62
63 First of all, 
64 since the graph $\Gamma(f)$ is strongly connected,
65 then for all vertices $i$ and $j$, a path can
66 be  found to  reach $j$  from $i$  in at  most $2^l$  steps.  
67 There  exists thus $k_{ij} \in \llbracket 1,  2^l \rrbracket$ s.t.
68 ${M}_{ij}^{k_{ij}}>0$.  
69 As all the multiples $l \times k_{ij}$ of $k_{ij}$ are such that 
70 ${M}_{ij}^{l\times  k_{ij}}>0$, 
71 we can  conclude that, if
72 $k$ is the least common multiple of $\{k_{ij}  \big/ i,j  \in \llbracket 1,  2^l \rrbracket  \}$ thus 
73 $\forall i,j  \in \llbracket  1, 2^l \rrbracket,  {M}_{ij}^{k}>0$ and thus 
74 $M$ is a regular stochastic matrix.
75
76
77 Let us now recall the following stochastic matrix theorem:
78 \begin{theorem}[Stochastic Matrix]
79   If $M$ is a regular stochastic matrix, then $M$ 
80   has an unique stationary  probability vector $\pi$. Moreover, 
81   if $\pi^0$ is any initial probability vector and 
82   $\pi^{t+1} = \pi^t.M $ for $t = 0, 1,\dots$ then the Markov chain $\pi^t$
83   converges to $\pi$ as $t$ tends to infinity.
84 \end{theorem}
85
86 Thanks to this theorem, $M$ 
87 has an unique stationary  probability vector $\pi$. 
88 By hypothesis, since $M$ is doubly stochastic we have 
89 $(\frac{1}{2^l},\dots,\frac{1}{2^l}) = (\frac{1}{2^l},\dots,\frac{1}{2^l})M$
90 and thus $\pi =  (\frac{1}{2^l},\dots,\frac{1}{2^l})$.
91 Due to the matrix theorem, there exists some 
92 $q$ s.t. 
93 $|\pi^q- \pi| < \epsilon$
94 and the proof is established.
95 Since $p(Y| K)$ is $p(X^q)$ the method is then $\epsilon$-stego-secure
96 provided the strategy-adapter is uniformly distributed.
97  \end{proof}