This thesis investigates how to detect data embedded in videos using an Artificial Intelligence (AI) approach utilizing image recognition and an algorithmic approach, comparing these approaches. The algorithm is designed to detect a common pattern present in data-embedded videos. Infinite-Storage-Glitch (ISG) is a steganography tool that allows data embedding into videos, which enables storing illegal content on video hosting platforms like YouTube. Currently, YouTube and many additional video hosting sites do not prevent the upload of such videos, and little research exists on detecting the presence of ISG-embedded videos.

The AI approach uses a Convolutional Neural Network trained to detect video frames generated by ISG. The algorithm exploits a common pattern found in each frame in the videos generated by the ISG tool. It exploits the presence of pixels of a single color, with no neighboring pixels of the same color as the original pixel. Designed as a brute-force algorithm, it iterates through a cropped portion of the video frame until a desired count of pixels with no neighbors is found.

Both methods yielded the same detection rate of 100 percent on video classification, confirming their effectiveness in detecting ISG-embedded videos. However, by analyzing frame by frame, there are some small differences. This study also finds that the AI approach is more restrictive, correctly classifying ISG-videos-frames more accurately but also incorrectly classifying non-ISG frames as containing hidden data. The algorithm, however, is less restrictive, correctly classifying non-ISG frames as devoid of hidden data but is less accurate in identifying ISG-embedded frames.

Detta kandidatarbete undersöker hur man kan upptäcka inbäddad data i videor med en Artificiell Intelligens (AI) metod som använder sig utav bildigenkänning och en algoritm metod, och jämför dessa metoder. Algoritmen är utformat för att upptäcka ett vanligt mönster som finns i videos som innehåller inbäddad data. Infinite-Storage-Glitch (ISG) är ett steganografiverktyg som möjliggör inbäddning av data i videor, vilket kan användas för att lagra olagligt innehåll på video plattformar som YouTube. För närvarande förhindrar varken YouTube eller många andra video plattformar uppladdningen av sådana videor, och det finns lite forskning om att upptäcka närvaron av videor med gömd data som genererats av verktyget ISG. AI metoden använder ett Konvolutionellt Neuralt Nätverk tränat för att upptäcka videos genererade av ISG. Ett Konvolutionellt Neuralt Nätverk fungerar genom att applicera filter på video bildrutor för att extrahera karaktärsdrag exempelvis i form av konturer av dessa. Algoritmen utnyttjar ett vanligt mönster som finns i varje bildruta i videor som genereras med verktyget ISG. Den använder sig av pixlar av en enda färg, utan närliggande pixlar av samma färg som den ursprungliga pixeln. Algoritmen är en typ av brute-force algoritm, där varje pixel i en beskuren bildruta itereras genom tills en mängd pixlar utan grannar hittats. Mängden av pixlar som ska hittas för att algoritmen ska klassificera en bild som att den innehåller gömd data beror på flera parametrar, som storlek på bilden och storleken på den typ av pixel man undersöker.

ISG har möjlighet att generera videos I båda RGB-format och svart-vit och för att hantera båda fallen, görs de bildrutorna som kontrolleras om till gråskala, och sedan svart-vit. Genom att transformera bildrutor kan alla typer av videos hanteras på samma sätt. När tillräckligt antal enskilda pixlar har hittats, kan en bild klassificeras som att den innehåller gömd data. Båda metoderna resulterade i samma upptäcktsgrad på 100 procent vid videoklassificering, vilket bekräftar deras effektivitet i att upptäcka ISG-inbäddade videor. Vid analys av bildruta för bildruta finns det dock några små skillnader.

Denna studie drar slutsatsen att metoden med Konvolutionellt Neuralt Nätverk är mer restriktiv, och korrekt klassificerar ISG-videorutor mer exakt, men felaktigt klassificerar även icke-ISG-bildrutor som att det innehåller dold data. Algoritmen däremot är mindre restriktiv, och korrekt klassificerar icke-ISG-bildrutor som saknar dold data, men är mindre noggrann när det gäller att identifiera ISG-inbäddade bildrutor.