Add README

8c1994c6 · Sebastian Karius · 8c1994c6
Commit 8c1994c6 authored 8 months ago by Sebastian Karius
--- a/README.md
+++ b/README.md
+# MLU Text Stego Dataset
+
+## 1\. Verfügbarkeit des Datensatzes
+
+Der Datensatz ist frei verfügbar.
+
+### Lizenz
+
+CC-BY 4.0 (<https://creativecommons.org/licenses/by/4.0/>)
+
+Created 2024 by Sebastian Karius and Mandy Knöchel  
+Institut für Informatik  
+Martin-Luther-Universität Halle-Wittenberg
+
+## 2\. Zur Erzeugung genutzte Text Stego Algorithmen
+
+Die verwendenten Algorithmen wurde entsprechend folgender allgemein bekannter und zugänglicher Quellen nachimplementiert. Somit wurde keine neue Stego-Malware erzeugt.
+
+### Snow
+
+Einfügen von Leerzeichen und Tabulator, blockweise, am Ende einer Zeile. Jeweils 3 Blöcke pro Zeile bis zu einer maximalen Zeilenlänge. Fügt neue Zeilen am Ende des Textes an um die Nachicht komplett einzubetten.
+
+Verwendet eine kryptographische Verschlüsselung.
+
+<https://darkside.com.au/snow/>
+
+### UniSpaCh
+
+Ersetzt Leerzeichen durch jeweil ein Paar von schmalen Leerzeichen die zusammen etwa die gleiche Breite haben wie das originale Leerzeichen. Fügt neue Zeilen am Ende des Textes an um die Nachicht komplett einzubetten.
+
+<https://doi.org/10.1016/j.jss.2011.12.023>
+
+### Space8B
+
+Fügt Blöcke von jeweils 8 Zeichen am Ende des Textes an. Jeder Block besteht aus Leerzeichen (0) und Tabulatoren (1).
+
+<https://blog.sucuri.net/2021/02/whitespace-steganography-conceals-web-shell-in-php-malware.html>
+
+### Space_sep
+
+Fügt mit Leerzeichen getrennte Blöcke aus Tabulator und Zeilenumbruch am Ende des Textes an. Jeder Block kodiert ein Zeichen der Nachicht, wobei nur die notwendige Anzahl von Tabulator (0) und Zeilenumbruch (1) verwendet werden um das Zeichen zu kodieren.
+
+<https://blog.sucuri.net/2020/11/css-js-steganography-in-fake-flash-player-update-malware.html>
+
+### Deogol
+
+Permutiert Attibute von HTML-Tags.
+
+<https://hord.ca/projects/deogol/>
+
+### Lookalike
+
+Ersetzung von Zeichen durch Homoglyphen.
+
+Die Verwendete Ersetzungstabelle:
+
+```json
+{"a": "\u0430", "b": "\u042C", "c": "\u03f2", "d": "\u0501", "e": "\u0435", "f": "\uab35", "g": "\u0261", "h": "\u04bb", "i": "\u0456", "j": "\u03f3", "l": "\u04CF", "n": "\u0578", "o": "\u03BF", "p": "\u0440",  "q": "\u051B", "r": "\u1D26",  "s": "\u0455", "u": "\u057D", "v": "\u1d20", "w": "\u051D", "x": "\u0445", "y": "\u0443", "z": "\u1d22"}
+```
+
+<https://bunnylab.github.io/unicode-steganography>
+
+## 3\. Zur Erzeugung genutzte Passwörter/Schlüssel
+
+Falls eine kryptographische Verschlüsselung notwendig ist, wurde das Passwort "abc123" genutzt.
+
+## 4\.1. Zur Erzeugung genutzte Cover
+
+Die Cover stammen aus dem Enron Mail Dataset ([http://www.cs.cmu.edu/~enron/](http://www.cs.cmu.edu/~enron/)) und aus frei verfügbaren Github Repositories.
+
+| Name               | Repository                                                | Lizenz       |
+|--------------------|-----------------------------------------------------------|--------------|
+| Symfony            | https://github.com/symfony/symfony                        | MIT          |
+| Vuejs core         | https://github.com/vuejs/core                             | MIT          |
+| Bootstrap          | https://github.com/twbs/bootstrap                         | MIT          |
+| Svelte             | https://github.com/sveltejs/svelte                        | MIT          |
+| React              | https://github.com/facebook/react                         | MIT          |
+| ru.javascript.info | https://github.com/javascript-tutorial/ru.javascript.info | CC BY-NC 4.0 |
+
+## 4\.2. Zur Erzeugung genutzte Messages
+
+Die Messages sind künstlich erzeugt, die Art der Erzeugung ist im Prefix des Messagenamens codiert. Die Nachichten wurden ohne echten Schadcode und somit ohne Schadfunktionen erzeugt: "non-malicious Dummies".
+
+| MPrefix         | Inhalt                                                                       | Länge            |
+|-----------------|------------------------------------------------------------------------------|------------------|
+| M_a\_            | Eine Reihe von "a"                                                           | 10, 20, ..., 190 |
+| M_random_ascii\_ | Eine Reihe von zufälligen ASCII Zeichen                                      | 10, 20, ..., 190 |
+| M_random_latin\_ | Eine Reihe von zufälligen Zeichen des UTF-8 Latin Zeichenraums (0x20 - 0xff) | 10, 20, ..., 190 |
+
+## 5\. Übersicht Datenbestand
+
+| Algorithmus | M_a\_ | M_random_ascii\_ | M_random_latin\_ |
+|-------------|------|-----------------|-----------------|
+| Snow        | 4750 | 4750            | 4750            |
+| UniSpaCh    | 4750 | 4750            | 4750            |
+| Space8B     | 4750 | 4750            | 4750            |
+| Space_sep   | 4750 | 4750            | 4750            |
+| Deogol      | 190  | 190             | 190             |
+| Lookalike   | 4750 | 4750            | 4750            |
+
+### Ordnerstruktur
+
+```
+stega_output
+|
+-- <ALGORITHM>_<Parameterset-ID>
+|   |
+|   +-- <COVER>
+|   |   |
+|   |   +-- <MPrefix_MESSAGE>
+|   |   +-- <MPrefix_MESSAGE>.stega
+
+csv_output
+|
+-- <ALGORITHM>_<Parameterset-ID>.csv
+-- <ALGORITHM>_<Parameterset-ID>.params.json
+
+cover
+|
+-- <COVER>
+-- ...
+
+message
+|
+-- <MPrefix_MESSAGE>
+-- ...
+```
+
+Im Ordner stega_output ist, nach Algorithmen und Covern sortiert, je Nachicht der dazugehörige Stega-Text (.stega) und die extrahierte Nachicht abgelegt. Da die Nachicht aus der Einbettung extrahiert wurde, muss diese nicht mit der originalen Nachicht übereinstimmern.
+
+Die originalen Cover sind im Ordern cover abegelegt. Der Name der Cover-Datei in diesem Ordner entspricht dem Namen des Cover-Ordners im stega_output Ordner.
+
+Die originalen Nachichten sind im Ordner message abgelegt. Der Name der Nachicht-Datei in diesem Ordner entspricht dem Namen der extrahierten Nachicht im stega_output Ordner. Der Name mit der zusätzlichen Dateiendung .stega ist die Einbettung dieser Nachicht.
+
+## 6\. Förderhinweis
+
+Deutsch: „Diese Arbeit wurde durch die Agentur für Innovation in der Cybersicherheit GmbH beauftragt und finanziert. Eine Einflussnahme der Agentur für Innovation in der Cybersicherheit GmbH auf die Ergebnisse fand nicht statt.“
+
+Englisch: „This work has been supported by funding from the Agentur für Innovation in der Cybersicherheit GmbH. The Agentur für Innovation in der Cybersicherheit GmbH did not interfere in the research process and its results.“
\ No newline at end of file