nethical6/conversation-steganography

Conversation Stenography – 基于 AI 的隐写聊天

是什么 – 用 Go 编写的命令行工具，允许两个人通过任何普通消息应用（WhatsApp、Telegram、Signal、iMessage、电子邮件、Instagram 私信等）交换秘密消息。秘密文本首先使用 AES-SIV 加密，然后由本地运行的 LLM（例如 Llama 3.2 或 GPT-2）生成一段看起来像正常对话的覆盖文本。接收方运行相同程序，从 LLM 的 token 选择中提取隐藏的字节并解密，恢复原始秘密消息。

为何重要 – 载体文本与普通聊天无法区分，因此被动监控扫描加密载荷时难以标记该对话。所有加密工作和模型推理均在用户设备上完成；无数据发送至云端。

主要功能（如 README 所述）

功能	详情
端到端加密	AES-SIV（认证加密）保护机密性和完整性。
消息链式	每条消息验证前序消息，检测篡改、删除或重排序。
本地 AI 模型	在设备上生成覆盖文本（Apple Silicon 上使用 MLX，其他平台使用 PyTorch + Transformers）。
跨平台载体	生成的覆盖文本可复制到任何聊天应用中；工具不直接集成到应用中。
模拟模式	`./conversation-stenography simulate` 可让两个虚拟参与者在单台机器上测试聊天。
可配置模型	支持 Llama 3.2（1B、3B）、Llama 3.1 8B、GPT-2（base 与 medium）。
CLI 命令	`/paste`、`/send`、`/show`、`/status`、`/help`、`/quit` 以及用于设置、列出对话和脚本化链式发送/接收的顶层命令。
环境变量覆盖	可通过环境变量提供密钥、模型路径、运行时等，用于自动化。

工作原理（README 中的高层次流程）

秘密 → AES-SIV 加密 – 明文使用从共享密钥短语导出的密钥加密（PBKDF2-HMAC-SHA-256，600k 轮）。
加密字节 → LLM token 选择 – 加密字节流输入本地 LLM，LLM 选择其二进制表示编码这些字节的 token。生成的 token 序列被渲染为自然语言英文（覆盖文本）。
覆盖文本 → 消息应用 – 用户复制覆盖文本并粘贴到任何普通聊天中。
覆盖文本 → LLM 解码 – 接收方在收到的覆盖文本上运行相同模型，提取隐藏的 token 编码字节，并使用共享密钥解密，恢复原始秘密消息。
消息链式 – 每一步还对会话 ID、发送者名称、消息索引和所有先前消息的哈希进行签名，因此任何乱序或修改的消息都会被检测到。

快速入门（来自 README 的步骤）

克隆并构建

git clone https://github.com/nethical6/conversation-stenography.git
cd conversation-stenography
go build -o conversation-stenography ./cmd/conversation-stenography

运行设置向导（./conversation-stenography）– 选择模型，让向导下载模型并创建本地配置文件。
本地测试（可选）使用 ./conversation-stenography simulate。
开始真实聊天 – 运行 ./conversation-stenography，输入对话名称、用户名和共享密钥短语。
发送 – 输入秘密消息；工具输出生成的覆盖文本以供复制。
接收 – 使用 /paste <sender> 粘贴收到的覆盖文本；工具解码并显示隐藏消息。

典型使用场景

两人当面会面，商定一个密钥短语和对话名称。
双方安装工具，运行设置向导，并选择相同的 LLM。
他们通过任何现有消息平台交换覆盖文本，从不向平台暴露真实载荷。

限制与警告（作者说明）

概念验证 – 基于 LLM 的隐写检测技术已存在；该工具未经过高级对手的验证。
必须精确复制 – 任何自动纠正、智能引号或格式更改都会导致解码失败。
模型一致性 – 双方必须运行完全相同的模型版本和设置；否则解码失败。
本地资源需求 – 运行 3B 参数 LLM 需要较新的 Apple Silicon Mac（MLX）或具备强大 GPU 的设备（用于 Torch 后端）。
法律/伦理免责 – 仓库强调仅用于教育用途；滥用被禁止。

许可证

仓库包含 LICENSE 文件（README 中未列出具体 SPDX 标识符），因此项目根据该文件定义的条款为开源。

总结

Conversation Stenography 是一个真实的开源实现，将现代 LLM 推理与经典 AES-SIV 加密结合，将消息隐藏在普通聊天文本中。它面向研究人员和注重隐私的用户，提供一个自包含、本地运行的隐写通道，但仍是存在已知实用和安全限制的概念验证。