CN106920206A - 一种基于对抗神经网络的隐写分析方法 - Google Patents

Abstract

本发明涉及一种基于对抗神经网络的隐写分析方法，包括以下步骤：A1、对用户上传的图像数据进行数据处理，提取待判别隐写数据特征；A2、应用预先训练完成的对抗神经网络的隐写模式生成器生成隐写数据特征；A3、将待判别隐写数据特征和生成的隐写数据特征输入预先训练完成的对抗神经网络的判别器进行特征比对，根据比对的相似度，识别用户上传的图像数据的隐写模式类别。本发明将对抗神经网络和隐写分析相结合，应用对抗神经网络所具备的可扩展、可训练、鲁棒性、非线性映射能力，提高了隐写分析的精度和普适性。

Description

一种基于对抗神经网络的隐写分析方法

技术领域

本发明属于信息安全技术领域，具体涉及一种基于对抗神经网络的隐写分析方法。

背景技术

随着移动隐写软件的兴起，使用者可以随时随地利用众多的移动版隐写软件进行实时的隐写通信，如Android平台下的ImghidAndReveal、MySecret、StegDroid，IOS中的SpyPix、StegoSec、InvisiLetter等。隐写通信具有应用广泛、快捷、隐蔽性强等特点，对网络安全构成了极大威胁。

隐写分析则是与隐写相对抗的逆向分析方法，其目的是判断隐写信息的存在性，其关键在于获取能够反映隐写前后数据变化的特征量。

隐写分析方法中的通用盲分析方法将隐写检测视为两类模式识别问题，基本原理是根据载体和载密图像集的统计差异，提取分类特征，结合分类器实现隐写检测，其核心是如何提取具有强区分能力的分类特征集，以及设计分类性能良好的分类器。例如：特征分析方法包括区域纹理特征、像素差分Markov状态转移概率矩阵、LLT系数的PDF统计矩特征、图像噪声残差共生矩阵等；分类器的应用则从早期的两类分类器，发展到近期的多类分类器、集成分类器。

上述的隐写分析方法更多针对的是实验环境下的隐写安全性的验证，设计过程中往往只针对单一图像来源、单一处理方式的小样本量图像信源，然而在实际应用中的隐写具有多种图像来源、多种图像内容、且经历多种复杂图像处理的多源异构特征，此外，一般隐写检测没有待测图像的先验知识，可能导致训练样本和测试样本统计特性的不匹配，降低隐写检测性能。因此，传统的隐写分析方法普遍存在普适性差、检测精度波动大、可重复性低的不足，难以取得理想的隐写检测效果。

发明内容

本发明的目的在于，针对传统的隐写分析方法中存在普适性差、检测精度波动大等缺陷，提供一种精度高、更具有普适性的基于对抗神经网络的隐写分析方法。

为了实现以上目的，本发明提供的一种基于对抗神经网络的隐写分析方法，包括以下步骤：

A1、对用户上传的图像数据进行数据处理，提取待判别隐写数据特征；

A2、应用预先训练完成的对抗神经网络的隐写模式生成器生成隐写数据特征；

A3、将待判别隐写数据特征和生成的隐写数据特征输入预先训练完成的对抗神经网络的判别器进行特征比对，根据比对的相似度，识别用户上传的图像数据的隐写模式类别。

本发明进一步优选方案中，对抗神经网络的隐写模式生成器和判别器的训练包括以下步骤：

B1、建立隐写训练数据集；

B2、对隐写训练数据集进行数据处理，提取隐写数据特征；

B3、对抗神经网络的隐写模式生成器根据输入的各种隐写模式得到生成隐写数据特征；

B4、对抗神经网络的判别器根据真实隐写数据特征和生成隐写数据特征的输入分别输出一个概率值，表示判别器对于输入是真实隐写数据特征还是生成隐写数据特征的置信度，以此判断隐写模式生成器的生成隐写数据特征的性能；

B5、重复执行步骤B1到B4，当最终判别器不能区分输入是真实隐写数据特征还是生成隐写数据特征时，隐写模式生成器达到了最优，训练结束。

本发明进一步优选方案中，步骤B1中建立的隐写训练数据集包括真实的隐写数据集和不真实的隐写数据集两类。

本发明进一步优选方案中，步骤B3中生成隐写数据特征包括正确的生成隐写数据特征和不正确的生成隐写数据特征两类。

本发明进一步优选方案中，步骤B1和步骤B3分别采用{真实的隐写数据集，正确的生成隐写数据特征}，{不真实的隐写数据集，正确的生成隐写数据特征}和{不真实的隐写数据集，不正确的生成隐写数据特征}三种配对方式，对隐写模式生成器和判别器进行训练。

本发明进一步优选方案中，对抗神经网络的隐写模式生成器和判别器的网络架构均为多层卷积神经网络，其中，隐写模式生成器的网络架构包括依次包括输入端、卷积层、ReLU层、卷积层、池化层、卷积层、池化层、卷积层、池化层、上采样层、ReLU层、上采样层、卷积层。

本发明进一步优选方案中，对抗神经网络的判别器的网络架构依次包括两输入端、卷积层、ReLU层、卷积层、池化层、卷积层、池化层、卷积层、池化层、sigmod层。

有益效果：相较传统的隐写分析方法，本发明的基于对抗神经网络的隐写分析方法，将对抗神经网络和隐写分析相结合，应用对抗神经网络所具备的可扩展、可训练、鲁棒性、非线性映射能力，提高了隐写分析的精度和普适性。

附图说明

图1是实施例提出的基于对抗神经网络的隐写分析方法过程示意图。

图2是实施例中对抗神经网络的隐写模式生成器和判别器的训练过程示意图。

图3是实施例中隐写模式生成器的网络架构示意图。

图4是实施例中判别器的网络架构示意图。

具体实施方式

为了便于本领域技术人员理解，下面将结合附图以及实施例对本发明进行进一步描述。

请参阅图1，本实施例提出的基于对抗神经网络的隐写分析方法，主要包括以下步骤L1至L3：

L1、对用户上传的图像数据进行数据处理，提取待判别隐写数据特征。

L2、应用预先训练完成的对抗神经网络的隐写模式生成器生成隐写数据特征。

L3、将待判别隐写数据特征和生成的隐写数据特征输入预先训练完成的对抗神经网络的判别器进行特征比对，根据比对的相似度，识别用户上传的图像数据的隐写模式类别。

本实施例中，对于对抗神经网络的隐写模式生成器和判别器的训练，可采用如下步骤S1至S5：

S1、建立隐写训练数据集。

S2、对隐写训练数据集进行数据处理，提取隐写数据特征。

S3、对抗神经网络的隐写模式生成器根据输入的各种隐写模式得到生成隐写数据特征。

S4、对抗神经网络的判别器根据真实隐写数据特征和生成隐写数据特征的输入分别输出一个概率值，表示判别器对于输入是真实隐写数据特征还是生成隐写数据特征的置信度，以此判断隐写模式生成器的生成隐写数据特征的性能。

S5、重复执行步骤S1到S4，当最终判别器不能区分输入是真实隐写数据特征还是生成隐写数据特征时，隐写模式生成器达到了最优，训练结束。

本实施例中，步骤S1建立的隐写训练数据集包括真实的隐写数据集和不真实的隐写数据集两类；步骤S3生成隐写数据特征包括正确的生成隐写数据特征和不正确的生成隐写数据特征两类；步骤S3中对抗神经网络的隐写模式生成器根据输入的各种隐写模式得到生成隐写数据的过程具体可按顺序输入：隐写模式1、隐写模式2、…、隐写模式n，分别生成隐写数据特征。由此，步骤S1和步骤S3可分别采用{真实的隐写数据集，正确的生成隐写数据特征}，{不真实的隐写数据集，正确的生成隐写数据特征}和{不真实的隐写数据集，不正确的生成隐写数据特征}三种配对方式，对隐写模式生成器和判别器进行训练。

如有新增的隐写模式需要加入训练，例如隐写模式(n+1)，则以深度神经网络的迁移学习方式进行隐写模式生成器的再训练。

如图3、图4所示，本实施例对抗神经网络的隐写模式生成器和判别器的网络架构均为多层卷积神经网络，其中，隐写模式生成器的网络架构包括依次包括输入端、卷积层、ReLU层、卷积层、池化层、卷积层、池化层、卷积层、池化层、上采样层、ReLU层、上采样层、卷积层；判别器的网络架构依次包括两输入端、卷积层、ReLU层、卷积层、池化层、卷积层、池化层、卷积层、池化层、sigmod层。

综上所述，本实施例将对抗神经网络和隐写分析相结合，应用对抗神经网络所具备的可扩展、可训练、鲁棒性、非线性映射能力，提高了隐写分析的精度和普适性。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (7)

1.一种基于对抗神经网络的隐写分析方法，其特征在于，包括以下步骤：

A1、对用户上传的图像数据进行数据处理，提取待判别隐写数据特征；

A2、应用预先训练完成的对抗神经网络的隐写模式生成器生成隐写数据特征；

A3、将待判别隐写数据特征和生成的隐写数据特征输入预先训练完成的对抗神经网络的判别器进行特征比对，根据比对的相似度，识别用户上传的图像数据的隐写模式类别。

2.根据权利要求1所述的基于对抗神经网络的隐写分析方法，其特征在于，对抗神经网络的隐写模式生成器和判别器的训练包括以下步骤：

B1、建立隐写训练数据集；

B2、对隐写训练数据集进行数据处理，提取隐写数据特征；

B3、对抗神经网络的隐写模式生成器根据输入的各种隐写模式得到生成隐写数据特征；

B4、对抗神经网络的判别器根据真实隐写数据特征和生成隐写数据特征的输入分别输出一个概率值，表示判别器对于输入是真实隐写数据特征还是生成隐写数据特征的置信度，以此判断隐写模式生成器的生成隐写数据特征的性能；

B5、重复执行步骤B1到B4，当最终判别器不能区分输入是真实隐写数据特征还是生成隐写数据特征时，隐写模式生成器达到了最优，训练结束。

3.根据权利要求2所述的基于对抗神经网络的隐写分析方法，其特征在于，步骤B1中建立的隐写训练数据集包括真实的隐写数据集和不真实的隐写数据集两类。

4.根据权利要求3所述的基于对抗神经网络的隐写分析方法，其特征在于，步骤B3中生成隐写数据特征包括正确的生成隐写数据特征和不正确的生成隐写数据特征两类。

5.根据权利要求4所述的基于对抗神经网络的隐写分析方法，其特征在于，步骤B1和步骤B3分别采用{真实的隐写数据集，正确的生成隐写数据特征}，{不真实的隐写数据集，正确的生成隐写数据特征}和{不真实的隐写数据集，不正确的生成隐写数据特征}三种配对方式，对隐写模式生成器和判别器进行训练。

6.根据权利要求1至5任一项所述的基于对抗神经网络的隐写分析方法，其特征在于，对抗神经网络的隐写模式生成器和判别器的网络架构均为多层卷积神经网络，其中，隐写模式生成器的网络架构包括依次包括输入端、卷积层、ReLU层、卷积层、池化层、卷积层、池化层、卷积层、池化层、上采样层、ReLU层、上采样层、卷积层。

7.根据权利要求6所述的基于对抗神经网络的隐写分析方法，其特征在于，对抗神经网络的判别器的网络架构依次包括两输入端、卷积层、ReLU层、卷积层、池化层、卷积层、池化层、卷积层、池化层、sigmod层。