CN109145624B - 一种基于Hadoop平台的多混沌文本加密算法 - Google Patents

Abstract

本发明公开了一种基于Hadoop平台的多混沌文本加密算法，该算法首先对要加密的文本进行分块，由MapReduce并行框架分别传输到每一个Mapper，Mapper根据分块数据生成输入密钥，建立密钥生成器，通过密钥和分块数据的大小生成密钥序列，并对密钥序列进行预处理后，利用密钥序列对分块数据加密，再进行拼接，得到加密后的文本。本发明算法突破了单纯在单机加密数据的瓶颈，针对MapReduce框架以及四维超混沌原理优化现有的大数据平台的混沌加密方法，并相比现有方法更具有多维数据加密的拓展潜力，同时具有加密效率高、占用内存低的特点。

Description

一种基于Hadoop平台的多混沌文本加密算法

技术领域

本发明涉及一种加密方法，具体涉及一种基于Hadoop平台的多混沌文本加密算法。

背景技术

面对网络及应用技术的升级换代，海量信息数据的产生，当前传统的单机模式串行加密方法因受其内存、处理器规模等硬性条件所限，在效率上和内存占用上己难以满足对大量数据的加密要求。而对于更大数量级的数据环境中，则面临计算负载可能远远超出单台计算机的运算极限等情况的困扰。针对上述弊端，提升数据安全保护变得愈发重要。

随着云计算的出现为大数据加密提供了全新的思路。目前通用方法为建立云计算集群平台，通过将每个计算机封装成一个计算节点，每个节点可用以储存或处理海量数据，该方法也因建成成本低而成为众多企业、科研单位等的合理选择。但是，该平台只为我们提供了有效处理海量数据的平台，却本身缺乏高效加密的手段，由此导致重要的科研数据、业务资料或客户材料等隐私信息存在容易泄密的危险。

现有技术仅在低维混沌系统下经过多级密钥传递形成密钥序列，其生成的序列统计特性并不如由超混沌系统生成的密钥序列；现有技术并未将MapReduce并行框架按一行读取数据和混沌系统生成原理很好的结合，也缺乏未来在大数据平台针对多维数据的扩展性。

发明内容

针对现有技术中存在的问题，本发明提供了一种基于多个超混沌系统和Hadoop平台的MapReduce并行框架的文本加密算法，将数据读取与混沌系统结合，并且对多维数据具有更好的扩展性。

为了实现上述任务，本发明采用以下技术方案：

一种基于Hadoop平台的多混沌文本加密算法，包括以下步骤：

步骤1，对要加密的文本进行分块得到分块数据，然后读取分块数据，将每一个分块数据由MapReduce并行框架分别传输到每一个Mapper；

步骤2，Mapper接收到分块数据后，利用分块数据的首个字母的ASCII码形成混沌密钥生成器的输入密钥；

步骤3，建立密钥生成器，根据密钥生成器，利用所述的分块数据的首个字母的ASCII码以及分块数据的大小生成密钥序列，并对密钥序列进行预处理；

步骤4，完成密钥序列的预处理后，对每一个分块数据，根据其对应的密钥序列，利用密钥序列对所述的分块数据进行加密操作：首先将分块数据与密钥序列进行置乱操作，然后进行正、反向异或操作，最后进行正反向取模操作进行二次干扰加密；

步骤5，根据每个分块数据在整个文本的偏移量，将每个分块数据的密文拼接起来，完成文本的加密。

进一步地，所述的对要加密的文本进行分块得到分块数据，包括：

对要加密的文本按照1Mb进行分块，共得到N个分块数据，明文的前N-1块大小为1Mb，第N块为剩余数据。

进一步地，所述的建立密钥生成器，包括：

所述的密钥生成器包括三个四维混沌系统，分别为第一混沌系统、第二混沌系统以及第三混沌系统，其中：

所述的第一混沌系统描述为：

上式中，a、b、c、d、e均为系统参数，(x,y,z,w)为系统的解析解；本方案中，系统参数的取值分别为：a＝35,b＝3,c＝12,d＝7,e＝0.7，此时系统处于稳定的混沌状态。

所述的第二混沌系统描述为：

上式中，a、b、c、r均为系统参数，(x,y,z,w)为系统的解析解；本方案中，系统参数的取值分别为：a＝10，b＝8/3，c＝28，r＝-1，此时系统处于稳定的混沌状态。

所述的第三混沌系统描述为：

上式中，a、b、c、r均为系统参数，(x，y，z，w)为系统的解析解；本方案中，系统参数的取值分别为：a＝0.25，b＝3，c＝0.5.d＝0.05，此时系统进入混沌状态。

进一步地，所述的利用所述的分块数据的首个字母的ASCII码以及分块数据的大小生成密钥序列，包括：

将所述的输入密钥，即分块数据的首个字母的ASCII码作为迭代次数T，将分块数据的大小的千位、百位、十位、个位作为密钥生成器的输入序列，采用龙哥库塔方法，通过密钥生成器迭代生成密钥序列，其中：

密钥生成器中的第一混沌系统的输入为所述的输入序列，第二混沌系统的输入是第一混沌系统的第(262144+T)次迭代输出，第三混沌系统的输入为第二混沌系统的第(262144+T)次迭代输出；最终每个系统解析出4条密钥序列，密钥生成器一共生成12条密钥序列。

进一步地，所述的对密钥序列进行预处理，包括：

去除密钥序列的各实数值的整数部分，统一值域；去除实数值后再将小数点后移9位，达到增强序列取值的无规则性和整体分布的均匀性，具体操作如下式：

X_i＝floor((x_i+500mod1)×10⁹)mod127 i＝1，2...262143

Y_i＝floor((y_i+500mod1)×10⁹)mod127 i＝1，2...262143

Z_i＝floor((z_imodl)×10⁹)mod127 i＝1，2...262143

W_i＝floor((w_i+500mod1)x10⁹)mod127 i＝1，2...262143

上式中，(x_i，y_i，z_i，w_i)表示第一混沌系统、第二混沌系统或第三混沌系统第i次迭代时通过龙哥库塔方法解出的解析解，(x_i，Y_i，Z_i，W_i)为预处理后的结果。

进一步地，所述的将分块数据与密钥序列进行置乱操作，然后进行正、反向异或操作，最后进行正反向取模操作进行二次干扰加密，包括：

(1)置乱操作

t＝M(i)；M(i)＝M(S(i))；M(S(i))＝t；i＝1_，2...262144

其中

其中，t为过程参数，i为迭代次数，M(i)为分块数据，S(i)为密钥序列，X_c(i)，Y_c(i)，Z_c(i)，W_c(i)为分块数据通过第一混沌系统得到的密钥序列；

(2)正、反向异或操作

正向异或操作的方式如下：

其中

其中，i为迭代次数，S(i)为密钥序列，M(i)为分块数据通过置乱操作处理后的结果，C_i为正向异或操作后得到的密文，X_L(i)，Y_L(i)，Z_L(i)，W_L(i)为通过第二混沌系统得到的密钥序列；

反向异或操作的方式如下：

其中

其中，M(i)为正向异或操作后得到的密文；C_i为反向异或操作后得到的密文；

(3)正反向取模操作

正向取模操作：

C_i＝(C_i-1+S(1)+M_i)mod127 i＝1，2...，262144

其中

其中，i为迭代次数，M(i)为反向异或操作后得到的密文，S(i)为密钥序列，C_i为正向取模操作后得到的密文，X_R(i)，Y_R(i)，Z_R(i)，W_R(i)为通过第三混沌系统得到的密钥序列；

反向取模操作：

C_i＝(C_i+l+S(1)+M_i)mod127 i＝1，2...，262144

其中

其中，M(i)为正向取模操作后得到的密文，C_i为反向取模操作后得到的密文，该密文即为最终密文。

本发明与现有技术相比具有以下技术特点：

1.本发明首先将Hadoop平台的数据读取方法重写为按1Mb读取数据，再结合建立的三个超混沌系统各自生成四列密钥序列进行加密，该方法突破了单纯在单机加密数据的瓶颈，针对MapReduce框架以及四维超混沌原理优化现有的大数据平台的混沌加密方法，并相比现有方法更具有多维数据加密的拓展潜力。

2.本方案运用了三个超混沌系统，通过置乱，正反异或操作、正反取模操作对明文进行加密。多个超混沌系统不仅各自的正李氏指数更多，而且相比单个混沌序列对大数据量的明文加密，其所需要的迭代次数也会更少，而单个混沌序列所需要的内存占用随着明文的数据量增大而增大，加密效率也随着数据量的增大而减少，显然不能很好的服务于大数据平台的海量数据源。将明文分块，并按照偏移量生成密钥序列，根据读入的明文偏移量同时进行加密，能够很好的解决该问题。

附图说明

图1的(a)为明文直方图，(b)为加密后得到的密文直方图，(c)为初值相差0.00000001的相关性分析。

图2、图3分别为本算法在加密64Mb、128Mb、256Mb的文本文件效率对比和内存使用情况。

图4为本算法的流程示意图。

具体实施方式

本发明使“按行读取”的MapReduce现行数据读取模式和混沌加密相结合，并选取四维超混沌系统作为MapReduce框架的密钥生成器，目的不仅是系统本身更多的正李氏指数，同时四维系统生成的四列密钥序列也有利于对MapReduce框架的设计优化。本发明的具体步骤如下：

步骤1，对要加密的文本进行分块得到分块数据，然后读取分块数据，将每一个分块数据由MapReduce并行框架分别传输到每一个Mapper；在对所述文本进行分块后，根据MapReduce存储数据的特性，得到的数据结构为Key-Value的键值对，其中Key就是这个分块数据在整个文本的偏移量；

该步骤中，通过对MapReduce并行框架的数据方法进行重写，以修改数据读取方式；本实施例中，对要加密的文本(明文)按照1Mb进行分块，共得到N个分块数据。明文的前N-1块大小为1Mb，第N块为剩余数据。所述的Mapper为MapReduce框架下单独运行的类，通过重写类中的方法可实现对框架的调用；所述的分块数据的个数与Mapper的个数相同，即一个分块数据传递至对应的一个Mapper。

步骤2，Mapper接收到分块数据后，利用分块数据的首个字母的ASCII码形成混沌密钥生成器的输入密钥；

该步骤中，每一个Mapper对其接收到的分块数据进行处理，利用分块数据的首个字母的ASCII码作为输入密钥；所述的首个字母可以是数字也可以是英文，采用其对应的ASCII码；所述的混沌密钥生成器采用多个四维超混沌系统。

步骤3，建立密钥生成器，根据密钥生成器，利用所述的分块数据的首个字母的ASCII码以及分块数据的大小生成密钥序列；

步骤3.1，建立密钥生成器

所述的密钥生成器包括三个四维混沌系统，分别为第一混沌系统、第二混沌系统以及第三混沌系统，其中：

所述的第一混沌系统描述为：

上式中，a、b、c、d、e均为系统参数，(x,y,z,w)为系统的解析解；本方案中，系统参数的取值分别为：a＝35,b＝3,c＝12,d＝7,e＝0.7，此时系统处于稳定的混沌状态。

所述的第二混沌系统描述为：

上式中，a、b、c、r均为系统参数，(x,y,z,w)为系统的解析解；本方案中，系统参数的取值分别为：a＝10,b＝8/3,c＝28,r＝-1，此时系统处于稳定的混沌状态。

所述的第三混沌系统描述为：

上式中，a、b、c、r均为系统参数，(x,y,z,w)为系统的解析解；本方案中，系统参数的取值分别为：a＝0.25,b＝3,c＝0.5.d＝0.05，此时系统进入混沌状态。

步骤3.2，生成密钥序列，具体方法如下：

将所述的输入密钥，即分块数据的首个字母的ASCII码作为迭代次数T，将分块数据的大小的千位、百位、十位、个位作为密钥生成器的输入序列，采用龙哥库塔方法，通过密钥生成器迭代生成密钥序列，其中：

密钥生成器中的第一混沌系统的输入为所述的输入序列，第二混沌系统的输入是第一混沌系统的第(262144+T)次迭代输出，第三混沌系统的输入为第二混沌系统的第(262144+T)次迭代输出；最终每个系统解析出4条密钥序列，密钥生成器一共生成12条密钥序列。

密钥生成器需要获得输入序列和迭代次数，本方案中是将分块数据的大小的千位、百位、十位和各位作为输入序列的；例如一个分块数据大小为1024Mb，则输入序列为[1,0,2,4]；而迭代次数即为分块数据首字母对应的ASCII值。

对于生成的12条密钥序列，仍然有较大的不足，比如均匀分布特性不佳；局部取值存在单调性、序列之间的相关度较高等等，所以在对明文进行加密之前需要分别对密钥序列进行预处理，通过预处理去除各实数值的整数部分，统一值域；去除实数值后再将小数点后移9位，达到增强序列取值的无规则性和整体分布的均匀性，具体操作如下式：

X_i＝floor((x_i+500mod1)×10⁹)mod127 i＝1，2...262143

Y_i＝floor((y_i+500mod1)×10⁹)mod127 i＝1，2...262143

Z_i＝floor((z_imod1)×10⁹)mod127 i＝1，2...262143

W_i＝floor((w_i+500mod1)×10⁹)mod127 i＝1，2...262143

上式中，(x_i，y_i，z_i，w_i)表示第一混沌系统、第二混沌系统或第三混沌系统第i次迭代时通过龙哥库塔方法解出的解析解，(X_i，Y_i，Z_i，W_i)为预处理后的结果。例如，对于第一混沌系统，得到的4个密钥序列中，其中一个序列为(x₁，x₂，...，x_i)，对该序列进行预处理时，将x_i代入到上面的第一个式中，即可得到对x_i预处理的结果X_i。

步骤4，完成密钥序列的预处理后，对每一个分块数据，根据其对应的密钥序列(即首个字母的ASCII码以及分块数据的大小生成密钥序列)，利用密钥序列对所述的分块数据进行加密操作：首先将分块数据与密钥序列进行置乱操作，然后进行正、反向异或操作，最后进行正反向取模操作进行二次干扰加密；

其中，所述的置乱操作是利用第一混沌系统得到的密钥序列，正反向异或操作是利用第二混沌系统得到的密钥序列，而正反向取模操作则是利用第三混沌系统得到的密钥序列。具体如下：

(1)置乱操作

置乱操作，是对于第一混沌系统得到的密钥序列，将该序列进行升序排列，然后记录索引值，再将分块数据按照索引值进行排列，具体如下：

t＝M(i)；M(i)＝M(S(i))；M(S(i))＝t；i＝1，2...262144

其中

其中，t为过程参数，i为迭代次数，M(i)为分块数据，S(i)为密钥序列，X_c(i)，Y_c(i)，Z_c(i)，W_c(i)为分块数据通过第一混沌系统得到的密钥序列。

(2)正、反向异或操作

正向异或操作的方式如下：

其中

其中，i为迭代次数，S(i)为密钥序列，M(i)为分块数据通过置乱操作处理后的结果，C_i为正向异或操作后得到的密文，X_L(i)，Y_L(i)，Z_L(i)，W_L(i)为通过第二混沌系统得到的密钥序列；

反向异或操作的方式如下：

其中

其中，M(i)为正向异或操作后得到的密文，即上式中的C_i；C_i为反向异或操作后得到的密文。

(3)正反向取模操作

正向取模操作：

C_i＝(C_i-1+S(1)+M_i)mod127 i＝1，2...，262144

其中

其中，i为迭代次数，M(i)为反向异或操作后得到的密文，即上式中的C_i；S(i)为密钥序列，C_i为正向取模操作后得到的密文，X_R(i)，Y_R(i)，Z_R(i)，W_R(i)为通过第三混沌系统得到的密钥序列。

反向取模操作：

C_i＝(C_i+1+S(1)+M_i)mod127 i＝1，2...，262144

其中

其中，M(i)为正向取模操作后得到的密文，即上式中的C_i；C_i为反向取模操作后得到的密文，该密文即为最终密文。

经过上面的加密操作后，得到每个分块数据最终的密文。

步骤5，根据每个分块数据在整个文本的偏移量，将每个分块数据的密文拼接起来，完成文本的加密。

仿真实验：

本发明的算法在MATLAB 2016a软件下进行仿真实验，实验结果如图1所示。

图1中，(a)为明文直方图，(b)为加密后得到的密文直方图，(c)为初值相差0.00000001的相关性分析。

由统计直方图可知，明文经过加密算法的加密后，其统计特性改变相当明显。同时，该算法的初值敏感性也非常良好，由于文本数据并不如图像数据在观察算法初值敏感性上直观，因此采用加密后的密文相关性比较，分别用1和1.00000001对同一个文件加密，得出两次密文如图1的(c)所示，两次密文的相关性仅为0.05130069，即证明了算法有很好的加密性能。

运用本算法在加密64Mb、128Mb、256Mb的文本文件效率对比和内存使用情况如图2，图3，表1，2所示。结果表明，针对MapReduce架构优化后的混沌加密算法相较单机模式以及MapReduce默认按行读取方式加密有更小的内存占用量和更快的加密速度。

表1各个模式的时间统计

表2各个模式的内存统计

Claims (2)

1.一种基于Hadoop平台的多混沌文本加密方法，其特征在于，包括以下步骤：

步骤1，对要加密的文本进行分块得到分块数据，然后读取分块数据，将每一个分块数据由MapReduce并行框架分别传输到每一个Mapper；

步骤2，Mapper接收到分块数据后，利用分块数据的首个字母的ASCII码形成混沌密钥生成器的输入密钥；

步骤3，建立密钥生成器，根据密钥生成器，利用所述的分块数据的首个字母的ASCII码以及分块数据的大小生成密钥序列，并对密钥序列进行预处理；

所述的建立密钥生成器，包括：

所述的密钥生成器包括三个四维混沌系统，分别为第一混沌系统、第二混沌系统以及第三混沌系统，其中：

所述的第一混沌系统描述为：

上式中，a、b、c、d、e均为系统参数，(x,y,z,w)为系统的解析解；本方案中，系统参数的取值分别为：a＝35,b＝3,c＝12,d＝7,e＝0.7，此时系统处于稳定的混沌状态；

所述的第二混沌系统描述为：

上式中，a、b、c、r均为系统参数，(x,y,z,w)为系统的解析解；本方案中，系统参数的取值分别为：a＝10,b＝8/3,c＝28,r＝-1，此时系统处于稳定的混沌状态；

所述的第三混沌系统描述为：

上式中，a、b、c、d均为系统参数，(x,y,z,w)为系统的解析解；本方案中，系统参数的取值分别为：a＝0.25,b＝3,c＝0.5,d＝0.05，此时系统进入混沌状态；

利用所述的分块数据的首个字母的ASCII码以及分块数据的大小生成密钥序列，包括：

将所述的输入密钥，即分块数据的首个字母的ASCII码作为迭代次数T，将分块数据的大小的千位、百位、十位、个位作为密钥生成器的输入序列，采用龙哥库塔方法，通过密钥生成器迭代生成密钥序列，其中：

密钥生成器中的第一混沌系统的输入为所述的输入序列，第二混沌系统的输入是第一混沌系统的第(262144+T)次迭代输出，第三混沌系统的输入为第二混沌系统的第(262144+T)次迭代输出；最终每个系统解析出4条密钥序列，密钥生成器一共生成12条密钥序列；

所述的对密钥序列进行预处理，包括：

去除密钥序列的各实数值的整数部分，统一值域；去除实数值后再将小数点后移9位，达到增强序列取值的无规则性和整体分布的均匀性，具体操作如下式：

X_i＝floor((x_i+500mod1)×10⁹)mod127 i＝1,2,...262144

Y_i＝floor((y_i+500mod1)×10⁹)mod127 i＝1,2,...262144

Z_i＝floor((z_imod1)×10⁹)mod127 i＝1,2,...262144

W_i＝floor((w_i+500mod1)×10⁹)mod127 i＝1,2,...262144

上式中，(x_i,y_i,z_i,w_i)表示第一混沌系统、第二混沌系统或第三混沌系统第i次迭代时通过龙哥库塔方法解出的解析解，(X_i,Y_i,Z_i,W_i)为预处理后的结果；

步骤4，完成密钥序列的预处理后，对每一个分块数据，根据其对应的密钥序列，利用密钥序列对所述的分块数据进行加密操作：首先将分块数据与密钥序列进行置乱操作，然后进行正、反向异或操作，最后进行正反向取模操作进行二次干扰加密；

所述的将分块数据与密钥序列进行置乱操作，然后进行正、反向异或操作，最后进行正反向取模操作进行二次干扰加密，包括：

(1)置乱操作

t＝M(i)；M(i)＝M(S(i))；M(S(i))＝t；

其中

其中，t为过程参数，i为迭代次数，M(i)为分块数据，S(i)为密钥序列，X_c(i),Y_c(i),Z_c(i),W_c(i)为分块数据通过第一混沌系统得到的密钥序列；

(2)正、反向异或操作

正向异或操作的方式如下：

其中

其中，i为迭代次数，S′(i)为密钥序列，M_i为分块数据通过置乱操作处理后的结果，C_i为正向异或操作后得到的密文，X_L(i),Y_L(i),Z_L(i),W_L(i)为通过第二混沌系统得到的密钥序列；

反向异或操作的方式如下：

其中

其中，i为迭代次数，C_i为正向异或操作后得到的密文，S′(i)为密钥序列，C′_i为反向异或操作后得到的密文，X_L(i),Y_L(i),Z_L(i),W_L(i)为通过第二混沌系统得到的密钥序列；

(3)正反向取模操作

正向取模操作：

C″_i＝(C″_i-1+S″(i)+C′_i)mod127

其中

其中，i为迭代次数，C′_i为反向异或操作后得到的密文，S″(i)为密钥序列，C″_i为正向取模操作后得到的密文，X_R(i),Y_R(i),Z_R(i),W_R(i)为通过第三混沌系统得到的密钥序列；

反向取模操作：

其中

其中，C″为正向取模操作后得到的密文，S″(i)为密钥序列，X_R(i),Y_R(i),Z_R(i),W_R(i)为通过第三混沌系统得到的密钥序列；

为反向取模操作后得到的密文，该密文即为最终密文；

步骤5，根据每个分块数据在整个文本的偏移量，将每个分块数据的密文拼接起来，完成文本的加密。

2.如权利要求1所述的基于Hadoop平台的多混沌文本加密方法，其特征在于，所述的对要加密的文本进行分块得到分块数据，包括：

对要加密的文本按照1Mb进行分块，共得到N个分块数据，明文的前N-1块大小为1Mb，第N块为剩余数据。

Images