CN109729070A - 一种基于cnn和rnn融合模型的网络异构并发隐写信道的检测方法 - Google Patents
一种基于cnn和rnn融合模型的网络异构并发隐写信道的检测方法 Download PDFInfo
- Publication number
- CN109729070A CN109729070A CN201811430692.8A CN201811430692A CN109729070A CN 109729070 A CN109729070 A CN 109729070A CN 201811430692 A CN201811430692 A CN 201811430692A CN 109729070 A CN109729070 A CN 109729070A
- Authority
- CN
- China
- Prior art keywords
- concurrent
- private communication
- detection
- feature
- communication channel
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明属于信息技术安全领域,具体涉及一种基于CNN和RNN融合模型的网络异构并发隐写信道的检测方法。该方法包括:基于深度学习的多维并发隐蔽信道的检测特征的提取,对提取的检测特征进行学习,构建多维并发隐蔽信道检测器并进行检测,该方法避免了基于经验或启发性知识的人工设计特征所带来的特征维度大及无法表达多层数据复杂关联的缺陷,利用深度学习的自动挖掘特征关联的自动表示方法实现了网络流媒体多维度并发隐蔽通信的检测。
Description
技术领域
本发明属于信息技术安全领域,具体涉及一种基于CNN和RNN融合模型的网络异构并发隐写信道的检测方法。
背景技术
近年来,随着互联网的持续快速增长,在国际互联网上流媒体(Streaming Media)服务得到了空前的发展。目前,流媒体有着广泛的应用,如:VOD(Video On Demand)、AOD(Audio On Demand)、IPTV(Internet Protocol Television)、VoIP(Voice over IP)等。这些网络流媒体服务产生的网络数据具有数据量大、结构复杂等特点,使得网络流媒体成为隐蔽通信的极佳载体。由于流媒体的瞬时性和实时性,传统的静态(存储型)载体中的信息隐藏技术并不能直接应用于流媒体的信息隐藏,另一方面,与图像信息隐藏仅通过改变像素值、音频信息隐藏中仅通过改变语音采样值进行信息隐藏不同,由于流媒体数据的多维度,基于流媒体的网络隐蔽通信既可通过改变语音、视频信号进行、也可利用语音、视频传输所依赖的网络协议、通信信令等进行。每个流媒体单元中的通信层次都可以通过运用某种信息隐藏方法改写该层次的某个数据域(如载荷域,IP、UDP或RTP报头的某个数据域)内容都可以构建隐蔽通信系统,这导致基于流媒体的网络隐蔽通信方法多种多样,即就是不同的数据域可以采用不同的隐藏算法,多个数据域可以同时实施隐藏,便形成了特殊的隐蔽通信信道,这种隐蔽通信被称为多维度并发隐蔽信道,此类隐蔽通信检测的难度非常大。并发隐蔽通信充分利用了网络流媒体的多层次数据结构和数据类型,采用多个域中同时嵌入机密信息,形成传输能力更大的并发隐信道。采用多隐蔽通道进行并发隐蔽通信,一方面可以极大地提高隐藏容量,另一方面可以提升隐蔽通信的安全性,具有非常大的实际应用价值。多维并发隐蔽信道是综合使用了不同的隐写算法在同一媒体流的不同数据域来实现隐写。由于使用隐写算法不同,很难通过一些传统的经验或观察来获得并发信道之间关联特征。由于人工特征构造成本高,特征选择开销大,对于海量的网络流媒体而言,特征工程的巨大工作量是很大的制约因素。
发明内容
针对上述问题和现有技术的不足,本发明提供了一种基于CNN和RNN融合模型的网络异构并发隐写信道的检测方法,该方法是基于深度学习模型自动进行多维并发隐蔽通信检测特征学习,并基于学习到的特征进行多维并发隐蔽通信检测的方法。深度学习是一种对数据进行表征的方法,它提供了一种基于自动特征学习挖掘多层次复杂关联关系的方法,能够通过组合低层特征以形成更加抽象的高层数据内在规律的分布式特征表示。一种CNN和RNN融合模型的网络异构并发隐写信道的检测方法,该方法包括以下步骤:
①基于深度学习的多维并发隐蔽信道的检测特征的提取:首先使用卷积神经网络作为特征学习的第一层次,将循环神经网络作为特征学习的第二层次,采用LSTMs模型(Long Short-Term Memory,长短时记忆模型)逐层训练的方法,更好地对长短时依赖进行表达,同时表达流媒体数据的时空特性;
②对步骤①中提取的检测特征进行学习:通过深度学习分别获取同一流媒体中不同隐写算法在不同数据域所实现的隐蔽信道检测特征向量,利用这些特征向量作为检测是否存在隐蔽信道的依据输入分类器;
③构建多维并发隐蔽信道检测器并进行检测:将提取到的隐蔽信道的特征向量表示为F∈Rl,其中Fi表示第i个特征,即
F=[F1 F2 F3 ... FL]
通过定义一组检测权重E∈Rl,对所有特征进行线性加权求和,即其中检测权重Ei反映第i个特征的重要程度,bi为偏置项,并将输出y利用sigmoid函数归一化到[0,1],归一化的结果Y为判断该隐蔽信道包含隐蔽信息的置信水平,然后设置一个置信阈值τ,则最终的检测结果可以表示为:
当同时有不同隐写算法在同一流媒体的不同数据域进行异构并发隐藏时,通过抽取隐蔽信道特征,基于这些特征分别判断是否有对应隐写算法在进行隐蔽信息嵌入,从而实现对异构并发隐藏信道的检测。
进一步地,上述步骤①中所述的采用卷积神经网络提取多维并发隐蔽信道的检测特征过程中,在信道数据处理方面,首先要将网络流媒体多维结构中所有的并发隐蔽通信数据域,包括协议头部和载荷编码码元,映射为二维数据表示,其转换的主要思路是将网络流媒体中的每个域的数据简单组合在一起,经过上述方法转换后,每个网络数据通信的数据可以作为卷积神经网络的输入。
本发明的有益效果在于:提出一种面向网络流媒体多维并发隐蔽信道检测的卷积神经网络(CNN)和循环神经网络深度学习模型,以及基于该CNN+RNN模型的并发隐蔽信道检测方法,该方法避免了基于经验或启发性知识的人工设计特征所带来的特征维度大及无法表达多层数据复杂关联的缺陷,利用深度学习的自动挖掘特征关联的自动表示方法实现了网络流媒体多维度并发隐蔽通信的检测。
附图说明
图1:网络流媒体单元的二维矩阵;
图2:基于CNN+RNN的流媒体大数据异构并发隐蔽信道的检测特征学习模型。
具体实施方式
下面将对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明的一部分,而不是发明的全部。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1一种网络流媒体隐蔽信道的检测方法
①基于深度学习的多维并发隐蔽信道的检测特征的提取:首先使用卷积神经网络作为特征学习的第一层次,将循环神经网络作为特征学习的第二层次,采用LSTMs模型(Long Short-Term Memory,长短时记忆模型)逐层训练的方法,更好地对长短时依赖进行表达,同时表达流媒体数据的时空特性,在信道数据处理方面,首先要将网络流媒体多维结构中所有的并发隐蔽通信数据域,包括协议头部和载荷编码码元,映射为二维数据表示,其转换的主要思路是将网络流媒体中的每个域的数据简单组合在一起,可以理解为将每个数据域表示为一个不同形状的点,便得到一个二维点阵如图1所示:图1中不同颜色及形状的点表示不同的数据域,每个点取值于其代表的数据域。这个矩阵组合了流媒体的多层次数据,适合多维度并发隐信道的检测,若实际的数据域的数量不能正好排成一个矩阵,则用0填充位解决这一问题。经过上述方法转换后,每个网络数据通信的数据可以作为卷积神经网络的输入。
②对步骤①中提取的检测特征进行学习:通过深度学习分别获取同一流媒体中不同隐写算法在不同数据域所实现的隐蔽信道检测特征向量,利用这些特征向量作为检测是否存在隐蔽信道的依据输入分类器,本发明进行特征学习的CNN+RNN网络原理图如下图2所示,网络大致可分为四个部分。第一部分是输入层,在输入时根据对数据域的取值的要求将该二维矩阵采用Sigmoid函数进行归一化处理到[0,1];第二部分即卷积层,卷积层可以有多组,主要包含卷积(C)和池化层(S),即将上一层的输出根据权重做卷积得C,为了降低特征维度再进行池化(下采样)得到对应的S层。通过卷积,对输入矩阵中局部区域的元素进行特征抽取和融合,池化利用下采样的方法只计算输入矩阵局部区域的平均值或最大值;第三部分是光栅化,该层的主要用途是将二维数据转化为一维数据,也就是将上一层的所有特征图的每个点依次展开排成一列,便于卷积网络的输出结果与后续的循环神经网络进行连接,进一步在时间序列上强调并提取特征;第四部分是循环神经网络的LSTM,为了防止梯度消失。在这里选择CNN+RNN的网络结构,就是能在最后输出具有时空特性的特征来构建分类器进行隐蔽信道的检测;
③构建多维并发隐蔽信道检测器并进行检测:将提取到的隐蔽信道的特征向量表示为F∈Rl,其中Fi表示第i个特征,即
F=[F1 F2 F3 ... FL]
通过定义一组检测权重E∈Rl,对所有特征进行线性加权求和,即其中检测权重Ei反映第i个特征的重要程度,bi为偏置项,并将输出y利用sigmoid函数归一化到[0,1],归一化的结果Y为判断该隐蔽信道包含隐蔽信息的置信水平,然后设置一个置信阈值τ,则最终的检测结果可以表示为:
当同时有不同隐写算法在同一流媒体的不同数据域进行异构并发隐藏时,通过抽取隐蔽信道特征,基于这些特征分别判断是否有对应隐写算法在进行隐蔽信息嵌入,从而实现对异构并发隐藏信道的检测。
Claims (2)
1.一种基于CNN和RNN融合模型的网络异构并发隐写信道的检测方法,其特征在于,该方法包括以下步骤:
①基于深度学习的多维并发隐蔽信道的检测特征的提取:首先使用卷积神经网络作为特征学习的第一层次,将循环神经网络作为特征学习的第二层次,采用LSTMs模型(LongShort-Term Memory,长短时记忆模型)逐层训练的方法,更好地对长短时依赖进行表达,同时表达流媒体数据的时空特性;
②对步骤①中提取的检测特征进行学习:通过深度学习分别获取同一流媒体中不同隐写算法在不同数据域所实现的不同隐蔽信道检测特征向量,利用这些特征向量作为检测是否存在隐蔽信道的依据输入分类器,同时,进一步获取2路并行隐蔽信道的检测特征向量,进而利用这些并发隐蔽信道的检测特征向量构建多维并发隐蔽信道检测器;
③构建多维并发隐蔽信道检测器并进行检测:将提取到的隐蔽信道的特征向量表示为F∈Rl,其中Fi表示第i个特征,即
F=[F1 F2 F3...FL]
通过定义一组检测权重E∈Rl,对所有特征进行线性加权求和,即其中检测权重Ei反映第i个特征的重要程度,bi为偏置项,并将输出y利用sigmoid函数归一化到[0,1],归一化的结果Y为判断该隐蔽信道包含隐蔽信息的置信水平,然后设置一个置信阈值τ,则最终的检测结果可以表示为:
当同时有不同隐写算法在同一流媒体的不同数据域进行异构并发隐藏时,通过抽取隐蔽信道特征,基于这些特征分别判断是否有对应隐写算法在进行隐蔽信息嵌入,从而实现对异构并发隐藏信道的检测。
2.如权利要求1所述的一种基于CNN和RNN融合模型的网络异构并发隐写信道的检测方法,其特征在于,步骤①中所述的采用卷积神经网络提取多维并发隐蔽信道的检测特征过程中,在隐蔽信道的数据处理方面,首先要将网络流媒体多维结构中所有的并发隐蔽通信数据域,包括协议头部和载荷编码码元,映射为二维数据表示,其转换的主要思路是将网络流媒体中的每个域的数据简单组合在一起,经过上述方法转换后,每个网络数据通信的数据可以作为卷积神经网络的输入。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811430692.8A CN109729070B (zh) | 2018-11-28 | 2018-11-28 | 一种基于cnn和rnn融合模型的网络异构并发隐写信道的检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811430692.8A CN109729070B (zh) | 2018-11-28 | 2018-11-28 | 一种基于cnn和rnn融合模型的网络异构并发隐写信道的检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109729070A true CN109729070A (zh) | 2019-05-07 |
CN109729070B CN109729070B (zh) | 2022-03-11 |
Family
ID=66295545
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811430692.8A Active CN109729070B (zh) | 2018-11-28 | 2018-11-28 | 一种基于cnn和rnn融合模型的网络异构并发隐写信道的检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109729070B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110190933A (zh) * | 2019-06-10 | 2019-08-30 | 深圳大学 | 基于匹配滤波对物理层隐藏信息的检测方法及系统 |
CN110428846A (zh) * | 2019-07-08 | 2019-11-08 | 清华大学 | 基于双向循环神经网络的网络语音流隐写分析方法及装置 |
CN117596082A (zh) * | 2024-01-18 | 2024-02-23 | 网御安全技术(深圳)有限公司 | 一种隐蔽信道的检测方法、系统及相关设备 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103577835A (zh) * | 2013-08-02 | 2014-02-12 | 中国科学技术大学苏州研究院 | 采用多维特征向量检测ip id隐信道的方法 |
CN104778702A (zh) * | 2015-04-15 | 2015-07-15 | 中国科学院自动化研究所 | 基于深度学习的图像隐写检测方法 |
CN106530200A (zh) * | 2016-10-23 | 2017-03-22 | 深圳大学 | 一种基于深度学习模型的隐写图像检测方法及系统 |
CN106875007A (zh) * | 2017-01-25 | 2017-06-20 | 上海交通大学 | 用于语音欺骗检测的基于卷积长短期记忆端对端深度神经网络 |
CN108009493A (zh) * | 2017-11-30 | 2018-05-08 | 电子科技大学 | 基于动作增强的人脸防欺骗识别方法 |
CN108198574A (zh) * | 2017-12-29 | 2018-06-22 | 科大讯飞股份有限公司 | 变声检测方法及装置 |
CN108615526A (zh) * | 2018-05-08 | 2018-10-02 | 腾讯科技(深圳)有限公司 | 语音信号中关键词的检测方法、装置、终端及存储介质 |
CN108764270A (zh) * | 2018-04-03 | 2018-11-06 | 上海大学 | 一种利用卷积神经网络集成的信息隐藏检测方法 |
CN108875763A (zh) * | 2017-05-17 | 2018-11-23 | 北京旷视科技有限公司 | 目标检测方法和目标检测装置 |
-
2018
- 2018-11-28 CN CN201811430692.8A patent/CN109729070B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103577835A (zh) * | 2013-08-02 | 2014-02-12 | 中国科学技术大学苏州研究院 | 采用多维特征向量检测ip id隐信道的方法 |
CN104778702A (zh) * | 2015-04-15 | 2015-07-15 | 中国科学院自动化研究所 | 基于深度学习的图像隐写检测方法 |
CN106530200A (zh) * | 2016-10-23 | 2017-03-22 | 深圳大学 | 一种基于深度学习模型的隐写图像检测方法及系统 |
CN106875007A (zh) * | 2017-01-25 | 2017-06-20 | 上海交通大学 | 用于语音欺骗检测的基于卷积长短期记忆端对端深度神经网络 |
CN108875763A (zh) * | 2017-05-17 | 2018-11-23 | 北京旷视科技有限公司 | 目标检测方法和目标检测装置 |
CN108009493A (zh) * | 2017-11-30 | 2018-05-08 | 电子科技大学 | 基于动作增强的人脸防欺骗识别方法 |
CN108198574A (zh) * | 2017-12-29 | 2018-06-22 | 科大讯飞股份有限公司 | 变声检测方法及装置 |
CN108764270A (zh) * | 2018-04-03 | 2018-11-06 | 上海大学 | 一种利用卷积神经网络集成的信息隐藏检测方法 |
CN108615526A (zh) * | 2018-05-08 | 2018-10-02 | 腾讯科技(深圳)有限公司 | 语音信号中关键词的检测方法、装置、终端及存储介质 |
Non-Patent Citations (3)
Title |
---|
CHUNTING ZHOU等: "A C-LSTM Neural Network for Text Classification", 《HTTPS://ARXIV.ORG/PDF/1511.08630.PDF》 * |
HUGO ROSA等: "A "Deeper" Look at Detecting Cyberbullying in Social Networks", 《2018 INTERNATIONAL JOINT CONFERENCE ON NEURAL NETWORKS (IJCNN)》 * |
唐彰国等: "基于量子神经网络的启发式网络隐蔽信道检测模型", 《计算机应用研究》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110190933A (zh) * | 2019-06-10 | 2019-08-30 | 深圳大学 | 基于匹配滤波对物理层隐藏信息的检测方法及系统 |
CN110428846A (zh) * | 2019-07-08 | 2019-11-08 | 清华大学 | 基于双向循环神经网络的网络语音流隐写分析方法及装置 |
CN117596082A (zh) * | 2024-01-18 | 2024-02-23 | 网御安全技术(深圳)有限公司 | 一种隐蔽信道的检测方法、系统及相关设备 |
CN117596082B (zh) * | 2024-01-18 | 2024-03-26 | 网御安全技术(深圳)有限公司 | 一种隐蔽信道的检测方法、系统及相关设备 |
Also Published As
Publication number | Publication date |
---|---|
CN109729070B (zh) | 2022-03-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109815893B (zh) | 基于循环生成对抗网络的彩色人脸图像光照域归一化的方法 | |
CN109729070A (zh) | 一种基于cnn和rnn融合模型的网络异构并发隐写信道的检测方法 | |
WO2021088300A1 (zh) | 一种基于非对称双流网络的rgb-d多模态融合人员检测方法 | |
Zhang et al. | A generative method for steganography by cover synthesis with auxiliary semantics | |
CN108399362A (zh) | 一种快速行人检测方法及装置 | |
CN109543640B (zh) | 一种基于图像转换的活体检测方法 | |
CN109711280B (zh) | 一种基于ST-Unet的视频异常检测方法 | |
CN110490265B (zh) | 一种基于双路卷积和特征融合的图像隐写分析方法 | |
CN112784779A (zh) | 一种基于特征金字塔多级特征融合的遥感影像场景分类方法 | |
CN111696021B (zh) | 一种基于显著性检测的图像自适应隐写分析系统及方法 | |
CN108629368A (zh) | 一种基于联合深度融合的多模态地基云分类方法 | |
CN108682425A (zh) | 一种基于恒定水印的鲁棒数字音频水印嵌入系统 | |
CN111914617B (zh) | 一种基于平衡栈式生成式对抗网络的人脸属性编辑方法 | |
CN106650637A (zh) | 一种基于条件随机森林的笑脸检测器及方法 | |
CN111242868A (zh) | 暗视觉环境下基于卷积神经网络的图像增强方法 | |
CN116403063A (zh) | 基于多区域特征融合的无参考屏幕内容图像质量评估方法 | |
CN111652307A (zh) | 基于卷积神经网络的红木家具智能无损鉴定方法及装置 | |
CN107766810A (zh) | 一种云、影检测方法 | |
CN114881971A (zh) | 视频质量评估方法及其装置、设备、介质 | |
CN110490133A (zh) | 一种基于生成对抗网络由父母照片生成子女照片的方法 | |
CN112884630A (zh) | 基于可逆神经网络的大容量图像隐写与恢复方法 | |
CN114662061B (zh) | 基于改进注意力和损失函数的解码编码网络隐写术方法 | |
CN117078517A (zh) | 基于可逆神经网络的图像超分辨率隐写方法 | |
CN116449958A (zh) | 一种基于元宇宙的虚拟办公系统 | |
Meng et al. | A Novel Steganography Algorithm Based on Instance Segmentation. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |