CN109769080A - 一种基于深度学习的加密图像破解方法及系统 - Google Patents
一种基于深度学习的加密图像破解方法及系统 Download PDFInfo
- Publication number
- CN109769080A CN109769080A CN201811484733.1A CN201811484733A CN109769080A CN 109769080 A CN109769080 A CN 109769080A CN 201811484733 A CN201811484733 A CN 201811484733A CN 109769080 A CN109769080 A CN 109769080A
- Authority
- CN
- China
- Prior art keywords
- image
- network
- deep learning
- encrypted
- network model
- 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)
- Image Processing (AREA)
Abstract
本发明属于图像处理、人工智能和信息安全技术领域，公开了一种基于深度学习的加密图像破解方法及系统；获取加密图像样本；在Autoencoder自编码器的基础上构建深度学习网络模型；训练深度学习网络；使用训练好的网络模型对加密图像进行破解。系统包括：图像样本获取模块，用于获取加密图像样本；网络模型构建模块，用于实现在Autoencoder自编码器的基础上构建深度学习网络模型；训练模块，用于实现训练深度学习网络；破解模块，用于使用训练好的网络模型对加密图像进行破解。本发明解决了加密算法难破解和破解耗时长的问题，在训练好网络模型后，通常只需要几秒的时间就可以得到破解结果。
Description
技术领域
本发明属于图像处理、人工智能和信息安全技术领域，尤其涉及一种基于深度学习的加密图像破解方法及系统。
背景技术
目前，业内常用的现有技术是这样的：随着信息技术的发展，信息安全问题也越来越重要，重要数据的安全传输在商业和军事等方面尤为重要。于此，相关学者和研究人员提出了一系列的数据信息加密算法。随着加密算法的提出，对应的破解方法也随之出现，为了寻找更安全的加密算法，需要评估加密算法的安全性，对破解方法进行研究。
而对于加密算法，比如AES加密，现在没有一种算法能够对它进行破解，只能使用穷举法，在算法的密钥空间内进行搜索，直到查到正确的密钥为止，但是当加密算法的密钥空间非常大的时候，以现有机器的运算速度，无法在人类可接受的时间范围内找到正确的密钥。
针对这个问题，本发明提出了一种基于深度学习的加密图像破解方法，希望在多项式时间内对Arnold’cat map、AES等算法加密的图像进行破解。解决这个问题的难度在于如何构建深度学习网络模型，使其能达到最完美的状态可以对上述加密算法进行破解，并避免过拟合的出现。其意义在于，当我们构建并训练好网络之后，可以在很短的时间内对加密图像进行破解。
发明内容
针对现有技术存在的问题，本发明提供了一种基于深度学习的加密图像破解方法及系统。
本发明的提供一种所述深度学习网络模型的应用方法，所述应用方法包括encoder编码和decoder解码；
在encoder编码过程中，进行卷积和池化操作，提取样本特征，得到编码；在decoder解码过程中，进行反卷积和反池化操作，将encoder得到的编码以样本为目标进行还原。
进一步，所述encoder编码过程包括6个卷积层；其中，前5个卷积层后接一个Relu型激励函数，后1个卷积层后接一个Sigmoid型激励函数；decoder解码过程包括有6个反卷积层；其中，前5个反卷积层都后接一个Relu型激励函数。
本发明的另一目的在于提供一种应用所述深度学习网络模型的基于深度学习的加密图像破解方法，所述基于深度学习的加密图像破解方法包括：
步骤一，获取加密图像样本；
步骤二，在Autoencoder自编码器的基础上构建深度学习网络模型；
步骤三，训练深度学习网络；
步骤四，使用训练好的网络模型对加密图像进行破解。
进一步，所述步骤一具体包括：原始图像从各大开源的数据集获取，根据Arnoldcat和AES等加密算法编写代码加密数据集，得到加密图像样本；
所述步骤三具体包括：使用MSE均方误差损失函数，定义的损失函数计算的是各大开源数据集获取的原始图像和通过步骤二建立的网络模型所产出的结果之间的差别；在误差反向传播的过程中，通过不断的修正网络模型的参数，让网络模型所产出的结果不断逼近原始图像，实现破解；
所述步骤四具体包括：用所训练好的网络模型对加密图像进行破解，将加密图像输入网络模型，通过计算，模型所产出的结果就是加密图像的原始图像；
在Autoencoder自编码器的基础上构建深度学习网络模型，并定义MSE均方误差损失函数来计算原始图像和模型输出图像之间的差距，使模型输出图像越来越接近原始图像，实现对Arnoldcat和AES等加密算法所加密的图像的破解。
本发明的另一目的在于提供一种实现所述基于深度学习的加密图像破解方法的基于深度学习的加密图像破解系统，所述基于深度学习的加密图像破解系统包括：
图像样本获取模块，用于获取加密图像样本；
网络模型构建模块，用于实现在Autoencoder自编码器的基础上构建深度学习网络模型；
训练模块，用于实现训练深度学习网络；
破解模块，用于使用训练好的网络模型对加密图像进行破解。
本发明的另一目的在于提供一种应用所述深度学习网络模型的基于深度学习的加密图像破解方法，所述基于深度学习的加密图像破解方法包括：
步骤一，获取加密图像样本，原始图像从各大开源的数据集获取；根据Arnoldcat和AES等加密算法编写代码加密数据集，得到加密图像样本；
步骤二，在Gan生成对抗网络的基础上构建深度学习网络模型，根据Gan生成对抗网络构建深度学习网络模型，包括生成网络和对抗网络，其中，生成网络需要将加密图像以原始图像为目标进行还原，对抗网络是一个判别器，用来判断所输入的图像是原始图像还是生成网络所生成的图像，两个网络同时竞争，让生成网络生成的图像和原始图像越来越接近；生成网络由6个卷积层构成，前5个卷积层后接1个Relu型激励函数，后1一个卷积层接1个Tanh型激励函数，在卷积的过程中，不改变样本的大小；对抗网络包括6个卷积层和1个全连接层，每个卷积层都后跟1个LeakyRelu型激励函数和一个池化层；
步骤三，训练深度学习网络，对抗网络的训练，使用二分类的交叉熵损失函数，训练判别器能够辨别原始图像和生成网络生成的图像，将原始图像的标签设置为1，生成网络生成的图像的标签设置为0，将原始图像和生成网络生成的图像分别输入到对抗网络中，将结果与标签对应，并计算对应的误差，将二者的误差相加并反向传播，不断修正对抗网络的参数，让对抗网络越来越能够分辨原始图像和生成图像；
其次生成网络的训练，所生成的图像越来越逼近原始图像；将判别器固定，将生成图像输入判别器的结果与原始图像的标签1进行对应，并计算误差，在反向传播的过程中，不断修正生成网络的参数，使生成图像越来越接近原始图像，实现加密图像的破解；
步骤四，使用训练好的网络模型对加密图像进行破解，用所训练好的网络模型对加密图像进行破解。只需将加密图像输入网络模型，通过计算，模型所产出的结果就是加密图像的原始图像；
在Gan生成对抗网络的基础上构建深度学习网络模型，同时训练生成网络和对抗网络，使生成网络输出的图像越来越接近原始图像，实现对Arnoldcat和AES加密算法所加密的图像的破解。
本发明的另一目的在于提供一种应用所述深度学习网络模型的基于深度学习的加密图像破解方法，所述基于深度学习的加密图像破解方法包括：
步骤一：获取加密图像样本，原始图像从各大开源的数据集获取，根据Arnoldcat和AES等加密算法编写代码加密数据集，得到加密图像样本；
步骤二，在Autoencoder自编码器和Gan生成对抗网络的基础上构建深度学习网络模型；根据Autoencoder自编码器和Gan生成对抗网络构建深度学习网络模型，包括生成网络和对抗网络，其中，生成网络需要将加密图像以原始图像为目标进行还原，是基于Autoencoder自编码器构建的，对抗网络是一个判别器，用来判断所输入的图像是原始图像还是生成网络所生成的图像，两个网络同时竞争，让生成网络生成的图像和原始图像越来越接近；生成网络基于Autoencoder自编码器进行设计，其中，encoder编码过程包括6个卷积层，前5个卷积层后接一个Relu型激励函数，后1个卷积层后接一个Sigmoid型激励函数；decoder解码过程包括有6个反卷积层，前5个反卷积层都后接一个Relu型激励函数；对抗网络包括6个卷积层和1个全连接层，每个卷积层都后跟1个LeakyRelu型激励函数和一个池化层；
步骤三，训练深度学习网络，对抗网络的训练，使用二分类的交叉熵损失函数，训练判别器能够辨别原始图像和生成网络生成的图像；将原始图像的标签设置为1，生成网络生成的图像的标签设置为0，将原始图像和生成网络生成的图像分别输入到对抗网络中，将结果与标签对应，并计算对应的误差，将二者的误差相加并反向传播，不断修正对抗网络的参数，让对抗网络越来越能够分辨原始图像和生成图像；
其次是生成网络的训练，使其所生成的图像越来越逼近原始图像；将判别器固定，将生成图像输入判别器的结果与原始图像的标签1进行对应，并计算误差，在反向传播的过程中，不断修正生成网络的参数，使生成图像越来越接近原始图像，实现加密图像的破解；
步骤四，使用训练好的网络模型对加密图像进行破解，用所训练好的网络模型对加密图像进行破解；加密图像输入网络模型，通过计算，模型所产出的结果就是加密图像的原始图像；
在Autoencoder自编码器和Gan生成对抗网络的基础上构建深度学习网络模型，同时训练生成网络和对抗网络，生成网络输出的图像越来越接近原始图像，实现对Arnoldcat和AES等加密算法所加密的图像的破解。
本发明的另一目的在于提供一种实现所述基于深度学习的加密图像破解方法的计算机程序。
本发明的另一目的在于提供一种实现所述基于深度学习的加密图像破解方法的信息数据处理终端。
综上所述，本发明的优点及积极效果为：基于深度学习的加密图像破解方法，通过训练破解网络模型，对Arnoldcat和AES等算法加密的图像进行破解，得到原始图像。解决了加密算法难破解和破解耗时长的问题，在训练好网络模型后，通常只需要几秒的时间就可以得到破解结果。针对使用静态密钥加密的Arnold’catmap，在提出的方法中，使用很少的训练样本，可以在1分钟内对加密图像进行破解，比穷举法破解的时间短很多。
附图说明
图1是本发明实施例提供的基于深度学习的加密图像破解方法流程图。
图2是本发明实施例提供的基于深度学习的加密图像破解系统结构示意图；
图中：1、图像样本获取模块；2、网络模型构建模块；3、训练模块；4、破解模块。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
针对现有的加密算法难破解和破解耗时长的问题。本发明基于深度学习的加密图像破解方法，通过训练破解网络模型，对Arnoldcat和AES等算法加密的图像进行破解，得到原始图像。
下面结合附图对本发明的应用原理作详细的描述。
如图1所示，本发明实施例提供的基于深度学习的加密图像破解方法包括以下步骤：
S101：获取加密图像样本；
S102：在Autoencoder自编码器的基础上构建深度学习网络模型；
S103：训练深度学习网络；
S104：使用训练好的网络模型对加密图像进行破解。
本发明实施例提供的基于深度学习的加密图像破解方法具体包括以下步骤：
步骤一：获取加密图像样本。
其中，原始图像可从各大开源的数据集获取，例如Mnist和Celeba等数据集。在得到了原始图像后，根据Arnoldcat和AES等加密算法编写代码加密数据集，即可得到加密图像样本。
步骤二：在Autoencoder自编码器的基础上构建深度学习网络模型。
具体地，根据Autoencoder自编码器构建深度学习网络模型，包括encoder编码和decoder解码两个过程。在encoder编码过程中，进行卷积和池化操作，提取样本特征，得到编码。在decoder解码过程中，进行反卷积和反池化操作，将encoder得到的编码以样本为目标进行还原。在提供的方法中，encoder编码过程包括6个卷积层，其中，前5个卷积层后接一个Relu型激励函数，后1个卷积层后接一个Sigmoid型激励函数；decoder解码过程包括有6个反卷积层，其中，前5个反卷积层都后接一个Relu型激励函数。
步骤三：训练深度学习网络。
具体地，使用MSE均方误差损失函数，特别地，在本实施案例中，所定义的损失函数计算的是从各大开源数据集获取的原始图像和通过步骤二建立的网络模型所产出的结果之间的差别，并不是计算加密图像样本和网络模型产出的结果之间的差别。在误差反向传播的过程中，通过不断的修正网络模型的参数，可以让网络模型所产出的结果不断逼近原始图像，实现破解。
步骤四：使用训练好的网络模型对加密图像进行破解。
具体地，在步骤三完成后，即可用所训练好的网络模型对加密图像进行破解。只需将加密图像输入网络模型，通过计算，模型所产出的结果就是加密图像的原始图像。
在Autoencoder自编码器的基础上构建深度学习网络模型，并定义MSE均方误差损失函数来计算原始图像和模型输出图像之间的差距，使模型输出图像越来越接近原始图像，实现对Arnoldcat和AES等加密算法所加密的图像的破解。
如图2所示，本发明实施例提供的基于深度学习的加密图像破解系统包括：
图像样本获取模块1，用于获取加密图像样本；
网络模型构建模块2，用于实现在Autoencoder自编码器的基础上构建深度学习网络模型；
训练模块3，用于实现训练深度学习网络；
破解模块4，用于使用训练好的网络模型对加密图像进行破解。
下面结合实施例对本发明的应用原理作进一步的描述。
实施例1：
本发明实施例提供的基于深度学习的加密图像破解方法包括以下步骤：
步骤一：获取加密图像样本。
其中，原始图像可从各大开源的数据集获取，例如Mnist和Celeba等数据集。在得到了原始图像后，根据Arnoldcat和AES等加密算法编写代码加密数据集，即可得到加密图像样本。
步骤二：在Gan生成对抗网络的基础上构建深度学习网络模型。
具体地，根据Gan生成对抗网络构建深度学习网络模型，包括生成网络和对抗网络，其中，生成网络需要将加密图像以原始图像为目标进行还原，而对抗网络是一个判别器，用来判断所输入的图像是原始图像还是生成网络所生成的图像，两个网络同时竞争，让生成网络生成的图像和原始图像越来越接近。在提供的方法中，生成网络由6个卷积层构成，前5个卷积层后接1个Relu型激励函数，后1一个卷积层接1个Tanh型激励函数，在卷积的过程中，不改变样本的大小；对抗网络包括6个卷积层和1个全连接层，每个卷积层都后跟1个LeakyRelu型激励函数和一个池化层。
步骤三：训练深度学习网络。
具体地，首先是对抗网络(判别器)的训练，使用二分类的交叉熵损失函数，训练判别器能够辨别原始图像和生成网络生成的图像，在提供的方法中，我们将原始图像的标签设置为1，生成网络生成的图像的标签设置为0，然后将原始图像和生成网络生成的图像分别输入到对抗网络中，将结果与其标签对应，并计算对应的误差，将二者的误差相加并反向传播，不断修正对抗网络的参数，就可以让对抗网络越来越能够分辨原始图像和生成图像。
其次是生成网络的训练，使其所生成的图像越来越逼近原始图像，在这个过程中，我们将判别器固定，将生成图像输入判别器的结果与原始图像的标签1进行对应，并计算误差，在反向传播的过程中，不断修正生成网络的参数，这样就可以使生成图像越来越接近原始图像，从而实现加密图像的破解。
步骤四：使用训练好的网络模型对加密图像进行破解。
具体地，在步骤三完成后，即可用所训练好的网络模型对加密图像进行破解。只需将加密图像输入网络模型，通过计算，模型所产出的结果就是加密图像的原始图像。
在Gan生成对抗网络的基础上构建深度学习网络模型，同时训练生成网络和对抗网络，而使生成网络输出的图像越来越接近原始图像，实现对Arnoldcat和AES等加密算法所加密的图像的破解。
实施例2
本发明实施例提供的基于深度学习的加密图像破解方法具体包括以下步骤：
步骤一：获取加密图像样本。
其中，原始图像可从各大开源的数据集获取，例如Mnist和Celeba等数据集。在得到了原始图像后，根据Arnoldcat和AES等加密算法编写代码加密数据集，即可得到加密图像样本。
步骤二：在Autoencoder自编码器和Gan生成对抗网络的基础上构建深度学习网络模型。
具体地，根据Autoencoder自编码器和Gan生成对抗网络构建深度学习网络模型，包括生成网络和对抗网络，其中，生成网络需要将加密图像以原始图像为目标进行还原，是基于Autoencoder自编码器构建的，对抗网络是一个判别器，用来判断所输入的图像是原始图像还是生成网络所生成的图像，两个网络同时竞争，让生成网络生成的图像和原始图像越来越接近。在提供的方法中，生成网络基于Autoencoder自编码器进行设计，其中，encoder编码过程包括6个卷积层，前5个卷积层后接一个Relu型激励函数，后1个卷积层后接一个Sigmoid型激励函数；decoder解码过程包括有6个反卷积层，前5个反卷积层都后接一个Relu型激励函数；对抗网络包括6个卷积层和1个全连接层，每个卷积层都后跟1个LeakyRelu型激励函数和一个池化层。
步骤三：训练深度学习网络。
具体地，首先是对抗网络(判别器)的训练，使用二分类的交叉熵损失函数，训练判别器能够辨别原始图像和生成网络生成的图像，在提供的方法中，我们将原始图像的标签设置为1，生成网络生成的图像的标签设置为0，然后将原始图像和生成网络生成的图像分别输入到对抗网络中，将结果与其标签对应，并计算对应的误差，将二者的误差相加并反向传播，不断修正对抗网络的参数，就可以让对抗网络越来越能够分辨原始图像和生成图像。
其次是生成网络的训练，使其所生成的图像越来越逼近原始图像，在这个过程中，我们将判别器固定，将生成图像输入判别器的结果与原始图像的标签1进行对应，并计算误差，在反向传播的过程中，不断修正生成网络的参数，这样就可以使生成图像越来越接近原始图像，从而实现加密图像的破解。
步骤四：使用训练好的网络模型对加密图像进行破解。
具体地，在步骤三完成后，即可用所训练好的网络模型对加密图像进行破解。只需将加密图像输入网络模型，通过计算，模型所产出的结果就是加密图像的原始图像。
在Autoencoder自编码器和Gan生成对抗网络的基础上构建深度学习网络模型，同时训练生成网络和对抗网络，而使生成网络输出的图像越来越接近原始图像，从而实现对Arnoldcat和AES等加密算法所加密的图像的破解。
针对使用静态密钥加密的Arnold’catmap，在提出的AutoEncoder方法中，使用500个训练样本的情况下，可以在1分钟内对加密图像进行破解，比穷举法破解的时间短很多。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现，所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘SolidStateDisk(SSD))等。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种深度学习网络模型的应用方法，其特征在于，所述深度学习网络模型的应用方法包括encoder编码和decoder解码；
在encoder编码过程中，进行卷积和池化操作，提取样本特征，得到编码；在decoder解码过程中，进行反卷积和反池化操作，将encoder得到的编码以样本为目标进行还原。
2.如权利要求1所述的深度学习网络模型的应用方法，其特征在于，所述encoder编码过程包括6个卷积层；其中，前5个卷积层后接一个Relu型激励函数，后1个卷积层后接一个Sigmoid型激励函数；decoder解码过程包括有6个反卷积层；其中，前5个反卷积层都后接一个Relu型激励函数。
3.一种应用权利要求1所述深度学习网络模型的应用方法的基于深度学习的加密图像破解方法，其特征在于，所述基于深度学习的加密图像破解方法包括：
步骤一，获取加密图像样本；
步骤二，在Autoencoder自编码器的基础上构建深度学习网络模型；
步骤三，训练深度学习网络；
步骤四，使用训练好的网络模型对加密图像进行破解。
4.如权利要求3所述的基于深度学习的加密图像破解方法，其特征在于，所述步骤一具体包括：原始图像从各大开源的数据集获取，根据Arnold cat和AES等加密算法编写代码加密数据集，得到加密图像样本；
所述步骤三具体包括：使用MSE均方误差损失函数，定义的损失函数计算的是各大开源数据集获取的原始图像和通过步骤二建立的网络模型所产出的结果之间的差别；在误差反向传播的过程中，通过不断的修正网络模型的参数，让网络模型所产出的结果不断逼近原始图像，实现破解；
所述步骤四具体包括：用所训练好的网络模型对加密图像进行破解，将加密图像输入网络模型，通过计算，模型所产出的结果就是加密图像的原始图像；
在Autoencoder自编码器的基础上构建深度学习网络模型，并定义MSE均方误差损失函数来计算原始图像和模型输出图像之间的差距，使模型输出图像越来越接近原始图像，实现对Arnold cat和AES等加密算法所加密的图像的破解。
5.一种实现权利要求3所述基于深度学习的加密图像破解方法的基于深度学习的加密图像破解系统，其特征在于，所述基于深度学习的加密图像破解系统包括：
图像样本获取模块，用于获取加密图像样本；
网络模型构建模块，用于实现在Autoencoder自编码器的基础上构建深度学习网络模型；
训练模块，用于实现训练深度学习网络；
破解模块，用于使用训练好的网络模型对加密图像进行破解。
6.一种应用权利要求1所述深度学习网络模型的应用方法的基于深度学习的加密图像破解方法，其特征在于，所述基于深度学习的加密图像破解方法包括：
步骤一，获取加密图像样本，原始图像从各大开源的数据集获取；根据Arnold cat和AES等加密算法编写代码加密数据集，得到加密图像样本；
步骤二，在Gan生成对抗网络的基础上构建深度学习网络模型，根据Gan生成对抗网络构建深度学习网络模型，包括生成网络和对抗网络，其中，生成网络需要将加密图像以原始图像为目标进行还原，对抗网络是一个判别器，用来判断所输入的图像是原始图像还是生成网络所生成的图像，两个网络同时竞争，让生成网络生成的图像和原始图像越来越接近；生成网络由6个卷积层构成，前5个卷积层后接1个Relu型激励函数，后1一个卷积层接1个Tanh型激励函数，在卷积的过程中，不改变样本的大小；对抗网络包括6个卷积层和1个全连接层，每个卷积层都后跟1个LeakyRelu型激励函数和一个池化层；
步骤三，训练深度学习网络，对抗网络的训练，使用二分类的交叉熵损失函数，训练判别器能够辨别原始图像和生成网络生成的图像，将原始图像的标签设置为1，生成网络生成的图像的标签设置为0，将原始图像和生成网络生成的图像分别输入到对抗网络中，将结果与标签对应，并计算对应的误差，将二者的误差相加并反向传播，不断修正对抗网络的参数，让对抗网络越来越能够分辨原始图像和生成图像；
其次生成网络的训练，所生成的图像越来越逼近原始图像；将判别器固定，将生成图像输入判别器的结果与原始图像的标签1进行对应，并计算误差，在反向传播的过程中，不断修正生成网络的参数，使生成图像越来越接近原始图像，实现加密图像的破解；
步骤四，使用训练好的网络模型对加密图像进行破解，用所训练好的网络模型对加密图像进行破解；将加密图像输入网络模型，通过计算，模型所产出的结果就是加密图像的原始图像；
在Gan生成对抗网络的基础上构建深度学习网络模型，同时训练生成网络和对抗网络，使生成网络输出的图像越来越接近原始图像，实现对Arnold cat和AES加密算法所加密的图像的破解。
7.一种应用权利要求1所述深度学习网络模型的应用方法基于深度学习的加密图像破解方法，其特征在于，所述基于深度学习的加密图像破解方法包括：
步骤一：获取加密图像样本，原始图像从各大开源的数据集获取，根据Arnold cat和AES加密算法编写代码加密数据集，得到加密图像样本；
步骤二，在Autoencoder自编码器和Gan生成对抗网络的基础上构建深度学习网络模型；根据Autoencoder自编码器和Gan生成对抗网络构建深度学习网络模型，包括生成网络和对抗网络，其中，生成网络需要将加密图像以原始图像为目标进行还原，是基于Autoencoder自编码器构建的，对抗网络是一个判别器，用来判断所输入的图像是原始图像还是生成网络所生成的图像，两个网络同时竞争，让生成网络生成的图像和原始图像越来越接近；生成网络基于Autoencoder自编码器进行设计，其中，encoder编码过程包括6个卷积层，前5个卷积层后接一个Relu型激励函数，后1个卷积层后接一个Sigmoid型激励函数；decoder解码过程包括有6个反卷积层，前5个反卷积层都后接一个Relu型激励函数；对抗网络包括6个卷积层和1个全连接层，每个卷积层都后跟1个LeakyRelu型激励函数和一个池化层；
步骤三，训练深度学习网络，对抗网络的训练，使用二分类的交叉熵损失函数，训练判别器能够辨别原始图像和生成网络生成的图像；将原始图像的标签设置为1，生成网络生成的图像的标签设置为0，将原始图像和生成网络生成的图像分别输入到对抗网络中，将结果与标签对应，并计算对应的误差，将二者的误差相加并反向传播，不断修正对抗网络的参数，让对抗网络越来越能够分辨原始图像和生成图像；
其次是生成网络的训练，使其所生成的图像越来越逼近原始图像；将判别器固定，将生成图像输入判别器的结果与原始图像的标签1进行对应，并计算误差，在反向传播的过程中，不断修正生成网络的参数，使生成图像越来越接近原始图像，实现加密图像的破解；
步骤四，使用训练好的网络模型对加密图像进行破解，用所训练好的网络模型对加密图像进行破解；加密图像输入网络模型，通过计算，模型所产出的结果就是加密图像的原始图像；
在Autoencoder自编码器和Gan生成对抗网络的基础上构建深度学习网络模型，同时训练生成网络和对抗网络，生成网络输出的图像越来越接近原始图像，实现对Arnold cat和AES等加密算法所加密的图像的破解。
8.一种实现权利要求3～4任意一项所述基于深度学习的加密图像破解方法的计算机程序。
9.一种实现权利要求3～4任意一项所述基于深度学习的加密图像破解方法的信息数据处理终端。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811484733.1A CN109769080B (zh) | 2018-12-06 | 2018-12-06 | 一种基于深度学习的加密图像破解方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811484733.1A CN109769080B (zh) | 2018-12-06 | 2018-12-06 | 一种基于深度学习的加密图像破解方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109769080A true CN109769080A (zh) | 2019-05-17 |
| CN109769080B CN109769080B (zh) | 2021-05-11 |
Family
ID=66451161
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811484733.1A Active CN109769080B (zh) | 2018-12-06 | 2018-12-06 | 一种基于深度学习的加密图像破解方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109769080B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110516747A (zh) * | 2019-08-29 | 2019-11-29 | 电子科技大学 | 基于对抗生成网络和自编码结合的肺结节良恶性分类方法 |
| CN112217825A (zh) * | 2020-10-13 | 2021-01-12 | 四川大学 | 基于分辨率自适应网络的非对称加密系统攻击方法 |
| CN113014570A (zh) * | 2021-02-22 | 2021-06-22 | 西安理工大学 | 一种基于卷积神经网络的通信数据加解密方法 |
| WO2021184898A1 (zh) * | 2020-03-19 | 2021-09-23 | 支付宝(杭州)信息技术有限公司 | 一种人脸特征提取方法、装置及设备 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106600577A (zh) * | 2016-11-10 | 2017-04-26 | 华南理工大学 | 一种基于深度反卷积神经网络的细胞计数方法 |
| CN106909945A (zh) * | 2017-03-01 | 2017-06-30 | 中国科学院电子学研究所 | 深度学习的特征可视化及模型评估方法 |
| US20180101784A1 (en) * | 2016-10-05 | 2018-04-12 | D-Wave Systems Inc. | Discrete variational auto-encoder systems and methods for machine learning using adiabatic quantum computers |
-
2018
- 2018-12-06 CN CN201811484733.1A patent/CN109769080B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180101784A1 (en) * | 2016-10-05 | 2018-04-12 | D-Wave Systems Inc. | Discrete variational auto-encoder systems and methods for machine learning using adiabatic quantum computers |
| CN106600577A (zh) * | 2016-11-10 | 2017-04-26 | 华南理工大学 | 一种基于深度反卷积神经网络的细胞计数方法 |
| CN106909945A (zh) * | 2017-03-01 | 2017-06-30 | 中国科学院电子学研究所 | 深度学习的特征可视化及模型评估方法 |
Non-Patent Citations (2)
| Title |
|---|
| 曹雷: "一种基于卷积神经网络的加密解密算法", 《华中科技大学硕士学位论文》 * |
| 袁雪寒: "基于反卷积网络的图像模式学习及应用", 《华南理工大学工程硕士学位论文》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110516747A (zh) * | 2019-08-29 | 2019-11-29 | 电子科技大学 | 基于对抗生成网络和自编码结合的肺结节良恶性分类方法 |
| WO2021184898A1 (zh) * | 2020-03-19 | 2021-09-23 | 支付宝(杭州)信息技术有限公司 | 一种人脸特征提取方法、装置及设备 |
| CN112217825A (zh) * | 2020-10-13 | 2021-01-12 | 四川大学 | 基于分辨率自适应网络的非对称加密系统攻击方法 |
| CN113014570A (zh) * | 2021-02-22 | 2021-06-22 | 西安理工大学 | 一种基于卷积神经网络的通信数据加解密方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109769080B (zh) | 2021-05-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109769080A (zh) | 一种基于深度学习的加密图像破解方法及系统 | |
| Baek et al. | Learning to extrapolate knowledge: Transductive few-shot out-of-graph link prediction | |
| CN108629193B (zh) | 一种针对人工神经网络模型的加密保护系统及方法 | |
| Barbier et al. | Approximate message-passing with spatially coupled structured operators, with applications to compressed sensing and sparse superposition codes | |
| Yang et al. | Incomplete-data oriented multiview dimension reduction via sparse low-rank representation | |
| WO2020156004A1 (zh) | 模型训练方法、装置及系统 | |
| Cheng et al. | Simulating noisy quantum circuits with matrix product density operators | |
| WO2023077857A1 (zh) | 一种防御方法、装置、电子设备及存储介质 | |
| CN110334478B (zh) | 机器设备异常检测模型构建方法、检测方法及模型 | |
| KR102533984B1 (ko) | 개선된 조작영상의 검출시스템 및 방법 | |
| WO2020070387A1 (en) | A method and apparatus for training a neural network used for denoising | |
| Huai et al. | Zerobn: Learning compact neural networks for latency-critical edge systems | |
| KR20230020555A (ko) | 이미지 처리 방법, 장치, 전자 기기 및 컴퓨터 판독 가능 저장 매체 | |
| CN113240129A (zh) | 一种面向多类型任务图像分析的联邦学习系统 | |
| CN115913643A (zh) | 一种基于对抗自编码器的网络入侵检测方法、系统及介质 | |
| WO2022241307A1 (en) | Image steganography utilizing adversarial perturbations | |
| Chen et al. | Lie to me: A soft threshold defense method for adversarial examples of remote sensing images | |
| Lv et al. | A robustness-assured white-box watermark in neural networks | |
| Shi et al. | Image encryption scheme based on multiscale block compressed sensing and Markov model | |
| Suri et al. | Dissecting distribution inference | |
| CN115134114B (zh) | 基于离散混淆自编码器的纵向联邦学习攻击防御方法 | |
| CN115495578A (zh) | 基于最大熵损失的文本预训练模型后门消除方法、系统及介质 | |
| Cui et al. | Sparse Bayesian learning using correlated hyperparameters for recovery of block sparse signals | |
| Liu et al. | Subverting privacy-preserving gans: Hiding secrets in sanitized images | |
| Wang et al. | Heterogeneous defect prediction algorithm combined with federated sparse compression |
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 |