CN110706751A

CN110706751A - 一种dna存储加密编码方法

Info

Publication number: CN110706751A
Application number: CN201910909594.0A
Authority: CN
Inventors: 毕昆; 陆祖宏
Original assignee: Southeast University
Current assignee: Southeast University
Priority date: 2019-09-25
Filing date: 2019-09-25
Publication date: 2020-01-17

Abstract

本发明公开了一种DNA存储加密编码方法，包括如下步骤：输入原始数据进行二进制转换,进行霍夫曼编码压缩，根据DNA存储四进制模型转换为DNA序列；选择作为密钥的文件进行二进制转换，再转换为DNA序列；采用密钥对存储序列加密；将存储序列划分为等长的若干列，每列列首添加地址码；采用RS编码对每一列纠错，解码过程为编码的反向过程，按照地址码拼接，然后删除地址码和纠错码；根据加密方法和密钥序列，对存储序列进行解密；进行霍夫曼解码，重新获得输入文件。本发明方法在DNA四进制模型的基础上进行加密，提高了存储保密性，获得了极高的编码潜力，能够更好地控制GC百分比，碱基G和C平均含量平衡，有利于合成，且错误率低。

Description

一种DNA存储加密编码方法

技术领域

本发明属于DNA存储技术领域领域，具体为一种DNA存储加密编码方法。

背景技术

全球数据信息总量已达到30ZB,并将很快超过现有硬盘等存储介质的承受能力。DNA数据存储技术开辟了一种新的存储模式,其发展对于节省存储能源及推进大数据存储发展有着重要作用。DNA数据存储近年来逐渐成为全球研究的热点。包括哈佛大学、哥伦比亚大学、微软研究院、华盛顿大学和剑桥大学等国内外多家研究机构均展开对DNA存储的研究。

单位质量的DNA约有1021个碱基,可存储455EB信息,此信息量为全球一年信息总量的1/4；单位体积的DNA可存储的信息为整个互联网的33倍。DNA单位体积的存储密度是硬盘和存储器的106倍,是闪存的103倍。DNA作为最稳定的储存设备之一,对于外部环境,如高温、震荡等具有极强的抗干扰能力。

DNA存储编码模型的研究面临的困难是存储效率与合成难度、成本之间的矛盾。存储效率越高，合成难度越大，成本越高，甚至难以合成。目前相关研究均处于初级阶段，数据量较小，对数据编码多采用单一DNA模型，如二进制、三进制或四进制模型，单一模型适应性较差，存在不同的缺陷。二进制模型存储效率较低，四进制模型理论存储效率最高，但存在均聚物过多、GC含量异常等问题，合成困难，三进制模型介于两者之间，存储效率有一定提升，合成难度部分下降，但不能解决这两个问题。此外，DNA存储作为一种数据存储方式，必须注意数据的保密与安全性，但目前这方面的考虑很少，有研究在DNA序列头尾添加密码子进行加密，但增加了数据冗余，且固定的密码子加密程度较低。

发明内容

技术问题：

针对现有DNA存储模型存储效率不高、合成难度较大且没有加密安全措施的问题，通过一种加密编码方案，在增加数据安全性，通过减少均聚物、控制GC含量等降低合成难度的同时，保持高效的存储效率。

针对以上问题，对数据进行四进制模型的加密编码，并融合数据压缩算法和纠错编码，编码潜力高达2。通过加密方式，在极大增加了数据安全性的同时，更好地控制GC百分比和均聚物数量。在有效解决存储错误，降低合成难度的同时，保持高效的存储效率。

技术方案：

本发明公开了一种DNA存储加密编码方法，包括如下步骤：

1)输入原始数据(包含所有可转换为二进制的数据)，进行二进制转换，并进行霍夫曼编码压缩，从24种DNA存储四进制模型中随机选择一种，将二进制序列转换为DNA序列。

2)选择密钥文件(任何可转换为二进制的文件)，转换为二进制序列，从24种DNA存储四进制模型中随机选择一种，将二进制序列转换为DNA序列。

3)根据加密方法，随机选择密钥文件任意位置作为起始位置，将密钥文件的碱基与被加密的存储文件一一对应，进行加密。

加密方法具体如下：

加密序列的密码子为碱基A时，按如下规则生成加密序列：

A+A＝A，

A+T＝T，

A+C＝C，

A+G＝G，

其中，等式左侧第一列为密码子A，第二列为四种可能的被加密碱基；等式右侧为加密后的碱基，共有24种可能的排列组合。在密码子为碱基A时，有24种加密方式，见图2。

类似的，密码子为碱基T，C，G时也均有24种加密方式，整个加密方法共有24⁴＝331776种加密方式。统计所有加密方式下加密序列的GC含量，p_i(G+C)，i＝1,…,331776。令x＝min{|p_i(G+C)-50％|}，x取得最小值时的i为所选加密方式。

4)将加密后的存储序列划分为等长若干列，每列列首添加地址码。每列包含100个碱基，列首添加9位地址码(1个碱基的文件码和8个碱基的编号码)。

5)采用RS编码对每一列RS编码纠错，在列尾添加纠错码(18个碱基)，得到包含127碱基的DNA序列。

6)将得到的所有序列按文件码和编号码排序，每123行组成一个123行*127列的矩阵，其中123行表示123条已完成编码的连续编号DNA序列，127列表示DNA序列的127个碱基。然后，从存储位置(第10列)开始，逐行进行RS编码纠错，纠错码长度为18个碱基，生成127*127的矩阵，即每123行DNA序列后，添加4行纠错序列。纠错序列前9列添加独立索引，按存步骤1)选择的DNA存储四进制模型编码。

解码过程：

1)解码过程为编码的反向过程，将测序得到的DNA序列按文件码和编号码排序，纠错序列按顺序插入其中，重新构建127*127矩阵，首先进行RS编码的行解码，根据4行纠错序列逐行对错误碱基进行纠正；然后对123行DNA序列，每一行进行RS解码。

2)按照地址码拼接，然后删除地址码和纠错码。

3)根据加密方法和密钥序列，对存储序列进行解密。

4)对解密后的文件进行霍夫曼解码，得到初始二进制序列，并重新生成输入文件。

有益效果：

1.本发明方法引入DNA四进制模型的加密编码，并结合压缩算法(霍夫曼编码)和RS纠错码，成功完成DNA数据加密、编码、合成、存储、测序、解密和解码的完整流程，编码潜力达到2。

2.引入加密方法，提高了数据存储的安全性和保密性。

3.相较于传统的四进制模型，能够更好地控制GC百分比和均聚物数目，保证合成准确性，降低合成难度。

4.与通过序列两端添加密码子进行加密的方法相比，无需增加额外冗余，本方法的编码潜力可达2。

5.引入压缩与纠错算法，在提高数据存储效率的同时，对数据存储和读取过程中的错误进行有效纠正，并有效降低数据冗余。

附图说明

图1为本发明的方法流程示意图；

图2为密码子为碱基A对应的加密方法示意图；

图3为加密模型示意图；

图4为DNA序列组成及RS码纠错示意图；

图5为实施例的输入图像；

图6为实施例中同一输入图像完成编码后，混合模型与四进制模型的GC含量和均聚物对比图。

具体实施方式

下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等效变换均落于本申请所附权利要求所限定的范围。

如图1-图6所示，本实施例公开了一种DNA存储加密编码方法。

选择图像作为输入数据，图像见图5。按以下步骤进行操作：

编码过程：

1)输入原始数据(包含所有可转换为二进制的数据)，进行二进制转换，并进行霍夫曼编码压缩，从24种DNA存储四进制模型中随机选择一种，将二进制序列转换为DNA序列。随机选择的模型为A＝“00”，T＝“01”，C＝“10”，G＝“11”。

2)选择密钥文件(任何可转换为二进制的文件)，转换为二进制序列，从24种DNA存储四进制模型中随机选择一种，将二进制序列转换为DNA序列。随机选择的模型为T＝“00”，A＝“01”，G＝“10”，C＝“11”。

3)根据加密方法，随机选择密钥文件任意位置作为起始位置，将密钥文件的碱基与被加密的存储文件一一对应，进行加密。本实施例的加密起始位置为密钥文件的第一个碱基位置。

加密方法具体如下：

加密序列的密码子为碱基A时，按如下规则生成加密序列：

A+A＝A，

A+T＝T，

A+C＝C，

A+G＝G，

类似的，密码子为碱基T，C，G时也均有24种加密方式，整个加密方法共有24⁴＝331776种加密方式。统计所有加密方式下加密序列的GC含量，p_i(G+C)，i＝1,…,331776。令x＝min{|p_i(G+C)-50％|}，x取得最小值时的i为所选加密方式。本实施例的加密方法如下：

A+A＝G，T+A＝T，C+A＝T，G+A＝G

A+T＝A，T+T＝C，C+T＝C，G+T＝C

A+C＝C，T+C＝G，C+C＝A，G+C＝T

A+G＝T，T+G＝A，C+G＝G，G+G＝A

其中，等式左侧第一列为密码子A，第二列为四种可能的被加密碱基。

4)将加密后的存储序列划分为等长若干列，每列列首添加地址码。每列包含100个碱基，列首添加9位地址码(1个碱基的文件码和8个碱基的编号码)。文件码编为“01”、编号码编为“00000000”至“10110100101”。

6)将得到的所有序列按文件码和编号码排序，每123行组成一个123行*127列的矩阵，其中123行表示123条已完成编码的连续编号DNA序列，127列表示DNA序列的127个碱基。然后，从存储位置(第10列)开始，逐行进行RS编码纠错，纠错码长度为18个碱基，生成127*127的矩阵，即每123行DNA序列后，添加4行纠错序列。纠错序列前9列添加独立索引，按步骤1)选择的DNA存储四进制模型编码。

7)输入数据编码完成后的DNA序列共1493条，每条含127碱基，利用单链寡核苷酸池进行合成，合成完毕后进行NGS测序，得到合成的1493条序列的所有碱基排列顺序。

8)解码过程为编码的反向过程，将测序得到的DNA序列按文件码和编号码排序，纠错序列按顺序插入其中，重新构建127*127矩阵，首先进行RS编码的行解码，根据4行纠错序列逐行对错误碱基进行纠正；然后对123行DNA序列，每一行进行RS解码。

9)按照地址码拼接，然后删除地址码和纠错码。

10)根据加密方法和密钥序列，对存储序列进行解密。

11)对解密后的文件进行霍夫曼解码，得到初始二进制序列，并重新生成输入文件。

12)重新解码后得到的二进制序列可以无错还原为初始输入的原始图像。

图6为编码完成后，加密模型与四进制模型的GC含量和均聚物对比图。根据图示，四进制模型的GC含量均高于50％，且大部集中于70％以上，而加密模型下，所有DNA序列的GC含量均控制在30％-70％之间，符合DNA合成要求，有效降低合成难度。另外，四进制模型下的均聚物含量大部分在10-50之间，部分甚至大于80，而加密模型下的均聚物含量均为0，显著低于四进制模型下的均聚物数目。

本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段，还包括由以上技术特征任意组合所组成的技术方案。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims

1.本发明公开了一种DNA存储加密编码方法，其特征在于：所述方法包括如下步骤：

1）输入原始数据；，进行二进制转换，并进行霍夫曼编码压缩，从24种DNA存储四进制模型中随机选择一种，将二进制序列转换为DNA序列；

2）选择密钥文件，，转换为二进制序列，从24种DNA存储四进制模型中随机选择一种，将二进制序列转换为DNA序列；

3）根据加密方法，随机选择密钥文件任意位置作为起始位置，将密钥文件的碱基与被加密的存储文件一一对应，进行加密；

4）将加密后的存储序列划分为等长若干列，每列列首添加地址码；

5）采用RS编码对每一列RS编码纠错；

6）将所有序列按文件码和编号码排序，利用RS编码对每123列添加4列纠错序列；

7）解码过程为编码的反向过程，首先根据4列纠错序列对123列DNA序列进行纠错，然后对每一列进行纠错；

8）按照地址码拼接，然后删除地址码和纠错码；

9）根据加密方法和密钥序列，对存储序列进行解密；

10）对解密后的文件进行霍夫曼解码，得到初始二进制序列，并重新生成输入文件。

2.基于权利要求1所述的DNA存储加密编码方法，其特征在于，原始数据为任何可以转换为二进制的数据。

3.基于权利要求1所述的DNA存储加密编码方法，其特征在于，所述密钥文件可为任何可以转换为二进制的文件。

4.基于权利要求1所述的DNA存储加密编码方法，其特征在于，用于存储序列和加密序列转换的DNA存储四进制模型均为随机选择，共有24²=576种组合。

5.基于权利要求1所述的DNA存储加密编码方法，其特征在于，步骤3）根据加密方法对存储文件进行加密；

加密方法具体如下：

加密序列的密码子为碱基A时，按如下规则生成加密序列：

A+A=A，

A+T=T，

A+C=C，

A+G=G，

其中，等式左侧第一列为密码子A，第二列为四种可能的被加密碱基；等式右侧为加密后的碱基，共有24种可能的排列组合；在密码子为碱基A时，有24种加密方式；密码子为碱基T，C，G时也均有24种加密方式，整个加密方法共有24⁴=331776种加密方式；

统计所有加密方式下加密序列的GC含量，p_i(G+C)，i=1,…,331776；

令x=min{| p_i(G+C)-50%|}，x取得最小值时的i为所选加密方式。

6.基于权利要求1所述的DNA存储加密编码方法，其特征在于，确定加密方式后，随机选择密钥文件任意位置作为加密开始位置，将密钥文件的碱基与被加密的存储文件碱基一一对应，进行加密；根据密钥文件长度分为以下两种：

1）密钥文件长度大于被加密存储序列长度，将密钥文件的碱基与被加密的存储文件碱基一一对应，进行加密即可；

2）密钥文件长度小于被加密存储序列长度，将密钥文件的碱基与被加密的存储文件碱基一一对应，当密钥文件结束时，返回密钥文件序列列头，继续进行加密，直至加密结束。