CN111639351A - 基于自编码器和Henon映射的电池溯源管理编码加解密方法 - Google Patents

Abstract

本发明公开了一种基于自编码器和Henon映射的电池溯源管理编码加解密方法，通过将动力电池全生命周期的溯源管理系统中的动力电池回收信息生成QR码图像，制作成为数据集，同时构建编码网络模型和解码网络模型，并对编码网络模型和解码网络模型进行训练，通过编码网络模型得到编码序列，该序列是原始QR码特征的表示，再与Henon映射产生的同样大小的混沌序列做乘法，得到大小为4的加密序列，该加密序列没有任何意义，无法破译，只有同时具有混沌序列密钥和解码网络模型才能将此序列回复为原始QR码。该算法具有密钥空间大，有效抵御统计攻击和密钥攻击的优点，能够满足电池全生命周期的溯源管理系统场合下对QR码安全性的要求。

Description

基于自编码器和Henon映射的电池溯源管理编码加解密方法

技术领域

本发明属于编码技术领域，特别涉及一种基于自编码器和Henon映射的电池溯源管理编码加解密方法。

背景技术

近年来，我国电动汽车保有量快速攀升，按照动力电池使用寿命3-5年计算，预计2020年动力电池退役规模将突破10GWh大关。退役动力电池虽然无法满足其在电动汽车应用领域的性能要求，但仍可在其它场合发挥其作用。因此需要有动力电池全生命周期的溯源管理系统管理大规模退役动力电池，动力电池全生命周期的溯源管理系统包括动力电池物资计划、动力电池回收、动力电池仓储、动力电池投用监控维护、动力电池监控维护、动力电池处置几个阶段，在动力电池仓储阶段，每块动力电池需要利用具有电池履历信息的二维码标识其身份信息，实现电池使用过程的科学精细化管理。

QR码作为一种信息传递的载体被广泛的传播与应用，由于具有识别速度快、全方位识别、信息容量高等优势，QR码已经在移动支付、仓储物流等领域广泛使用。但是QR码编码方式简单易识别，携带电池回收信息的QR码一旦被截获将造成信息泄露的严重后果，而目前QR码加密方法的难以保证动力电池生命周期回溯时的安全性。本发明通过改进QR码加密方法保护动力电池信息安全。

目前，工程中使用较为普遍的QR码加密技术分为对加密过程复杂化，例如DES加密算法，这种加密算法主要缺点是分组比较短、密钥空间太小、密钥生命周期短、运行速度慢，AES加密算法，这种加密算法是对DES加密的扩展，虽然尚未存在对AES算法的完整版成功攻击，但在理论上以及提出了对其简化算法的攻击。另一种常用的加密技术是对生成的QR码图像复杂化，例如普通置乱算法，通过对打乱QR码图像空间顺序，使图像难以辨认，这种方法的主要缺点是，普通置乱算法大多具有周期性，通过迭代后会还原出原图像，所以单纯使用普通置乱算法难以达到加密的效果，混沌映射加密算法，该算法通过产生非周期不连续的混沌序列或混沌矩阵对图像进行加密，但该方法的缺点是单一混沌系统的短周期响应，现有混沌序列对所生成序列的周期伪随机性、复杂性、互相关性的估计都是建立在统计上，或是通过实验测试给出的，难以保证每个实现序列的周期足够大，复杂性足够高。

发明内容

本发明的目的是保护动力电池在整个电池全生命周期的溯源管理系统中的信息安全，将数据压缩技术与混沌序列加密技术结合，形成一个更加完善和有效的加密方法，从而改善QR码安全性低的问题。

本发明克服了现有技术中的缺点，提供一种基于自编码器和Henon映射的电池溯源管理编码加解密方法。通过分析混沌加密法存在密钥空间小，加密效率低等问题，在原有混沌加密方法上，提出了基于自动编码器，即Auto Encoder和混沌加密联合的QR码加密方法，通过同时训练编码网络和解码网络使QR码的编码解码一一对应，给出一张原始QR码，经过编码网络将得到一个大小为4的编码序列，该序列是原始QR码特征的表示，再与Henon映射产生的同样大小的混沌序列做乘法，得到大小为4的加密序列，该序列没有任何意义，就算被截获也无法破译，只有同时具有混沌序列密钥和解码网络才能将此序列回复为原始QR码，该算法具有密钥空间大，有效抵御统计攻击和密钥攻击的优点，能够满足电池全生命周期的溯源管理系统场合下对QR码安全性的要求。

为了解决上述存在的技术问题，实现发明目的，本发明是通过以下技术方案实现的：

一种基于自编码器和Henon映射的电池溯源管理编码加解密方法，加密过程包括以下步骤：

S1、在动力电池全生命周期的溯源管理系统中，将其仓储阶段质检环节生成的动力电池回收信息按QR码制编码生成QR码图像，并转化成只包含(0，1)的矩阵M；

S2、在仓储阶段扫描入库环节，将n个QR码二值图像制作成为数据集，并构建编码网络模型和解码网络模型，其中，

编码网络模型可表示为：N＝f(wM+b) (2)

其中，M为输入的矩阵，N为输出的编码序列，w为网络权重，b为激活函数，即ReLU函数；

解码网络模型可表示为：T＝f(w′N+b) (3)

其中，T为还原后的图像矩阵，N为编码序列，b为激活函数即ReLU函数，w′为网络权重；

S3、对编码网络模型和解码网络模型进行训练，并将训练后的解码网络模型及权重文件生成密钥key2，存储到数据库中；

S4、将含动力电池回收信息的QR码图像通过训练后的编码网络模型编码，得到大小为4的编码序列N；

S5、确定Henon映射的四个初始参数，生成密钥key1存储到数据库中，使用Henon映射得到一个与编码序列N同样大小的混沌序列R；

S6、将该混沌序列R与编码序列N进行乘法运算得到加密序列P，加密过程结束；

解密过程包括以下步骤：

P1、从数据库中读取密钥key1，输入Henon映射矩阵的四个初始参数，得到混沌序列R；

P2、将加密序列P与混沌序列R进行除法运算，得到编码序列N；

P3、从数据库中读取密钥key2，加载解码网络模型及其权重文件，输入编码序列N,即可得到解密后的二维码图像T，解密过程结束。

优选地，编码网络模型由4层全连接层和3个激活层组成。

优选地，所述全连接层第一层输入为M的全部像素，即84×84＝7056，全连接层最后一层的输出为4，即编码后的序列N。

优选地，所述激活层函数为ReLU函数，表达式为：

其中，x为上一层输入，ReLU(x)为输出。

优选地，解码网络模型结构形状类似于编码网络模型网络结构的镜像，第一层全连接层输入为编码序列大小4，最后一层全连接层输出为解密还原后的图像，大小为84×84的二维矩阵T。

本发明与现有技术相比具有如下有益效果：

本发明的方法首先使用数据压缩技术，将原本的QR码图像压缩成大小为4的编码序列，此序列的概率分布没有特殊规律，难以被预测即使被截获，如果没有对应的解码网络模型，就无法解释该段编码的意义，使暴力破解的难度加大，在此基础上，使用混沌加密技术，产生大小为4的混沌序列对压缩后的编码进一步加密，这一方法可以显著增大密钥空间，增加整个系统的鲁棒性。

附图说明

图1是本发明基于自编码器和Henon映射的电池溯源管理编码加解密方法的加密流程示意图；

图2是本发明的解密流程示意图；

图3是本发明的待加密的QR码图；

图4是本发明的编码网络模型结构图；

图5是本发明的解码网络模型结构图；

图6是本发明的训练20个轮次的还原效果图；

图7是本发明的训练3000个轮次的还原效果图；

图8是本发明的还原后的QR码图；以及

图9是本发明的加解密流程示意图。

具体实施方式

下面结合附图与具体实施方式对本发明做更为详细的说明：

本发明的实例在8.0G内存，64位操作系统，Intel COREi5-8300H，2.3GHz处理器的计算机上进行仿真实验，含动力电池回收信息的QR码选用大小为84×84的标准QR码二值图像。其中，动力电池回收信息具体包括：入库检查人员、电池检测信息、入库日期、库房代码、库房清点、出库信息、使用巡检信息、报废信息、处理方式九个方面的内容。

如图1-9所示，一种基于自编码器和Henon映射的电池溯源管理编码加解密方法，如图1所示，其加密过程包括如下步骤：

第一步、读取含动力电池回收信息的QR码二值图像的像素矩阵M_84×84如图3所示，由灰度图像可知，QR码各个像素灰度值为0或1。

第二步、首先制作数据集，由于自动编码器的原理是无监督学习，所以只需制作训练集，无需制作验证集，本实验采用50张含有动力电池入厂信息的QR码二值图像作为数据集，构建编码网络模型和解码网络模型，其中，编码网络模型结构如图4所示，由4层全连接层和3个激活层组成，全连接层下标含义为[输入特征个数，输出特征个数]，第一层全连接层输入为M的全部像素，即84×84＝7056，最后一层全连接层的输出为4，即编码后的序列N。激活层函数为ReLU函数，如表达式(1)：

其中，x为上一层输入，ReLU(x)为输出。

整个编码网络可以被下式表示，如表达式(2)：

N＝f(wM+b) (2)

其中，M为输入，N为编码序列，w为网络权重，在训练时会进行迭代更新，b为激活函数即ReLU函数。

解码网络模型结构形状类似于编码网络模型网络结构的镜像，如图5所示，第一层全连接层输入为编码序列大小4，最后一层全连接层输出为解密还原后的图像，大小为84×84的二维矩阵T。整个解码网络可以被下式表示，如表达式(3)：

T＝f(w′N+b) (3)

其中，T为还原后的图像矩阵，N为编码序列，b为激活函数即ReLU函数，w′为网络权重，在训练时会进行迭代更新。

网络构建好后进行训练，我们希望解密还原后的图像和原图越接近越好，所以将其损失函数设为，如表达式(4)：

L＝-log P(M|T) (4)

其中，L为损失，M为输入图像，T为解密还原后的图像。

本实验对网络训练了3000个轮次，如图6所示，为训练20个轮次后还原结果图，可以看出网络已经能够还原定位点，但细节十分模糊，如图7所示，为训练3000个轮次后还原结果图，可以看出网络还原出的QR码图已经十分接近原图，但存在一些噪点，不过这并不影响扫描结果，保存编码网络模型和解码网络模型，并将解码网络的模型和训练后的权重文件作为密钥2保存到数据库中。

第三步、在图像M通过编码网络模型后得到序列N，这时根据Henon映射表达式生成一维混沌序列，如表达式(5)：

其中，Henon映射的状态由x₀,y₀,a,b四个参数确定，本实验中四个参数的初值选为x₀＝0,y₀＝0,a＝0.3,b＝0.314，在0＜a＜1.4，0.2＜b≤0.314时，该系统进入混沌状态，生成的序列难以预测。

将四个参数值作为密钥1保存到数据库中。此时生成的大小为4的一维混沌序列为R，将混沌序列R与编码序列N做乘法运算，如表达式(6)：

P＝R×N (6)

其中，P为加密序列，R为混沌序列，N为编码序列，加密过程结束。

一种基于自编码器和Henon映射的电池溯源管理编码加解密方法，如图2所示，其解密过程包括如下步骤：

第一步、输入Henon映射矩阵的四个初始参数，即密钥1，得到混沌序列R，然后使加密序列P与混沌序列R做除法运算得到编码序列N，如表达式(7)：

N＝P÷R (7)

其中，N为编码序列，P为加密序列，R为混沌序列。

第二步、加载解码网络模型及其权重文件，即密钥2，输入编码序列N,即可得到解密后的二维码图像T，如图8所示。可以看出解密后的图像还存在一些噪音，但扫描结果与原二维码图像完全一致，解密过程结束。

下面对加密结果进行验证：

本发明可以通过信息熵来分析加密结果是否可靠，信息熵是消除不确定性所需信息量的度量，也即未知事件可能含有的信息量。灰度图像的信息熵越大，说明信息越混乱，加密效果越好。信息熵表达式如表达式(8)所示：

其中，x为随机变量，P(x_i)表示随机变量x为x_i的概率。分析结果见表1。

表1原QR码与加密后QR码相邻像素相关性

图像	原QR码	加密序列
			信息熵	0.8839	0.9923

由实验结果可以看出，加密序列的信息熵大于原QR码的信息熵，说明加密序列的内容更加混乱，更加难以识别，加密效果良好。

本发明利用基于自动编码器的数据压缩方法将含动力电池回收信息的QR码编码成大小为4的编码序列，然后通过Henon映射产生一维混沌序列对编码序列进行二次加密。通过信息熵评价算法证明本发明的加密效果良好，在动力电池全生命周期的溯源管理系统下能够有效的预防信息泄露等问题的发生。

以上所述的实施例仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (5)

1.一种基于自编码器和Henon映射的电池溯源管理编码加解密方法，其特征在于,

加密过程包括以下步骤：

S1、在动力电池全生命周期的溯源管理系统中，将其仓储阶段质检环节生成的动力电池回收信息按QR码制编码生成QR码图像，并转化成只包含(0，1)的矩阵M；

S2、在仓储阶段扫描入库环节，将n个QR码二值图像制作成为数据集，并构建编码网络模型和解码网络模型，其中，

编码网络模型可表示为：N＝f(wM+b) (2)

其中，M为输入的矩阵，N为输出的编码序列，w为网络权重，b为激活函数，即ReLU函数；

解码网络模型可表示为：T＝f(w′N+b) (3)

其中，T为还原后的图像矩阵，N为编码序列，b为激活函数即ReLU函数，w′为网络权重；

S3、对编码网络模型和解码网络模型进行训练，并将训练后的解码网络模型及权重文件生成密钥key2，存储到数据库中；

S4、将含动力电池回收信息的QR码图像的矩阵通过训练后的编码网络模型编码，得到大小为4的编码序列N；

S5、确定Henon映射的四个初始参数，生成密钥key1存储到数据库中，使用Henon映射得到一个与编码序列N同样大小的混沌序列R；

S6、将该混沌序列R与编码序列N进行乘法运算得到加密序列P，加密过程结束；

解密过程包括以下步骤：

P1、从数据库中读取密钥key1，输入Henon映射矩阵的四个初始参数，得到混沌序列R；

P2、将加密序列P与混沌序列R进行除法运算，得到编码序列N；

P3、从数据库中读取密钥key2，加载解码网络模型及其权重文件，输入编码序列N,即可得到解密后的二维码图像，解密过程结束。

2.根据权利要求1所述的基于自编码器和Henon映射的电池溯源管理编码加解密方法，其特征在于,编码网络模型由4层全连接层和3个激活层组成。

3.根据权利要求2所述的基于自编码器和Henon映射的电池溯源管理编码加解密方法，其特征在于,所述全连接层第一层输入为M的全部像素，即84×84＝7056，全连接层最后一层的输出为4，即编码后的序列N。

4.根据权利要求2所述的基于自编码器和Henon映射的电池溯源管理编码加解密方法，其特征在于,所述激活层函数为ReLU函数，表达式为：

其中，x为上一层输入，Re LU(x)为输出。

5.根据权利要求1所述的基于自编码器和Henon映射的电池溯源管理编码加解密方法，其特征在于,解码网络模型结构形状类似于编码网络模型网络结构的镜像，第一层全连接层输入为编码序列大小4，最后一层全连接层输出为解密还原后的图像，大小为84×84的二维矩阵T。

Images