CN111654368A - 一种基于深度学习生成对抗网络的密钥生成方法 - Google Patents
一种基于深度学习生成对抗网络的密钥生成方法 Download PDFInfo
- Publication number
- CN111654368A CN111654368A CN202010495938.0A CN202010495938A CN111654368A CN 111654368 A CN111654368 A CN 111654368A CN 202010495938 A CN202010495938 A CN 202010495938A CN 111654368 A CN111654368 A CN 111654368A
- Authority
- CN
- China
- Prior art keywords
- network
- key
- representing
- key generation
- convolution
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
- H04L9/08—Key distribution or management, e.g. generation, sharing or updating, of cryptographic keys or passwords
- H04L9/0861—Generation of secret information including derivation or calculation of cryptographic keys or passwords
- H04L9/0863—Generation of secret information including derivation or calculation of cryptographic keys or passwords involving passwords or one-time passwords
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
- H04L9/08—Key distribution or management, e.g. generation, sharing or updating, of cryptographic keys or passwords
- H04L9/0861—Generation of secret information including derivation or calculation of cryptographic keys or passwords
- H04L9/0869—Generation of secret information including derivation or calculation of cryptographic keys or passwords involving random numbers or seeds
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0418—Architecture, e.g. interconnection topology using chaos or fractal principles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
- H04L9/06—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols the encryption apparatus using shift registers or memories for block-wise or stream coding, e.g. DES systems or RC4; Hash functions; Pseudorandom sequence generators
- H04L9/065—Encryption by serially and continuously modifying data stream elements, e.g. stream cipher systems, RC4, SEAL or A5/3
- H04L9/0656—Pseudorandom key sequence combined element-for-element with data sequence, e.g. one-time-pad [OTP] or Vernam's cipher
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
- H04L9/08—Key distribution or management, e.g. generation, sharing or updating, of cryptographic keys or passwords
- H04L9/0891—Revocation or update of secret information, e.g. encryption key update or rekeying
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Security & Cryptography (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Epidemiology (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于深度学习生成对抗网络的密钥生成方法,首先,准备训练集图像;构建密钥生成网络:根据生成器网络以及判别器网络构建密钥生成网络,并将所述训练集图像输入至所述密钥生成网络;训练密钥生成网络:利用深度学习方法训练所述密钥生成网络,生成密钥。采用本发明生成的密钥具有较大的密钥空间,伪随机性,一次一密和对初值敏感的特性。本申请是尝试在密钥生成领域采用深度学习方法的最早研究之一,并且使用生成的密钥对明文医学图像进行加密可以带来较高的安全性。
Description
技术领域
本发明属于通信技术领域,尤其涉及一种基于深度学习生成对抗网络的密钥生成方法。
背景技术
根据对明文加密方式的不同,密码体制可分为分组密码和流密码。传统分组密钥加密方法,如数据加密标准(DES),国际数据加密算法(IDEA)和高级加密标准(AES)等已被广泛应用于图像加密。与分组密码相比,流密码的优点是安全程度高、加解密速度快、错误扩展小、利于同步、实现成本低。对流密码而言,其核心问题是流密码生成器的设计,流密码的强度完全依赖于流密码生成器所生成序列的随机性和不可预测性。目前,能生成具有良好特性的密钥流序列的流密码生成器的常见结构有:线性反馈移位寄存器(LinearFeedback Shift Register,LFSR)、非线性移位寄存器(NLFSR)、有限自动机、线性同余发生器以及混沌系统。其中,混沌系统拥有伪随机性、遍历性、周期性以及对于初始条件和控制系数极高的敏感性等显著特点,这些特性使得许多研究者纷纷运用混沌系统生成密钥序列进行图像加密。在这些方法中,所有密钥生成器都是手动设计的。为了获得良好的加密性能,手动设计过程是困难且耗时的工作,这不仅需要专业的信息安全知识,而且还需要数学理论的先验知识。另外,在设计密钥生成器时,我们首先确定要实现哪种加密性能,然后对密钥生成器进行独立设计和评估,以查看其是否达到加密目的。这实际上是一个反复无常的过程,而不是解决问题的直接过程。此外,如果我们知道通过采用密钥可以实现的加密性能,则应该通过学习预期的加密性能,以自动的方式反向设计和生成密钥生成器。
深度学习是目前机器学习学科发展最蓬勃的分支,也是整个人工智能领域应用前景最为广阔的技术。卷积神经网络作为深度学习中极具代表性质的网络结构,已被广泛应用于解决计算机视觉任务,图像到图像的翻译是一类视觉和图形任务,其目标是学习两个图像域之间的映射关系,目前,基于生成对抗网络(Generative Adversarial Network,GAN)的方法能够更高效地在缺失配对数据的条件下实现图像到图像的翻译。通常,深度学习模型的参数量可以达到上百万,且在训练深度学习模型时,会对所有权重参数进行随机初始化,并会采用一些训练策略,如正则化、Dropout、异步随机下降、扩增梯度噪声,这让深度学习模型的参数具有极高的随机性。由此,我们得到了灵感,是否深度学习模型可以作为一个密钥生成系统并生成混沌序列,同时,域转移的生成对抗网络引起了我们的注意,它能学习两个图像域的映射,使源域的图像转换成目标域的图像。如果将目标域设置为期望的密钥类型,那么是否可以通过生成对抗网络生成一个密钥序列,且这个密钥序列是含有期望的密钥类型的特性的。
发明内容
针对现有技术中的上述不足,本发明提供的一种基于深度学习生成对抗网络的密钥生成方法,本发明生成的密钥具有较大的密钥空间,伪随机性,一次一密和对初值敏感的特性,是尝试在密钥生成领域采用深度学习方法的最早研究之一,并且使用生成的密钥对明文医学图像进行加密可以带来较高的安全性。
为了达到以上目的,本发明采用的技术方案为:
本方案提供一种基于深度学习生成对抗网络的密钥生成方法,包括以下步骤:
S1、准备训练集图像;
S2、构建密钥生成网络:根据生成器网络以及判别器网络构建密钥生成网络,并将所述训练集图像输入至所述密钥生成网络;
S3、训练密钥生成网络:利用深度学习方法训练所述密钥生成网络,生成密钥。
本发明的有益效果是:本发明将目标域设置为期望的密钥类型,并通过生成对抗网络生成一个密钥序列,且这个密钥序列是含有期望的密钥类型的特性的。采用本发明生成的密钥具有较大的密钥空间,伪随机性,一次一密和对初值敏感的特性,且使用该密钥加密后的图像具有较高的安全性。
进一步地,所述生成器网络包括依次连接的下采样层单元、残差模块层单元、转置卷积层单元和卷积层;
所述下采样层单元包括三个下采样层,且所述三个下采样层的卷积核尺寸分别是7x7,3x3和3x3,卷积核数量分别是64,128和256,卷积步幅分别是1,2和2;
所述残差模块层单元包括六个残差模块层,且所述六个残差模块层的结构均相同;
所述转置卷积层单元包括两个转置卷积层,且所述两个转置卷积层的卷积核尺寸分别是3x3和3x3,卷积核数量分别是128和64,转置卷积步幅分别是2和2;
所述卷积层的卷积核尺寸是7x7,卷积核数量是3,卷积步幅是1。
上述进一步方案的有益效果是:本发明中生成器网络用于将输入的源域图像转换为目标域图像的样式,输出的结果即为含有目标域属性的密钥,从而实现密钥生成。
再进一步地,所述生成器网络的损失函数表达式为:
LG=minG(Ex~pdata(x)log(1-D(G(x))
其中,LG表示生成器网络的损失函数,G表示生成器网络,D表示判别器网络,G(·)表示生成器网络的输出结果,x表示输入的源域的训练集图像,Ex~pdata(x)表示源域训练集的分布。
上述进一步方案的有益效果是:生成器网络生成密钥,判别器网络用于判断生成的密钥是否属于目标域,从而实现生成的密钥越来越接近目标域的分布。
再进一步地,所述判别器网络包括第一卷积层、第二卷积层、第三卷积层、第四卷积层和第五卷积层;
所述第一卷积层、第二卷积层、第三卷积层和第四卷积层的卷积核尺寸均为4x4,卷积核数量分别为64,128,256和512,卷积步幅均为2;
所述第五卷积层的卷积核尺寸为4x4,卷积核数量为1,卷积步幅为1。
上述进一步方案的有益效果是:构建判别器网络,对输入图像进行特征提取,输出分类结果,实现判别功能。
再进一步地,所述判别器网络的损失函数表达式如下:
其中,LD表示判别器网络的损失函数,Ey~pdata(y)表示目标域训练集的分布,D(y)表示判别器网络对y的分类结果,y表示输入的目标域的训练集图像,D表示判别器网络,G(·)表示生成器网络的输出结果,x表示输入的源域的训练集图像,Ex~pdata(x)表示源域训练集的分布。
上述进一步方案的有益效果是:通过判别器网络的损失函数实现判别器网络的分类判别功能,从而使生成的密钥越来越接近目标域的分布。
再进一步地,所述步骤S2中密钥生成网络的损失函数表达式如下:
L=LG+LD
其中,L表示密钥生成网络的损失函数,LD表示判别器网络的损失函数,LG表示生成器网络的损失函数。
上述进一步方案的有益效果是:LD和LG形成对抗,使生成的密钥越来越接近目标域。
再进一步地,所述步骤S3包括以下步骤:
S301、随机初始化密钥生成网络中每个卷积层的参数;
S302、利用梯度下降法更新密钥生成网络的参数,得到更新后的密钥生成网络,并根据更新后的密钥生成网络生成密钥。
上述进一步方案的有益效果是:更新密钥生成网络参数,从而更新生成的密钥。
再进一步地,所述步骤S301中随机初始化密钥生成网络中每个卷积层的参数Wn的表达式如下:
Wn=random[wn,1,wn,2,...,wn,i]
其中,wn,i表示密钥生成网络的第n卷积层的第i个参数。
上述进一步方案的有益效果是:初始化网络,为开始训练做准备。
再进一步地,所述步骤S302利用梯度下降法更新初始化后的密钥生成网络参数的表达式如下:
上述进一步方案的有益效果是:更新密钥生成网络参数,从而更新生成的密钥。
再进一步地,所述步骤S302中生成密钥的表达式如下:
KEY=G(W;x)
其中,G(·)表示生成器网络的输出结果,W中包含有密钥生成器网络的全部参数,x表示输入的源域的训练集图像,KEY表示密钥生成器生成的密钥。
上述进一步方案的有益效果是:本发明生成的密钥具有较大的密钥空间,伪随机性,一次一密和高灵敏度的特性。
附图说明
图1为本发明的方法流程图。
图2为本发明中密钥生成网络的整体架构图。
图3为本发明中密钥生成网络的生成器结构图。
图4为本发明中密钥生成网络的判别器结构图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
如今深度学习算法已被广泛用于安全领域,但利用深度学习算法实现密钥生成的研究仍是少数。本申请利用深度学习的当前研究热点——生成对抗网络实现密钥生成。通过借鉴深度学习中图像到图像的翻译的思想,并结合密钥生成方法,我们提出了基于深度学习生成对抗网络的密钥生成网络,密钥生成网络中有两个域:源域和目标域。源域表示输入图像,该输入图像被用作“初始种子”以生成私钥目标域表示要实现的加密性能,并指导学习网络实现私钥生成过程。训练密钥生成网络时,生成器会将输入图像从源域传输到目标域,生成器的输出被视为密钥,判别器用于区分由生成器生成的密钥和来自目标域的数据。采用本发明生成的密钥具有较大的密钥空间,伪随机性,一次一密和高灵敏度的特性。据我们所知,这项工作是尝试在密钥生成领域采用深度学习方法的最早研究之一;并且使用生成的密钥对明文医学图像进行加密可以带来较高的安全性。具体而言,我们使用生成对抗网络作为我们的密钥生成系统,网络的源域可以是任意图像,网络的目标域是期望的密钥类型,这里称它为目标域,比如混沌图像。训练好的密钥生成网络将可以输出学习到了源域到目标域的映射关系的具有期望的密钥类型的特性的图像,即密钥。如图1所示,一种基于深度学习生成对抗网络的密钥生成方法,其实现方法如下:
S1、准备训练集图像;
本实施例中,源域数据来自Montgomery County X-ray数据集中选取的138张胸腔图片,目标密钥域数据是138张混沌图像,训练图片的分辨率均设置为256x256。
S2、构建密钥生成网络:根据生成器网络以及判别器网络构建密钥生成网络,并将所述训练集图像输入至所述密钥生成网络;
本实施例中,密钥生成网络由一个生成器G和一个判别器D组成,如图2所示。生成器网络G从源域数据开始生成密钥并将它们传递给判别器;判别器网络D用来判别数据是来自真实目标域的数据还是生成器生成的伪造数据。源域数据可以是任意一类图像;目标域是期望生成的密钥类型,比如混沌图像。经过训练的网络,将学习到源域图像到混沌图像的映射,生成具有目标域属性的密钥。我们使用损失函数来训练密钥生成网络,总损失函数L描述如下:
L=LG+LD
其中,L表示密钥生成网络的损失函数,LD表示判别器网络的损失函数,LG表示生成器网络的损失函数。
生成器网络G主要是用于将输入的源域数据集的图像转换为目标域图像的样式,输出的结果即为含有目标域属性的密钥,如图3所示。生成器网络G由三个下采样层,六个残差模块层,两个转置卷积层和一个普通卷积层构成。输入的图像首先经过三个下采样层,卷积核尺寸分别是7x7,3x3和3x3,卷积核数量分别是64,128,256,对应的卷积步幅分别是1,2,2。这个阶段的作用是提取图像特征,为后续的转换做准备,然后有六个相同的残差模块,以构造内容和多样化的特征,接着,图像的特征向量经过两个转置卷积层,卷积核尺寸分别是3x3和3x3,卷积核数量分别是128,64,对应的转置卷积步幅分别是2,2,以还原成低级特征,最后低级特征再由一个卷积核尺寸是7x7,卷积核数量是3,卷积步幅是1的普通卷积层转换成图像。每一个卷积层之后都使用实例正则化来代替批量正则化,以实现单幅图像的归一化操作,从而在加快模型收敛及防止梯度爆炸的基础上提高生成图像的质量。生成器网络G的损失函数是:
LG=minG(Ex~pdata(x)log(1-D(G(x))
其中,LG表示生成器网络的损失函数,G表示生成器网络,D表示判别器网络,G(·)表示生成器网络的输出结果,x表示输入的源域的训练集图像,Ex~pdata(x)表示源域训练集的分布。损失函数可以被理解为生成器生成的密钥最大程度地“误导”判别器的输出结果,让判别器认为生成器生成的密钥来自目标域。
判别器网络D主要是用于判断生成器网络的输出图像是否属于目标域,如图4所示,判别器网络是由5个卷积层构成的全卷积网络,图像经由4层卷积核尺寸是4x4,卷积核数量分别是64,128,256,512,卷积步幅是2的卷积层提取特征,然后经最后一层卷积核尺寸是4x4,卷积核数量是1,卷积步幅是1的卷积层产生一个一维的输出,以实现判断功能。除最后一层外,也均采用实例正则化来实现归一化。判别器网络D的损失函数是:
其中,LD表示判别器网络的损失函数,Ey~pdata(y)表示目标域训练集的分布,D(y)表示判别器网络对y的分类结果,y表示输入的目标域的训练集图像,D表示判别器网络,G(·)表示生成器网络的输出结果,x表示输入的源域的训练集图像。
生成对抗网络将判别器网络的损失函数和生成器网络的损失函数组合在一起,形成对抗性。当两个网络达到平衡状态时,判别器网络D对生成器网络G生成的密钥和混沌图像的正确分类应该接近50%。也就是我们生成的密钥与混沌图像非常相似,以至于判别器网络D无法区分它们。
S3、训练密钥生成网络:利用深度学习方法训练所述密钥生成网络,生成密钥。
本实施例中,由于密钥生成网络是一种基于深度学习的方法,所以本申请中的密钥生成是一个深度学习网络训练的过程。首先,随机初始化密钥生成网络每个卷积层的参数:
Wn=random[wn,1,wn,2,...,wn,i]
其中,wn,i表示密钥生成网络的第n卷积层的第i个参数。因此,密钥生成网络的全部参数W实际就是由每个卷积层的所有参数组成的,其定义如下:
W=consist[W1,W2,...,Wn]
由于本申请的密钥生成网络由密钥生成器和密钥判别器构成,其中,密钥生成器用于生成密钥,密钥生成可以如下表示:
KEY=G(W;x)
其中,G(·)表示密钥生成器卷积神经网络,W中包含有密钥生成器网络的全部参数,x表示输入的训练集图像,KEY表示密钥生成器生成的密钥。
训练的目标就是让密钥生成网络生成的密钥接近目标域的分布,在训练开始时,训练集图像将转换成特征向量通过网络,这是一个前向传播的过程,这过程将会生成密钥,我们利用生成的密钥来计算总损失L,以测量当前生成的密钥和目标域的差距,从而指导网络的训练。除了前向传播外,还采用了反向传播算法将总损失传递回每个卷积层,这实际上是一种梯度下降方法。梯度下降可描述为:
梯度下降进一步更新和完善了网络的参数,即不断更新并生成密钥,以使其更接近于目标域,在损失稳定后,将生成符合接近目标域的分布的密钥。
本实施例中,密钥生成网络提供了加解密算法需要使用的密钥,而在加解密算法的选择上,我们选择了按位异或作为本文实验的加解密方法,异或加解密算法简单易于实现,且加解密速度快。同时证明了,即使使用最简单的异或加密,我们的密钥也能给明文带来较高的安全性。
Claims (10)
1.一种基于深度学习生成对抗网络的密钥生成方法,其特征在于,包括以下步骤:
S1、准备训练集图像;
S2、构建密钥生成网络:根据生成器网络以及判别器网络构建密钥生成网络,并将所述训练集图像输入至所述密钥生成网络;
S3、训练密钥生成网络:利用深度学习方法训练所述密钥生成网络,生成密钥。
2.根据权利要求1所述的基于深度学习生成对抗网络的密钥生成方法,其特征在于,所述生成器网络包括依次连接的下采样层单元、残差模块层单元、转置卷积层单元和卷积层;
所述下采样层单元包括三个下采样层,且所述三个下采样层的卷积核尺寸分别是7x7,3x3和3x3,卷积核数量分别是64,128和256,卷积步幅分别是1,2和2;
所述残差模块层单元包括六个残差模块层,且所述六个残差模块层的结构均相同;
所述转置卷积层单元包括两个转置卷积层,且所述两个转置卷积层的卷积核尺寸分别是3x3和3x3,卷积核数量分别是128和64,转置卷积步幅分别是2和2;
所述卷积层的卷积核尺寸是7x7,卷积核数量是3,卷积步幅是1。
3.根据权利要求2所述的基于深度学习生成对抗网络的密钥生成方法,其特征在于,所述生成器网络的损失函数表达式为:
LG=minG(Ex~pdata(x)log(1-D(G(x))
其中,LG表示生成器网络的损失函数,G表示生成器网络,D表示判别器网络,G(·)表示生成器网络的输出结果,x表示输入的源域的训练集图像,Ex~pdata(x)表示源域训练集的分布。
4.根据权利要求1所述的基于深度学习生成对抗网络的密钥生成方法,其特征在于,所述判别器网络包括第一卷积层、第二卷积层、第三卷积层、第四卷积层和第五卷积层;
所述第一卷积层、第二卷积层、第三卷积层和第四卷积层的卷积核尺寸均为4x4,卷积核数量分别为64,128,256和512,卷积步幅均为2;
所述第五卷积层的卷积核尺寸为4x4,卷积核数量为1,卷积步幅为1。
6.根据权利要求1所述的基于深度学习生成对抗网络的密钥生成方法,其特征在于,所述步骤S2中密钥生成网络的损失函数表达式如下:
L=LG+LD
其中,L表示密钥生成网络的损失函数,LD表示判别器网络的损失函数,LG表示生成器网络的损失函数。
7.根据权利要求1所述的基于深度学习生成对抗网络的密钥生成方法,其特征在于,所述步骤S3包括以下步骤:
S301、随机初始化密钥生成网络中每个卷积层的参数;
S302、利用梯度下降法更新密钥生成网络的参数,得到更新后的密钥生成网络,并根据更新后的密钥生成网络生成密钥。
8.根据权利要求7所述的基于深度学习生成对抗网络的密钥生成方法,其特征在于,所述步骤S301中随机初始化密钥生成网络中每个卷积层的参数Wn的表达式如下:
Wn=random[wn,1,wn,2,...,wn,i]
其中,wn,i表示密钥生成网络的第n卷积层的第i个参数。
10.根据权利要求7所述的基于深度学习生成对抗网络的密钥生成方法,其特征在于,所述步骤S302中生成密钥的表达式如下:
KEY=G(W;x)
其中,G(·)表示生成器网络的输出结果,W中包含有密钥生成器网络的全部参数,x表示输入的源域的训练集图像,KEY表示密钥生成器生成的密钥。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010495938.0A CN111654368B (zh) | 2020-06-03 | 2020-06-03 | 一种基于深度学习生成对抗网络的密钥生成方法 |
US17/336,339 US12028451B2 (en) | 2020-06-03 | 2021-06-02 | Key generation method using a key generation network constructed according to a generator network and a discriminator network |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010495938.0A CN111654368B (zh) | 2020-06-03 | 2020-06-03 | 一种基于深度学习生成对抗网络的密钥生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111654368A true CN111654368A (zh) | 2020-09-11 |
CN111654368B CN111654368B (zh) | 2021-10-08 |
Family
ID=72348902
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010495938.0A Active CN111654368B (zh) | 2020-06-03 | 2020-06-03 | 一种基于深度学习生成对抗网络的密钥生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111654368B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112019354A (zh) * | 2020-11-02 | 2020-12-01 | 之江实验室 | 一种基于生成式对抗网络的口令遍历装置及方法 |
CN113037482A (zh) * | 2021-04-13 | 2021-06-25 | 山东新一代信息产业技术研究院有限公司 | 一种基于rnn的模型压缩加密方法 |
CN113572913A (zh) * | 2021-01-18 | 2021-10-29 | 腾讯科技(深圳)有限公司 | 图像加密方法、装置、介质及电子设备 |
CN113900860A (zh) * | 2021-10-27 | 2022-01-07 | 重庆邮电大学 | 基于cgan的无线传感器网络故障节点的数据恢复方法 |
CN113992810A (zh) * | 2021-10-21 | 2022-01-28 | 浙江工商大学 | 一种基于深度学习的敏捷图像加密方法 |
CN115357218A (zh) * | 2022-08-02 | 2022-11-18 | 北京航空航天大学 | 一种基于混沌预测对抗学习的高熵随机数生成方法 |
CN116032636A (zh) * | 2023-01-06 | 2023-04-28 | 南京通力峰达软件科技有限公司 | 一种基于神经网络的车联网数据加密方法及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107330395A (zh) * | 2017-06-27 | 2017-11-07 | 中国矿业大学 | 一种基于卷积神经网络的虹膜图像加密方法 |
CN108365951A (zh) * | 2018-01-19 | 2018-08-03 | 中国人民解放军陆军工程大学 | 一种基于神经网络的高一致性物理密钥生成方法 |
CN108923922A (zh) * | 2018-07-26 | 2018-11-30 | 北京工商大学 | 一种基于生成对抗网络的文本隐写方法 |
CN109413068A (zh) * | 2018-10-29 | 2019-03-01 | 浙江工业大学 | 一种基于对偶gan的无线信号加密方法 |
WO2019074667A1 (en) * | 2017-10-13 | 2019-04-18 | Microsoft Technology Licensing, Llc | USE OF A GENERATIVE ANTAGONIST NETWORK FOR CORRESPONDENCE OF KEYWORDS OF A REQUEST |
CN110210486A (zh) * | 2019-05-15 | 2019-09-06 | 西安电子科技大学 | 一种基于素描标注信息的生成对抗迁移学习方法 |
US20190334716A1 (en) * | 2018-04-27 | 2019-10-31 | The University Of Akron | Blockchain-empowered crowdsourced computing system |
US10587776B2 (en) * | 2017-07-24 | 2020-03-10 | Samsung Electronics Co., Ltd. | Electronic device and method for controlling the electronic device |
CN110945505A (zh) * | 2017-07-24 | 2020-03-31 | 三星电子株式会社 | 电子设备和控制电子设备的方法 |
US20200160985A1 (en) * | 2018-11-20 | 2020-05-21 | Symplast Acquisition Inc. | Patient-Centric Eco-System with Automated Workflow and Facility Manager for Improved Delivery of Medical Services |
-
2020
- 2020-06-03 CN CN202010495938.0A patent/CN111654368B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107330395A (zh) * | 2017-06-27 | 2017-11-07 | 中国矿业大学 | 一种基于卷积神经网络的虹膜图像加密方法 |
US10587776B2 (en) * | 2017-07-24 | 2020-03-10 | Samsung Electronics Co., Ltd. | Electronic device and method for controlling the electronic device |
CN110945505A (zh) * | 2017-07-24 | 2020-03-31 | 三星电子株式会社 | 电子设备和控制电子设备的方法 |
WO2019074667A1 (en) * | 2017-10-13 | 2019-04-18 | Microsoft Technology Licensing, Llc | USE OF A GENERATIVE ANTAGONIST NETWORK FOR CORRESPONDENCE OF KEYWORDS OF A REQUEST |
CN108365951A (zh) * | 2018-01-19 | 2018-08-03 | 中国人民解放军陆军工程大学 | 一种基于神经网络的高一致性物理密钥生成方法 |
US20190334716A1 (en) * | 2018-04-27 | 2019-10-31 | The University Of Akron | Blockchain-empowered crowdsourced computing system |
CN108923922A (zh) * | 2018-07-26 | 2018-11-30 | 北京工商大学 | 一种基于生成对抗网络的文本隐写方法 |
CN109413068A (zh) * | 2018-10-29 | 2019-03-01 | 浙江工业大学 | 一种基于对偶gan的无线信号加密方法 |
US20200160985A1 (en) * | 2018-11-20 | 2020-05-21 | Symplast Acquisition Inc. | Patient-Centric Eco-System with Automated Workflow and Facility Manager for Improved Delivery of Medical Services |
CN110210486A (zh) * | 2019-05-15 | 2019-09-06 | 西安电子科技大学 | 一种基于素描标注信息的生成对抗迁移学习方法 |
Non-Patent Citations (2)
Title |
---|
FENG GU ET AL: ""SAR Image Super-Resolution Based on Noise-Free Generative Adversarial Network"", 《IGARSS 2019 - 2019 IEEE INTERNATIONAL GEOSCIENCE AND REMOTE SENSING SYMPOSIUM》 * |
宋好娴: ""基于生成模型的无载体信息隐藏"", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112019354A (zh) * | 2020-11-02 | 2020-12-01 | 之江实验室 | 一种基于生成式对抗网络的口令遍历装置及方法 |
CN113572913A (zh) * | 2021-01-18 | 2021-10-29 | 腾讯科技(深圳)有限公司 | 图像加密方法、装置、介质及电子设备 |
CN113572913B (zh) * | 2021-01-18 | 2022-08-05 | 腾讯科技(深圳)有限公司 | 图像加密方法、装置、介质及电子设备 |
CN113037482A (zh) * | 2021-04-13 | 2021-06-25 | 山东新一代信息产业技术研究院有限公司 | 一种基于rnn的模型压缩加密方法 |
CN113992810A (zh) * | 2021-10-21 | 2022-01-28 | 浙江工商大学 | 一种基于深度学习的敏捷图像加密方法 |
CN113992810B (zh) * | 2021-10-21 | 2023-06-27 | 浙江工商大学 | 一种基于深度学习的敏捷图像加密方法 |
CN113900860A (zh) * | 2021-10-27 | 2022-01-07 | 重庆邮电大学 | 基于cgan的无线传感器网络故障节点的数据恢复方法 |
CN115357218A (zh) * | 2022-08-02 | 2022-11-18 | 北京航空航天大学 | 一种基于混沌预测对抗学习的高熵随机数生成方法 |
CN116032636A (zh) * | 2023-01-06 | 2023-04-28 | 南京通力峰达软件科技有限公司 | 一种基于神经网络的车联网数据加密方法及系统 |
CN116032636B (zh) * | 2023-01-06 | 2023-10-20 | 南京通力峰达软件科技有限公司 | 一种基于神经网络的车联网数据加密方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111654368B (zh) | 2021-10-08 |
US20210385081A1 (en) | 2021-12-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111654368B (zh) | 一种基于深度学习生成对抗网络的密钥生成方法 | |
Wang et al. | Image encryption algorithm based on the matrix semi-tensor product with a compound secret key produced by a Boolean network | |
Man et al. | Double image encryption algorithm based on neural network and chaos | |
Song et al. | Quantum video encryption based on qubit-planes controlled-XOR operations and improved logistic map | |
CN112422266B (zh) | 一种基于约瑟夫遍历和位平面重构的超混沌加密方法 | |
Khan et al. | IMG‐forensics: Multimedia‐enabled information hiding investigation using convolutional neural network | |
Abood et al. | Audio steganography with enhanced LSB method for securing encrypted text with bit cycling | |
CN107888370A (zh) | 图像加密方法及装置 | |
Murali et al. | Domain-flexible selective image encryption based on genetic operations and chaotic maps | |
CN115580687B (zh) | 基于变参数超混沌系统与s形扩散的多图像加密方法 | |
Wang et al. | Chaotic image encryption algorithm based on dynamic spiral scrambling transform and deoxyribonucleic acid encoding operation | |
He et al. | A deep learning based attack for the chaos-based image encryption | |
Blesswin et al. | Enhanced semantic visual secret sharing scheme for the secure image communication | |
Kumar et al. | A GRU and chaos-based novel image encryption approach for transport images | |
CN113992810B (zh) | 一种基于深度学习的敏捷图像加密方法 | |
CN110136045B (zh) | 一种基于两图像互置乱隐藏及恢复的方法 | |
John et al. | 2d lorentz chaotic model coupled with logistic chaotic model for medical image encryption: Towards ensuring security for teleradiology | |
Shankar et al. | Secure image transmission in wireless sensor network (WSN) applications | |
CN113407955A (zh) | 基于四维超混沌系统的图像加密方法、介质、设备及终端 | |
Wu et al. | XOR-based meaningful visual secret sharing by generalized random grids | |
CN116193041A (zh) | 一种基于多稳态忆阻器与四维混沌神经网络的图像加密方法 | |
CN115001654A (zh) | 一种基于混沌的线程池与gpu组合优化批量图像加密方法 | |
Hu et al. | Research on encrypted face recognition algorithm based on new combined chaotic map and neural network | |
Sanghvi et al. | BITSAT: an efficient approach to modern image cryptography | |
He et al. | Quantum image encryption algorithm via optimized quantum circuit and parity bit-plane permutation |
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 |