CN112163229A - 基于循环生成对抗网络的学习型数字图像加密解密方法 - Google Patents
基于循环生成对抗网络的学习型数字图像加密解密方法 Download PDFInfo
- Publication number
- CN112163229A CN112163229A CN202010960286.3A CN202010960286A CN112163229A CN 112163229 A CN112163229 A CN 112163229A CN 202010960286 A CN202010960286 A CN 202010960286A CN 112163229 A CN112163229 A CN 112163229A
- Authority
- CN
- China
- Prior art keywords
- encryption
- image
- data set
- images
- plaintext
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/602—Providing cryptographic facilities or services
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computer Security & Cryptography (AREA)
- Bioethics (AREA)
- Computer Hardware Design (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
基于循环生成对抗网络的学习型数字图像加密解密方法,涉及信息安全技术领域,解决现有加密系统在人工智能时代所面临的冲击与挑战,首先,学习目标数据准备;选取N幅数字图像作为学习目标数据集中的明文图像数据集,依次对明文图像数据集中的元素进行图像置乱加密,图像扩散加密以及图像置乱扩散加密,将明文图像数据集以及加密的密文域图像进行加密模型训练最后,进行学习型加密解密。本发明将图像加密机制方法研究和深度学习相结合,为图像加密领域开拓了新的研究方向。本发明研究设计的基于循环生成对抗网络学习型数字图像加密模型可以大批量快速生成安全可靠的密文图像。
Description
技术领域
本发明涉及信息安全技术领域,具体涉及一种基于循环生成对抗网络的学习型数字图像加密解密方法。
背景技术
随着云计算、大数据时代的到来,传统信息安全正在被下一代安全——智能安全所取代,机器学习是计算机从无序数据中自动学习有价值的知识,横跨计算机科学、工程技术和统计学等多个学科。在当今的人工智能时代,正在努力教导机器通过它过去的经验自己学习,或者像人类在现实生活中一样根据当前情况进行工作。图像加密方法研究也需要和时代主流技术手段相结合,通过深度学习的神经网络模型,让机器自动学习探索图像加密过程,总结加密机制规律,训练生成快速安全的基于深度学习的加密算法模型。
发明内容
本发明为解决现有加密系统在人工智能时代所面临的冲击与挑战,提供一种基于循环生成对抗网络的学习型数字图像加密解密方法。
基于循环生成对抗网络的学习型数字图像加密解密方法,该方法由以下步骤实现:
步骤一、选择学习目标数据;
步骤一一、选取N幅数字图像作为学习目标数据集中的明文图像数据集 PSet;
步骤一二、对步骤一一中的明文图像数据集中的元素进行图像置乱加密,获得置乱加密数据集SPSet;
步骤一三、对步骤一一中的明文图像数据集中的元素进行图像扩散加密,获得扩散加密数据集DPSet;
步骤一四、对步骤一一中的明文图像数据集中的元素进行图像置乱扩散加密,获得置乱扩散加密数据集CPSet;
步骤二、训练加密模型;
步骤二一、将步骤一一所述明文图像数据集PSet作为明文域图像,将步骤一二的置乱加密数据集SPSet,步骤一三的扩散加密数据集DPSet以及步骤一四的置乱扩散加密数据集CPSet分别作为密文域图像,同时输入循环生成对抗网络进行训练学习;
步骤二二、判别器DA用于判别生成图像是否属于明文域A;
步骤二三、判别器DB用于判别生成图像是否属于密文域B;
步骤二四、生成器GB采用卷积神经网络生成从明文域到密文域的图像;
步骤二五、生成器GA采用卷积神经网络生成从密文域到明文域的图像;
步骤二六、判别器和生成器之间相互博弈,不断减少损失函数,生成训练加密模型,获得生成器final_GA和生成器final_GB;
步骤三、学习型加密解密;
步骤三一、选择M幅图像作为需要加密的明文图像;
步骤三二、采用步骤二六所述的生成器final_GB对步骤三一所述的M幅明文图像进行加密,生成M幅加密图像。
本发明的有益效果:本发明开创性的将图像加密机制方法研究和深度学习相结合,为图像加密领域开拓了新的研究方向。本发明研究设计的基于循环生成对抗网络学习型数字图像加密模型可以大批量快速生成安全可靠的密文图像。
附图说明
图1为本发明所述的基于循环生成对抗网络的学习型数字图像加密方法CycleGAN学习加密模型示意图;
图2为本发明所述的基于循环生成对抗网络的学习型数字图像加密方法解密效果图;本发明一共设计了三种学习型加密模型,即置乱学习型加密模型、扩散学习型加密模型、置乱扩散学习型加密模型。图2中的(A)、(D)、(G) 为明文图像,(B)、(E)、(H)为不同加密模型生成的加密图像,(C)、(F)、(I) 为不同加密模型的解密图像。
具体实施方式
具体实施方式一、结合图1至图2说明本实施方式,基于循环生成对抗网络的学习型数字图像加密解密方法,该方法由以下步骤实现:
步骤一、学习目标数据准备;
步骤一一、选取N幅数字图像作为学习目标数据集中的明文图像数据集 PSet={P1,P2,P3,……,PN};
步骤一二、对步骤一一中的明文图像数据集中的元素进行图像置乱加密,获得置乱加密数据集SPSet={SP1,SP2,SP3,……,SPN}。
步骤一三、对步骤1A中的明文图像数据集中的元素进行图像扩散加密,得到扩散加密数据集DPSet={DP1,DP2,DP3,……,DPN}。
步骤一四、对步骤1A中的明文图像数据集中的元素进行图像置乱扩散加密,得到置乱扩散加密数据集CPSet={CP1,CP2,CP3,……,CPN}。
步骤二、加密模型训练;
步骤二一、使用步骤一一所述明文图像数据集PSet={P1,P2,P3,……,PN}作为明文域图像,步骤一二、一三、一四所述置乱加密数据集 SPSet={SP1,SP2,SP3,……,SPN};
扩散加密数据集DPSet={DP1,DP2,DP3,……,DPN}和 CPSet={CP1,CP2,CP3,……,CPN}分别作为密文域图像,输入循环生成对抗网络进行训练学习。
步骤二二、判别器DA用来判别生成图像是否属于明文域A。
步骤二三、判别器DB用来判别生成图像是否属于密文域B。
步骤二四、生成器GB使用卷积神经网络生成从明文域到密文域的图像。
步骤二五、生成器GA使用卷积神经网络生成从密文域到明文域的图像。
步骤二六、判别器DA和生成器GA、判别器DB和生成器GB之间相互博弈,不断减少损失函数,生成训练加密模型,获得生成器final_GA和生成器final_GB;
步骤三、学习型加密解密。
步骤三一、选择M幅图像作为需要加密的明文图像。
步骤三二、使用步骤二六所述生成器final_GB对步骤三一所述的M幅明文图像进行加密,生成M幅加密图像。
步骤三三、将步骤三二所述M幅加密图像作为需要解密的密文图像。
步骤三四、使用步骤二六所述生成器final_GA对步骤3C所述M幅密文图像进行解密,生成M幅解密图像。
具体实施方式二、结合图1和图2说明本实施方式,本实施方式为具体实施方式一的实施例:
步骤1、学习目标数据准备。
步骤1A、选取17732幅大小为128×128的数字图像作为学习目标数据集中的明文图像数据集PSet={P1,P2,P3,……,P17732}。
步骤1B、对步骤1A中的明文图像数据集中的元素进行图像置乱加密,得到置乱加密数据集SPSet={SP1,SP2,SP3,……,SP17732}。其中置乱算法本实验中采用Arnold cat映射,公式如下:
其中a,b表示控制参数,t表示迭代次数,本实例中控制参数a,b=1,t=50。
步骤1C、对步骤1A中的明文图像数据集中的元素进行图像扩散加密,得到扩散加密数据集DPSet={DP1,DP2,DP3,……,DP17732}。本实例中采用量子细胞神经网络(QCNN)超混沌系统生成的混沌序列对明文图像进行简单异或操作, QCNN公式如下:
其中a1,a2,a3,a4,a5,a6是控制参数,x1,x2,x3,x4,x5,x6是 QCNN初值,本实例中,a1,a2,a3=0.28,a4=0.5,a5=0.2,a6=0.3, x1=-0.131,x2=-0.135,x3=-0.123,x4=-184.9,x5= 147.3414,x6=-196.852。
步骤1D、对步骤1A中的明文图像数据集中的元素进行图像置乱扩散加密,得到置乱扩散加密数据集CPSet={CP1,CP2,CP3,……,CP17732}。本实例中是对明文图像分别执行步骤1B、1C的置乱和扩散方法生成密文图像。
步骤2、加密模型训练;
步骤2A、使用步骤1A所述明文图像数据集PSet={P1,P2,P3,……,P17732} 作为明文域图像,即PSet∈A。步骤1B、1C、1D所述置乱加密数据集 SPSet={SP1,SP2,SP3,……,SP17732},扩散加密数据 DPSet={DP1,DP2,DP3,……,DP17732}和 CPSet={CP1,CP2,CP3,……,CP17732}分别作为密文域图像,即 SPSet,DPSet,CPSet∈B,输入循环生成对抗网络进行训练学习。
步骤2B、判别器DA用来判别生成图像是否属于明文域A,DA=D(GA,A)。
步骤2C、判别器DB用来判别生成图像是否属于密文域B,DB=D(GB,B)。
步骤2D、生成器GB使用卷积神经网络生成从明文域到密文域的图像。
GB(A→B)=encrypt(A,B)
其中encrypt()表示卷积神经网络中从明文域到密文域的学习过程,在本实例中一共有三组明文域-密文域图像需要学习,即(PSet,SPSet)、(PSet,DPSet)、 (PSet,CPSet)。
步骤2E、生成器GA使用卷积神经网络生成从密文域到明文域的图像。
GA(B→A)=decrypt(B,A)
其中decrypt()表示卷积神经网络中从密文域到明文域的学习过程;
步骤2F、判别器DA和生成器GA、判别器DB和生成器GB之间相互博弈,不断减少损失函数,生成训练加密模型,获得生成器final_GA和生成器final_GB;本实例中一共生成三组生成器,即(SGA,SGB)、(DGA,DGB)、(CGA,CGB)。
步骤3、学习型加密解密。
步骤3A、选择100幅图像作为需要加密的明文图像。
步骤3B、使用步骤2F所述生成器SGB、DGB、CGB对步骤3A所述的100 幅明文图像进行加密,生成100幅加密图像。
步骤3C、将步骤3B所述100幅加密图像作为需要解密的密文图像。
步骤3D、使用步骤2F所述生成器SGA、DGA、CGA对步骤3C所述100幅密文图像进行解密,生成100幅解密图像。
结合表1,表1为本发明所述的基于循环生成对抗网络的学习型数字图像加密方法加密解密速度测试结果。
表1
本实施方式的硬件环境为:Intel Xeon(R)W-2123,3.6GHz CPU,GeForce GTXTITAN Xp COLLECTORS EDITION GPU和12GB VRAM的Ubuntu 16.04 LTS的服务器。
Claims (2)
1.基于循环生成对抗网络的学习型数字图像加密解密方法,其特征是:该方法由以下步骤实现:
步骤一、选择学习目标数据;
步骤一一、选取N幅数字图像作为学习目标数据集中的明文图像数据集PSet;
步骤一二、对步骤一一中的明文图像数据集中的元素进行图像置乱加密,获得置乱加密数据集SPSet;
步骤一三、对步骤一一中的明文图像数据集中的元素进行图像扩散加密,获得扩散加密数据集DPSet;
步骤一四、对步骤一一中的明文图像数据集中的元素进行图像置乱扩散加密,获得置乱扩散加密数据集CPSet;
步骤二、训练加密模型;
步骤二一、将步骤一一所述明文图像数据集PSet作为明文域图像,将步骤一二的置乱加密数据集SPSet,步骤一三的扩散加密数据集DPSet以及步骤一四的置乱扩散加密数据集CPSet分别作为密文域图像,同时输入循环生成对抗网络进行训练学习;
步骤二二、判别器DA用于判别生成图像是否属于明文域A;
步骤二三、判别器DB用于判别生成图像是否属于密文域B;
步骤二四、生成器GB采用卷积神经网络生成从明文域到密文域的图像;
步骤二五、生成器GA采用卷积神经网络生成从密文域到明文域的图像;
步骤二六、判别器和生成器之间相互博弈,不断减少损失函数,生成训练加密模型,获得生成器final_GA和生成器final_GB;
步骤三、学习型加密解密;
步骤三一、选择M幅图像作为需要加密的明文图像;
步骤三二、采用步骤二六所述的生成器final_GB对步骤三一所述的M幅明文图像进行加密,生成M幅加密图像。
2.根据权利要求1所述的基于循环生成对抗网络的学习型数字图像加密解密方法,其特征在于:还包括步骤三三、将步骤三二所述M幅加密图像作为需要解密的密文图像,采用步骤二六所述的生成器final_GA对M幅密文图像进行解密,生成M幅解密图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010960286.3A CN112163229B (zh) | 2020-09-14 | 2020-09-14 | 基于循环生成对抗网络的学习型数字图像加密解密方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010960286.3A CN112163229B (zh) | 2020-09-14 | 2020-09-14 | 基于循环生成对抗网络的学习型数字图像加密解密方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112163229A true CN112163229A (zh) | 2021-01-01 |
CN112163229B CN112163229B (zh) | 2023-04-28 |
Family
ID=73858961
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010960286.3A Active CN112163229B (zh) | 2020-09-14 | 2020-09-14 | 基于循环生成对抗网络的学习型数字图像加密解密方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112163229B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112395636A (zh) * | 2021-01-19 | 2021-02-23 | 国网江西省电力有限公司信息通信分公司 | 电网数据加密模型训练方法、系统、存储介质及设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190180038A1 (en) * | 2019-02-16 | 2019-06-13 | Intel Corporation | Method and system of computer graphics processing system validation for processing of encrypted image content |
CN111259427A (zh) * | 2020-01-21 | 2020-06-09 | 北京安德医智科技有限公司 | 一种基于神经网络的图像处理方法、装置及存储介质 |
WO2020170071A1 (en) * | 2019-02-22 | 2020-08-27 | Alma Mater Studiorum - Universita' Di Bologna | Encryption method and system based on images. |
-
2020
- 2020-09-14 CN CN202010960286.3A patent/CN112163229B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190180038A1 (en) * | 2019-02-16 | 2019-06-13 | Intel Corporation | Method and system of computer graphics processing system validation for processing of encrypted image content |
WO2020170071A1 (en) * | 2019-02-22 | 2020-08-27 | Alma Mater Studiorum - Universita' Di Bologna | Encryption method and system based on images. |
CN111259427A (zh) * | 2020-01-21 | 2020-06-09 | 北京安德医智科技有限公司 | 一种基于神经网络的图像处理方法、装置及存储介质 |
Non-Patent Citations (1)
Title |
---|
YI DING等: "DeepEDN: A Deep Learning-based Image Encryption and Decryption Network for Internet of Medical Things" * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112395636A (zh) * | 2021-01-19 | 2021-02-23 | 国网江西省电力有限公司信息通信分公司 | 电网数据加密模型训练方法、系统、存储介质及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN112163229B (zh) | 2023-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hayes et al. | Generating steganographic images via adversarial training | |
CN110046513B (zh) | 基于Hopfield混沌神经网络的明文关联图像加密方法 | |
US20230171086A1 (en) | Encrypting and decrypting information | |
CN111105338B (zh) | 基于gan和混沌系统的图像加密方法 | |
Jin et al. | A color image encryption scheme based on arnold scrambling and quantum chaotic. | |
EP3942730A1 (en) | Homomorphic encryption | |
Kengnou Telem et al. | A simple and robust gray image encryption scheme using chaotic logistic map and artificial neural network | |
Zhou et al. | Coverless information hiding based on probability graph learning for secure communication in iot environment | |
CN107659398A (zh) | 适用于Android的对称加密方法 | |
Lazzeretti et al. | Private computing with garbled circuits [applications corner] | |
CN112163229B (zh) | 基于循环生成对抗网络的学习型数字图像加密解密方法 | |
Picek et al. | Evolving cryptographic pseudorandom number generators | |
Alajmi et al. | A password-based authentication system based on the CAPTCHA AI problem | |
Zhu et al. | A quantum image dual-scrambling encryption scheme based on random permutation | |
Abd et al. | Classification and identification of classical cipher type using artificial neural networks | |
Xiong et al. | Towards neural network-based communication system: attack and defense | |
CN110401536A (zh) | 一种基于深度学习的通用加密算法 | |
Tirumala et al. | Transpositional neurocryptography using deep learning | |
Ramanathan et al. | Survey on computational intelligence based image encryption techniques | |
Zou et al. | Image encryption based on hyperchaotic system and improved zigzag diffusion method | |
Shakir et al. | 3D chaos graph deep learning method to encrypt and decrypt digital image | |
Hewage et al. | A Learned Polyalphabetic Decryption Cipher | |
Alipour et al. | A secure image encryption architecture based on pseudorandom number generator and chaotic logistic map | |
Wang | Neural synchronization using genetic algorithm for secure key establishment | |
Zhang et al. | Automatic Encryption Schemes Based on the Neural Networks: Analysis and Discussions on the Various Adversarial Models (Short Paper) |
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 |