CN113037781A - 基于rnn的语音信息加密方法及装置 - Google Patents

基于rnn的语音信息加密方法及装置 Download PDF

Info

Publication number
CN113037781A
CN113037781A CN202110476212.7A CN202110476212A CN113037781A CN 113037781 A CN113037781 A CN 113037781A CN 202110476212 A CN202110476212 A CN 202110476212A CN 113037781 A CN113037781 A CN 113037781A
Authority
CN
China
Prior art keywords
neural network
recurrent neural
network model
signal
training
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.)
Pending
Application number
CN202110476212.7A
Other languages
English (en)
Inventor
陈达权
黄运保
李海艳
曾昭恒
黄智彦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN202110476212.7A priority Critical patent/CN113037781A/zh
Publication of CN113037781A publication Critical patent/CN113037781A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/04—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks
    • H04L63/0428—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks wherein the data content is protected, e.g. by encrypting or encapsulating the payload
    • H04L63/0442—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks wherein the data content is protected, e.g. by encrypting or encapsulating the payload wherein the sending and receiving network entities apply asymmetric encryption, i.e. different keys for encryption and decryption
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L19/00—Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis
    • G10L19/008—Multichannel audio signal coding or decoding using interchannel correlation to reduce redundancy, e.g. joint-stereo, intensity-coding or matrixing
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
    • G10L25/30—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique using neural networks
    • 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
    • H04L9/14—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols using a plurality of keys or algorithms

Abstract

本发明公开了一种基于RNN的语音信息加密方法及装置，本发明的方法包括创建并训练循环神经网络模型，通过语音信号离散化模块将目标加密语音信号以采样频率进行采样，得到离散化目标加密语音信号，分解所述离散化目标加密语音信号得到转换信号；加密转换信号得到密文，将密文发至目标接收端，目标接收端通过解码部分网络进行解密，得到目标语音信息的模拟语音信号，且该模拟语音信号与目标语音信号的失真程度小。本发明通过卷积循环神经网络对语音信息进行加密，极大的提高了语音信息传输过程中的安全性。

Description

基于RNN的语音信息加密方法及装置
技术领域
本发明涉及人工智能深度学习技术领域，尤其涉及一种基于RNN的语音信息加密方法及装置。
背景技术
循环神经网络(Recurrent Neural Network)。循环神经网络是一种节点定向连接成环的人工神经网络。
加密是防止信息泄露所采取的主要安全保密措施，是最常用的安全保密手段。加密的基本思想是利用诸如算法等一些技术方法把重要的数据变为乱码(加密)传送，到达目的地后再用相同或不同的手段还原(解密)。随着互联网的不断快速发展，人们的生活方式在互联网的效应下同样也变得简单而快捷，然而便捷的同时，也存在着隐私信息泄漏而带来的各种隐患。隐私信息泄漏，大大方便了一些别有用心的人实施他们的一些违法犯罪行为。因此，加强信息传输过程中的安全性迫在眉睫。
发明内容
本发明的目的在于提供一种基于RNN的语音信息加密方法，通过利用循环神经网络(RNN)将语音信号进行有效加密，使得需要传输的语音信号的安全性大大提高，降低了语音信号在传输过程中出现信息泄漏的可能性。
为达此目的，本发明采用以下技术方案：
一种基于RNN的语音信息加密方法，包括以下步骤：
S10、创建并训练循环神经网络模型；所述循环神经网络模型由编码部分网络和解码部分网络组成；
S20、设置语音信号采样频率f，通过语音信号离散化模块将目标加密语音信号S以采样频率f进行采样，得到离散化目标加密语音信号s＝(s1，s2，s3，...，si，...)，其中离散化目标加密语音信号s为一个向量，频率f为整数；
S30、分解所述离散化目标加密语音信号s；将离散化目标加密语音信号s分解为语音信号sa0＝(s1，s2，s3，...，sn)，sa1＝(sn+1，sn+2，sn+3，...，s2n)，sa2＝(s2n+1，s2n+2，s2n+3，...，s3n)，…，saj＝(sjn+1，sjn+2，sjn+3，...，s(j+1)n)，其中sjn+1，sjn+2，sjn+3，...，s(j+1)n中的缺省将使用0来补全，同时计算a0min＝min(s1，s2，s3，...，sn)，a0max＝max(s1，s2，s3，...，sn)，a1min＝min(sn+1，sn+2，sn+3，...，s2n)，a1max＝max(sn+1，sn+2，sn+3，…，s2n)，…，ajmin＝min(sjn+1，sjn+2，sjn+3，...，s(j+1)n)，ajmax＝max(sjn+1，sjn+2，sjn+3，...，s(j+1)n)，将语音信号sa0，sa1，sa2，...，saj转换为转换信号
Figure BDA0003047174900000021
Figure BDA0003047174900000022
Figure BDA0003047174900000023
得到转换信号sb0，sb1，sb2，…，sbj；
S40、编码部分网络将所述转换信号进行加密；将所述转换信号sb0，sb1，sb2，...，sbj以最小值为0最大值为m进行最大最小归一化并保持原来顺序输入至所述训练完成的循环神经网络模型的编码部分网络进行加密处理，得到对应的密文s′b0，s′b1，s′b2，...，s′bj，完成加密；
S50、将所述密文按照
s′b0，a0min，a0max，s′b1，a1min，a1max，s′b2，a2min，a2max，...，s′bj，ajmin，ajmax的顺序传输至解码部分网络；
S60、解码部分网络接收并解密所述密文；解码部分网络接收到所述密文后按照s′b0，s′b1，s′b2，...，s′bj的顺序分别输入至解码部分网络进行解密得到对应输出信号s″b0，s″b1，s″b2，...，s″bj，将信号s″b0，s″b1，s″b2，...，s″bj保持原来顺序以最小值为0最大值为m进行最大最小反归一化对应得到信号sc0，sc1，sc2，...，scj，其中sc0＝(s′1，s′2，s′3，...，s′n)，sc1＝(s′n+1，s′n+2，s′n+3，...，s′2n)，sc2＝(s′2n+1，s′2n+2，s′2n+3，…，s′3n)，…，scj＝(s′jn+1，s′jn+2，s′jn+3，…，s′(j+1)n)；
将信号sc0，sc1，sc2，...，scj转换为离散语音信号
Figure BDA0003047174900000031
Figure BDA0003047174900000032
Figure BDA0003047174900000033
得到离散化语音信号sd0，sd1，sd2，...，sdj，将离散化语音信号Sd0，sd1，sd2，...，sdj使用三次样条插值算法得到输出模拟语音信号S′，完成解密。
可选地，所述编码部分网络的神经元层数为Nen层，包括n个神经元单元，每个神经元单元均是GRU结构，GRU结构中所有激活函数均是sigmoid函数；所述解码部分网络的神经元层数为Nde层，包括n个神经元单元，每个神经元单元均是GRU结构，GRU结构中所有激活函数均是sigmoid函数，其中Nen、Nde、n均为整数；
创建并训练循环神经网络模型包括如下训练步骤：
S101、利用高斯分布随机数初始化所述循环神经网络模型的所有参数，学习率初始化为le，目标整体错误率x，最大训练次数设置为T，训练算法选取贝叶斯正则化算法或动量梯度下降或Adam等算法，损失函数选用binary_crossentropy损失函数或平方差函数等损失函数；其中T为整数；
S102、以随机方式产生一个训练数据样本Va＝(a1，a2，a3，...，an)，其中a1，a2，a3，...，an均为取值范围在[0，m]的均匀分布的随机整数，且m为整数，以Va自身作为训练数据样本Va的标定值，则获得一个已标定训练数据样本Va1；
S103、重复步骤S102k次，获得k个已标定训练数据样本Va1，Va2，Va3，...，Vak，将k个已标定训练数据样本Va1，Va2，Va3，...，Vak组成所述循环神经网络模型的训练集P，同时将所述循环神经网络模型的测试集Q设置为训练集P，其中k为整数。
S104、从所述训练集P中依次选取所述已标定训练数据样本进行最大最小归一化并输入到所述循环神经网络模型，按照前向传播的公式计算相应的模型输出；按照误差公式计算出该所述训练数据样本输入到所述循环神经网络模型后的模型输出和该所述训练数据样本之间的误差，并按照反向传播算法调节更新所述循环神经网络模型所有参数；
S105、所述训练集P中所有已标定训练数据样本均输入所述循环神经网络模型进行训练后，利用测试集Q计算整体误差X，若整体误差X＞目标整体错误率x，则跳转到步骤S104，直至整体误差X＜＝目标整体错误率x，或跳转到步骤S104的次数达到最大训练次数T，获得训练完成的循环神经网络模型。
可选地，设置所述训练完成的循环神经网络模型的编码部分网络的参数为Xr，所述训练完成的循环神经网络模型的解码部分网络的参数为Yr，则所述Xr与所述Yr将构成非对称群组秘钥对Kr，其中，所述Xr设置为所述非对称群组秘钥对Kr的加密秘钥Xk，所述Yr设置为所述非对称群组秘钥对Kr的解密秘钥Yk。
可选地，所述加密秘钥Xk可以设置有若干个，且若干个所述加密秘钥Xk与所述解密秘钥Yk为多对一关系；获取与所述解密秘钥Yk的对应的若干个所述加密秘钥Xk的步骤包括：
S106、针对所述训练完成的循环神经网络模型，固定所述解码部分网络的Yr，以随机的方式选取所述编码部分网络的Xr中的
Figure BDA0003047174900000041
倍个参数，并将选出的参数设置为原来的
Figure BDA0003047174900000042
倍，其中R、r均为整数；结合所述训练集P并通过所述循环神经网络模型的训练步骤重新对所述训练完成的循环神经网络模型进行训练，获得重新训练完成的循环神经网络模型，所述重新训练完成的循环神经网络模型的编码部分网络的参数为Xr′，则所述Xr′为所述非对称群组秘钥对Kr的加密秘钥Xk′，加密秘钥Xk′相当于另一个所述加密秘钥Xk；
S107、重复步骤S106，以获得若干个不同的所述加密密钥Xk。
可选地，基于RNN的语音信息加密方法还包括对训练完成的循环神经网络模型进行参数变更的变更训练，所述变更训练包括在步骤S101以后执行以下步骤：
S701、重复步骤102的具体操作k′次，获得k′个已标定训练数据样本V′a1，V′a2，V′a3，...，V′ak′，将k′个已标定训练数据样本V′a1，V′a2，V′a3，...，V′ak′组成所述循环神经网络模型的训练集P′，同时将所述循环神经网络模型的测试集Q′设置为训练集P′，其中k′为整数；
S702、以随机的方式选取训练完成的循环神经网络模型的所有参数中的
Figure BDA0003047174900000051
倍个参数，并将选出的参数设置为原来的
Figure BDA0003047174900000052
倍，其中R、r均为整数；
S703、从所述训练集P′中依次选取一个所述已标定训练数据样本进行最大最小归一化并输入到所述循环神经网络模型，按照前向传播的公式计算相应的模型输出；按照误差公式计算出该所述训练数据样本输入到所述循环神经网络模型后的模型输出和该所述训练数据样本之间的误差，并按照反向传播算法调节更新所述循环神经网络模型所有参数；
S704、所述训练集P′中所有已标定训练数据样本均输入所述循环神经网络模型进行训练后，利用测试集Q′计算整体误差X，若整体误差X＞目标整体错误率x，则跳转到步骤703，直至整体误差X＜＝目标整体错误率x，或跳转到步骤703的次数达到最大训练次数T，所述循环神经网络模型训练完成，即所述训练完成的循环神经网络模型的参数变更完成，获得完成更新的循环神经网络模型。
一种装置，包括信息终端，所述信息终端安装有如上所述的循环神经网络模型。
可选地，所述信息终端包括信息发送终端和目标接收终端；所述信息发送终端包括：
语音信号离散化模块，用于将目标加密语音以采样频率f进行采样以得到离散化目标加密语音信号s＝(s1，s2，s3，...，si，...)；
语音分解模块，用于将离散化目标加密语音信号s分解为语音信号sa0＝(s1，s2，s3，…，sn)，sa1＝(sn+1，sn+2，sn+3，…，s2n)，sa2＝(s2n+1，s2n+2，s2n+3，…，s3n)，…，saj＝(sjn+1，sjn+2，sjn+3，...，s(j+1)n)，且用于计算a0min＝min(s1，s2，s3，...，sn)，a0max＝max(s1，s2，s3，...，sn)，a1min＝min(sn+1，sn+2，sn+3，…，s2n)，a1max＝max(sn+1，sn+2，sn+3，…，s2n)，…，ajmin＝min(sjn+1，sjn+x，sjn+3，...，s(j+1)n)，ajmax＝max(sjn+1，sjn+2，sjn+3，…，s(j+1)n)，并将语音信号sa0，sa1，sa2，...，saj转换为转换信号
Figure BDA0003047174900000053
Figure BDA0003047174900000054
Figure BDA0003047174900000061
编码部分网络，用于将所述转换信号sb0，sb1，sb2，...，sbj以最小值为0最大值为m进行最大最小归一化并保持原来顺序输入至所述训练完成的循环神经网络模型的编码部分网络进行加密处理，得到对应的密文s′b0，s′b1，s′b2，...，s′bj；
信号传输模块，用于将密文按
s′b0，s′b1，s′b2，…，s′bjs′b0，a0min，a0max，s′b1，a1min，a1max，s′b2，a2min，a2max，…，s′bj，ajmin，ajmax的顺序传输至目标接收端；
所述目标接收终端包括信号接收模块和解码部分网络：
信号接收模块，用于接收信号传输模块发送的所述密文，并将接收到所述密文按照s′b0，s′b1，s′b2，...，s′bj的顺序分别输入至解码部分网络；
所述解码部分网络接收所述密文并解密，得到输出信号将信号s″b0，s″b1，s″b2，...，s″bj，将信号s″b0，s″b1，s″b2，...，s″bj保持原来顺序以最小值为0最大值为m进行最大最小反归一化对应得到信号sc0，sc1，sc2，...，scj，其中sc0＝(s′1，s′2，s′3，…，s′n)，sc1＝(s′n+1，s′n+2，s′n+3，…，s′2n)，sc2＝(s′2n+1，s′2n+2，s′2n+3，...，s′3n)，…，scj＝(s′jn+1，s′jn+2，s′jn+3，...，s′(j+1)n)；
然后将信号sc0，sc1，sc2，...，scj转换为离散语音信号
Figure BDA0003047174900000062
Figure BDA0003047174900000063
Figure BDA0003047174900000071
得到离散化语音信号sd0，sd1，sd2，...，sdj后，将离散化语音信号sd0，sd1，sd2，...，sdj使用三次样条插值算法得到输出模拟语音信号S′。应该知道的是，目标加密语音信号S和模拟语音信号S′的相识度较高，目标接收终端的使用人员能轻易且准确地识别信息发送终端使用人员所发送的语音信息。
与现有技术相比，本发明具有以下有益效果：
本发明的实施例中，通过编码部分的语音信号离散化模块将目标语音进行采样，然后分解目标语音以获得转换语音，在通过编码部分网络对转换语音进行加密，再传输至解密部分网络进行解密，本实施例中的语音信息加密方法，通过循环神经网络有效对语音信息进行加密，有效加强了传输过程中语音信息的安全性，且最后获得模拟语音信号失真程度小。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
本说明书附图所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。
图1为本发明实施例提供的基于RNN的语音信息加密方法的步骤图；
图2为本发明实施例提供的循环神经网络模型的训练步骤图；
图3为本发明实施例提供的编码部分网络和解码部分网络工作示意图。
图示说明：1、编码部分网络；2、解码部分网络。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
在本发明的描述中，需要理解的是，术语“上”、“下”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。需要说明的是，当一个组件被认为是“连接”另一个组件，它可以是直接连接到另一个组件或者可能同时存在居中设置的组件。
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。
实施例一
请参阅图1，本发明提供了一种基于RNN的语音信息加密方法，具体步骤如下：
S10、创建并训练循环神经网络模型；所述循环神经网络模型由编码部分网络1和解码部分网络2组成；所述编码部分网络1的神经元层数为Nen层，包括n个神经元单元，每个神经元单元均是GRU结构，GRU结构中所有激活函数均是sigmoid函数；所述解码部分网络2的神经元层数为Nde层，包括n个神经元单元，每个神经元单元均是GRU结构，GRU结构中所有激活函数均是sigmoid函数；其中Nen、Nde、n均为整数且可根据具体应用场景而具体设置。
其中，所创建的循环神经网络模型通过如下步骤训练而成：
S101、利用高斯分布随机数初始化所述循环神经网络模型的所有参数，学习率初始化为le，目标整体错误率x，最大训练次数设置为T，训练算法选取贝叶斯正则化算法或动量梯度下降或Adam等算法，损失函数选用binary_crossentropy损失函数或平方差函数等损失函数。T为整数且应根据具体应用场景进行设置。
S102、以随机方式产生一个训练数据样本Va＝(a1，a2，a3，...，an)，其中a1，a2，a3，...，an均为取值范围在[0，m]均匀分布的随机整数，且m为整数，以Va自身作为训练数据样本Va的标定值，则获得一个已标定训练数据样本Va1。
S103、重复步骤S102k次，获得k个已标定训练数据样本Va1，Va2，Va3，...，Vak，将k个已标定训练数据样本Va1，Va2，Va3，...，Vak组成所述循环神经网络模型的训练集P，同时将所述循环神经网络模型的测试集Q设置为训练集P，其中k为整数。
S104、从所述训练集P中依次选取一个所述已标定训练数据样本进行最大最小归一化并输入到所述循环神经网络模型，按照前向传播的公式计算相应的模型输出；按照误差公式计算出该所述训练数据样本输入到所述循环神经网络模型后的模型输出和该所述训练数据样本之间的误差，并按照反向传播算法调节更新所述循环神经网络模型所有参数。
S105、所述训练集P中所有已标定训练数据样本均输入所述循环神经网络模型进行训练后，利用测试集Q计算整体误差X，若整体误差X＞目标整体错误率x，则跳转到步骤S104，直至整体误差X＜＝目标整体错误率x，或跳转到步骤S104的次数达到最大训练次数T，获得训练完成的循环神经网络模型。
S20、获得训练完成的循环神经网络模型后，设置语音信号采样频率f，通过编码部分网络1中语音信号离散化模块，将目标加密语音信号S以采样频率f进行采样，得到离散化目标加密语音信号s＝(s1，s2，s3，...，si，...)，其中离散化目标加密语音信号s为一个向量，频率f为整数。
S30、通过编码部分网络1分解所述离散化目标加密语音信号s；将离散化目标加密语音信号s分解为语音信号sa0＝(s1，s2，s3，...，sn)，sa1＝(sn+1，sn+2，sn+3，...，s2n)，sa2＝(s2n+1，s2n+2，s2n+3，...，s3n)，…，saj＝(sjn+1，sjn+2，sjn+3，...，s(j+1)n)，其中sjn+1，sjn+2，sjn+3，...，s(j+1)n中的缺省将使用0来补全，同时计算
a0min＝min(s1，s2，s3，…，sn)，a0max＝max(s1，s2，s3，…，sn)，a1min＝min(sn+1，sn+2，sn+3，…，s2n)，a1max＝max(sn+1，sn+2，sn+3，…，s2n)，…，ajmin＝min(sjn+1，sjn+2，sjn+3，...，s(j+1)n)，ajmax＝max(sjn+1，sjn+2，sjn+3，...，s(j+1)n)，将语音信号sa0，sa1，sa2，...，saj转换为信号
Figure BDA0003047174900000091
Figure BDA0003047174900000092
Figure BDA0003047174900000101
得到信号sb0，sb1，sb2，...，sbj。
S40、通过编码部分网络1将所述语音信号进行加密；将所述语音信号sb0，sb1，sb2，...，sbj以最小值为0最大值为m进行最大最小归一化并保持原来顺序输入至所述训练完成的循环神经网络模型的编码部分网络1进行加密处理，得到对应的密文s′b0，s′b1，s′b2，...，s′bj，完成加密。
S50、完成加密后，通过编码部分网络1将所述密文按照
s′b0，a0min，a0max，s′b1，a1min，a1max，s′b2，a2min，a2max，...，s′bj，ajmin，ajmax的顺序传输至解码部分网络2。具体地，可以是编码部分网络1通过互联网发出密文，或者是通过其他类型的信号发射装置发出密文，然后信号接收装置接收密文并将密文传输给编码部分网络1。
S60、接收并解密所述密文。具体地，密文按照s′b0，s′b1，s′b2，...，s′bj的顺序分别输入至解码部分网络2进行解密得到对应输出信号s″b0，s″b1，s″b2，...，s″bj，将信号s″b0，s″b1，s″b2，...，s″bj保持原来顺序以最小值为0最大值为m进行最大最小反归一化对应得到信号sc0，sc1，sc2，...，scj，其中sc0＝(s′1，s′2，s′3，…，s′n)，sc1＝(s′n+1，s′n+2，s′n+3，…，s′2n)，Sc2＝(s′2n+1，s′2n+2，s′2n+3，...，s′3n)，…，scj＝(s′jn+1，s′jn+2，s′jn+3，...，s′(j+1)n)；
将信号sc0，sc1，sc2，...，scj转换为离散语音信号
Figure BDA0003047174900000102
Figure BDA0003047174900000103
Figure BDA0003047174900000104
得到离散化语音信号sd0，sd1，sd2，...，sdj，将离散化语音信号sd0，sd1，sd2，...，sdj使用三次样条插值算法得到输出模拟语音信号S′，完成解密。完成解码后，用户可以在目标接收端查看该信息。
具体地，由于该信息在发送前已经被加密，即使该密文在输送过程中被截获，也无法得知该信息的具体内容，从而提高了信息传输过程的安全性。
可选地，设置所述训练完成的循环神经网络模型的编码部分网络1的参数为Xr，所述训练完成的循环神经网络模型的解码部分网络2的参数为Yr，则所述Xr与所述Yr将构成非对称群组秘钥对Kr，其中，所述Xr设置为所述非对称群组秘钥对Kr的加密秘钥Xk，所述Yr设置为所述非对称群组秘钥对Kr的解密秘钥Yk。
可选地，所述加密秘钥Xk可以设置有若干个，且若干个所述加密秘钥Xk与所述解密秘钥Yk为多对一关系；获取与所述解密秘钥Yk的对应的若干个所述加密秘钥Xk的步骤包括：
S106、针对所述训练完成的循环神经网络模型，固定所述解码部分网络2的Yr，以随机的方式选取所述编码部分网络的Xr中的
Figure BDA0003047174900000111
倍个参数，并将选出的参数设置为原来的
Figure BDA0003047174900000112
倍，其中R、r均为整数；结合所述训练集P并通过所述循环神经网络模型的训练步骤重新对所述训练完成的循环神经网络模型进行训练，获得重新训练完成的循环神经网络模型，所述重新训练完成的循环神经网络模型的编码部分网络1的参数为Xr′，则所述Xr′为所述非对称群组秘钥对Kr的加密秘钥Xk′，其中加密秘钥Xk′相当于另一个所述加密秘钥Xk；
S107、重复步骤S106，以获得若干个不同的所述加密密钥Xk。
较优地，明文信息Mk利用加密秘钥Xk获得密文信息Ck，明文信息Mk利用加密秘钥Xk′获得密文信息Ck′，其中密文信息Ck与密文信息Ck′在内容上不相同，但密文信息Ck与密文信息Ck′均能通过解密秘钥Yk进行解密获得相同的明文信息Mk。
另外，应该清楚的是，该被训练完成的循环神经网络模型可以通过变更训练步骤实现信息加密方式的调整，使信息的具体加密信息发生变化提高信息传输的安全性。
具体地，循环神经网络模型的变更训练步骤如下：
S701、重复步骤102的具体操作k′次，获得k′个已标定训练数据样本V′a1，V′a2，V′a3，...，V′ak′，将k′个已标定训练数据样本V′a1，V′a2，V′a3，...，V′ak′组成所述循环神经网络模型的训练集P′，同时将所述循环神经网络模型的测试集Q′设置为训练集P′，其中k′为整数。
S702、以随机的方式选取训练完成的循环神经网络模型的所有参数中的
Figure BDA0003047174900000121
倍个参数，并将选出的参数设置为原来的
Figure BDA0003047174900000122
倍，其中R、r均为整数。
S703、从所述训练集P′中依次选取一个所述已标定训练数据样本进行最大最小归一化并输入到所述循环神经网络模型，按照前向传播的公式计算相应的模型输出；按照误差公式计算出该所述训练数据样本输入到所述循环神经网络模型后的模型输出和该所述训练数据样本之间的误差，并按照反向传播算法调节更新所述循环神经网络模型所有参数。
S704、所述训练集P′中所有已标定训练数据样本均输入所述循环神经网络模型进行训练后，利用测试集Q′计算整体误差X，若整体误差X＞目标整体错误率x，则跳转到步骤703并继续执行步骤703，直至整体误差X＜＝目标整体错误率x，或跳转到步骤703的次数达到最大训练次数T，所述循环神经网络模型训练完成，即所述训练完成的循环神经网络模型的参数变更完成。
具体地，用户可以每过一段时间即可重新对循环神经网络模型进行变更训练，通过变更训练改变循环神经网络模型的加密方式，以更好的应对重放攻击。此外，在当前循环神经网络模型的相关加密参数被泄露后，可以及时通过变更训练提升接下来的所需发送的信息的保密性。应该清楚地是，目标整体错误率x、均匀分布随机整数m、已标定训练数据样本k、已标定训练数据样本k′、随机数R、随机数r均为整数，且可按照实际情况具体进行调整。
实施例二
本实施例提供了一种装置，该装置包括信息终端，所述信息终端内设置有实施例一中的循环神经网络模型。该信息终端可以是笔记本电脑、台式电脑、平板电脑、个人数字助理(Personal Digital Assistant，PDA)、手机、电视、相机等各种有接口应用需求的电子设备。
所述信息终端包括信息发送终端和目标接收终端；所述信息发送终端包括：
语音信号离散化模块，用于将目标加密语音以采样频率f进行采样以得到离散化目标加密语音信号s＝(s1，s2，s3，...，si，...)；
语音分解模块，用于将离散化目标加密语音信号s分解为语音信号sa0＝(s1，s2，s3，…，sn)，sa1＝(sn+1，sn+2，sn+3，…，s2n)，sa2＝(s2n+1，s2n+2，s2n+3，…，s3n)，…，saj＝(sjn+1，sjn+2，sjn+3，...，s(j+1)n)，且用于计算a0min＝min(s1，s2，s3，...，sn)，a0max＝max(s1，s2，s3，...，sn)，a1min＝min(sn+1，sn+2，sn+3，...，s2n)，a1max＝max(sn+1，sn+2，sn+3，…，s2n)，…，ajmin＝min(sjn+1，sjn+2，sjn+3，…，s(j+1)n)，ajmax＝max(sjn+1，sjn+2，sjn+3，…，s(j+1)n)，并将语音信号sa0，sa1，sa2，...，saj转换为转换信号
Figure BDA0003047174900000131
Figure BDA0003047174900000132
编码部分网络1，用于将所述转换信号sb0，sb1，Sb2，...，sbj以最小值为0最大值为m进行最大最小归一化并保持原来顺序输入至所述训练完成的循环神经网络模型的编码部分网络1进行加密处理，得到对应的密文s′b0，s′b1，s′b2，...，s′bj；
信号传输模块，用于将密文按
s′b0，s′b1，s′b2，...，s′bjs′b0，a0min，a0max，s′b1，a1min，a1max，s′b2，a2min，a2max，...，s′bj，ajmin，ajmax的顺序传输至目标接收端；
所述目标接收终端还包括信号接收模块和解码部分网络2：
信号接收模块，用于接收信号传输模块发送的所述密文，并将接收到所述密文按照s′b0，s′b1，s′b2，...，s′bj的顺序分别输入至解码部分网络2；
所述解码部分网络2接收所述密文并解密，得到输出信号将信号s″b0，s″b1，s″b2，...，s″bj，将信号s″b0，s″b1，s″b2，...，s″bj保持原来顺序以最小值为0最大值为m进行最大最小反归一化对应得到信号sc0，sc1，sc2，...，scj，其中sc0＝(s′1，s′2，s′3，...，s′n)，sc1＝(s′n+1，s′n+2，s′n+3，...，s′2n)，sc2＝(s′2n+1，s′2n+2，s′2n+3，…，s′3n)，…，scj＝(s′jn+1，s′jn+2，s′jn+3，…，s′(j+1)n)；
然后将信号sc0，sc1，sc2，...，scj转换为离散语音信号
Figure BDA0003047174900000141
Figure BDA0003047174900000142
Figure BDA0003047174900000143
得到离散化语音信号sd0，sd1，sd2，...，sdj后，将离散化语音信号sd0，sd1，sd2，...，sdj使用三次样条插值算法得到输出模拟语音信号S′。
应该知道的是，解密后获得模拟语音信号S′与目标加密语音S高度相似，该基于RNN的语音信息加密方法不会导致出现语音信息失真过大的问题。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (7)

1.一种基于RNN的语音信息加密方法，其特征在于，包括以下步骤：
S10、创建循环神经网络模型；所述循环神经网络模型由编码部分网络和解码部分网络组成；
S20、将目标加密语音信号S以采样频率f进行采样，得到离散化目标加密语音信号s＝(s1,s2,s3,…,si,…)，其中离散化目标加密语音信号s为一个向量，频率f为整数；
S30、分解所述离散化目标加密语音信号s；将离散化目标加密语音信号s分解为语音信号sa0＝(s1,s2,s3,…,sn),sa1＝(sn+1,sn+2,sn+3,…,s2n),sa2＝(s2n+1,s2n+2,s2n+3,…,s3n),…,saj＝(sjn+1,sjn+2,sjn+3,…,s(j+1)n)，其中sjn+1,sjn+2,sjn+3,…,s(j+1)n中的缺省将使用0来补全，同时计算a0min＝min(s1,s2,s3,…,sn),a0max＝max(s1,s2,s3,…,sn),a1min＝min(sn+1,sn+2,sn+3,…,s2n),a1max＝max(sn+1,sn+2,sn+3,…,s2n),…,ajmin＝min(sjn+1,sjn+2,sjn+3,…,s(j+1)n),ajmax＝max(sjn+1,sjn+2,sjn+3,…,s(j+1)n)，将语音信号sa0,sa1,sa2,…,saj转换为转换信号
Figure FDA0003047174890000011
Figure FDA0003047174890000012
Figure FDA0003047174890000013
Figure FDA0003047174890000014
Figure FDA0003047174890000015
得到转换信号sb0,sb1,sb2,…,sbj；
S40、编码部分网络将所述转换信号进行加密；将所述转换信号sb0,sb1,sb2,…,sbj以最小值为0最大值为m进行最大最小归一化并保持原来顺序输入至所述训练完成的循环神经网络模型的编码部分网络进行加密处理，得到对应的密文s′b0,s′b1,s′b2,…,s′bj，完成加密；
S50、将所述密文按照
s′b0,a0min,a0max,s′b1,a1min,a1max,s′b2,a2min,a2max,…,s′bj,ajmin,ajmax的顺序传输至解码部分网络；
S60、接收并解密所述密文；所述密文后按照s′b0,s′b1,s′b2,…,s′bj的顺序分别输入至解码部分网络进行解密得到对应输出信号s”b0,s”b1,s”b2,…,s”bj，将信号s”b0,s”b1,s”b2,…,s”bj保持原来顺序以最小值为0最大值为m进行最大最小反归一化对应得到信号sc0,sc1,sc2,…,scj，其中sc0＝(s′1,s′2,s′3,…,s′n),sc1＝(s′n+1,s′n+2,s′n+3,…,s′2n),sc2＝(s′2n+1,s′2n+2,s′2n+3,…,s′3n),…,scj＝(s′jn+1,s′jn+2,s′jn+3,…,s′(j+1)n)；
将信号sc0,sc1,sc2,…,scj转换为离散语音信号
Figure FDA0003047174890000021
Figure FDA0003047174890000022
Figure FDA0003047174890000023
Figure FDA0003047174890000024
Figure FDA0003047174890000025
Figure FDA0003047174890000026
Figure FDA0003047174890000027
得到离散化语音信号sd0,sd1,sd2,…,sdj，将离散化语音信号sd0,sd1,sd2,…,sdj使用三次样条插值算法得到输出模拟语音信号S′，完成解密。
2.根据权利要求1所述的基于RNN的语音信息加密方法，其特征在于，所述编码部分网络的神经元层数为Nen层，包括n个神经元单元，每个神经元单元均是GRU结构，GRU结构中所有激活函数均是sigmoid函数；所述解码部分网络的神经元层数为Nde层，包括n个神经元单元，每个神经元单元均是GRU结构，GRU结构中所有激活函数均是sigmoid函数，其中Nen、Nde、n均为整数；
创建循环神经网络模型，包括以下训练步骤：
S101、利用高斯分布随机数初始化所述循环神经网络模型的所有参数，学习率初始化为le，目标整体错误率x，最大训练次数设置为T，训练算法选取贝叶斯正则化算法或动量梯度下降或Adam等算法，损失函数选用binary_crossentropy损失函数或平方差函数等损失函数；其中T为整数；
S102、以随机方式产生一个训练数据样本Va＝(a1,a2,a3,…,an)，其中a1,a2,a3,…,an均为取值范围在[0,m]均匀分布的随机整数，m为整数，以Va自身作为训练数据样本Va的标定值，则获得一个已标定训练数据样本Va1；
S103、重复步骤S102k次，获得k个已标定训练数据样本Va1,Va2,Va3,…,Vak，将k个已标定训练数据样本Va1,Va2,Va3,…,Vak组成所述循环神经网络模型的训练集P，同时将所述循环神经网络模型的测试集Q设置为训练集P，其中k为整数；
S104、从所述训练集P中依次选取所述已标定训练数据样本进行最大最小归一化并输入到所述循环神经网络模型，按照前向传播的公式计算相应的模型输出；按照误差公式计算出该所述训练数据样本输入到所述循环神经网络模型后的模型输出和该所述训练数据样本之间的误差，并按照反向传播算法调节更新所述循环神经网络模型所有参数；
S105、所述训练集P中所有已标定训练数据样本均输入所述循环神经网络模型进行训练后，利用测试集Q计算整体误差X，若整体误差X>目标整体错误率x，则跳转到步骤S104，直至整体误差X<＝目标整体错误率x，或跳转到步骤S104的次数达到最大训练次数T，获得训练完成的循环神经网络模型。
3.根据权利要求2所述的基于RNN的语音信息加密方法，其特征在于，设置所述训练完成的循环神经网络模型的编码部分网络的参数为Xr，所述训练完成的循环神经网络模型的解码部分网络的参数为Yr，则所述Xr与所述Yr将构成非对称群组秘钥对Kr，其中，所述Xr设置为所述非对称群组秘钥对Kr的加密秘钥Xk，所述Yr设置为所述非对称群组秘钥对Kr的解密秘钥Yk。
4.根据权利要求3所述的基于RNN的语音信息加密方法，其特征在于，所述加密秘钥Xk可以设置有若干个，且若干个所述加密秘钥Xk与所述解密秘钥Yk为多对一关系；获取与所述解密秘钥Yk的对应的若干个所述加密秘钥Xk的步骤包括：
S106、针对所述训练完成的循环神经网络模型，固定所述解码部分网络的Yr，以随机的方式选取所述编码部分网络的Xr中的
Figure FDA0003047174890000031
倍个参数，并将选出的参数设置为原来的
Figure FDA0003047174890000032
倍，其中R、r均为整数；结合所述训练集P并通过所述循环神经网络模型的训练步骤重新对所述训练完成的循环神经网络模型进行训练，获得重新训练完成的循环神经网络模型，所述重新训练完成的循环神经网络模型的编码部分网络的参数为Xr′，则所述Xr′为所述非对称群组秘钥对Kr的加密秘钥Xk′，其中加密秘钥Xk′相当于另一个所述加密秘钥Xk；
S107、重复步骤S106，以获得若干个不同的所述加密密钥Xk。
5.根据权利要求2所述的基于RNN的语音信息加密方法，其特征在于，还包括对训练完成的循环神经网络模型进行参数变更的变更训练，所述变更训练包括在步骤S101以后执行以下步骤：
S701、重复步骤102的具体操作k′次，获得k′个已标定训练数据样本V′a1,V′a2,V′a3,…,V′ak′，将k′个已标定训练数据样本V′a1,C′a2,V′a3,…,V′ak′组成所述循环神经网络模型的训练集P′，同时将所述循环神经网络模型的测试集Q′设置为训练集P′，其中k′为整数；
S702、以随机的方式选取训练完成的循环神经网络模型的所有参数中的
Figure FDA0003047174890000041
倍个参数，并将选出的参数设置为原来的
Figure FDA0003047174890000042
倍，其中R、r均为整数；
S703、从所述训练集P′中依次选取一个所述已标定训练数据样本进行最大最小归一化并输入到所述循环神经网络模型，按照前向传播的公式计算相应的模型输出；按照误差公式计算出该所述训练数据样本输入到所述循环神经网络模型后的模型输出和该所述训练数据样本之间的误差，并按照反向传播算法调节更新所述循环神经网络模型所有参数；
S704、所述训练集P′中所有已标定训练数据样本均输入所述循环神经网络模型进行训练后，利用测试集Q′计算整体误差X，若整体误差X>目标整体错误率x，则跳转到步骤703，直至整体误差X<＝目标整体错误率x，或跳转到步骤703的次数达到最大训练次数T，所述循环神经网络模型训练完成，即所述训练完成的循环神经网络模型的参数变更完成，获得完成更新的循环神经网络模型。
6.一种装置，其特征在于，包括信息终端，所述信息终端安装有如权利要求1-5任一项所述的循环神经网络模型。
7.根据权利要求6所述的装置，其特征在于，所述信息终端包括信息发送终端和目标接收终端；所述信息发送终端包括：
语音信号离散化模块，用于将目标加密语音以采样频率f进行采样以得到离散化目标加密语音信号s＝(s1,s2,s3,…,si,…)；
语音分解模块，用于将离散化目标加密语音信号s分解为语音信号sa0＝(s1,s2,s3,…,sn),sa1＝(sn+1,sn+2,sn+3,…,s2n),sa2＝(s2n+1,s2n+2,s2n+3,…,s3n),…,saj＝(sjn+1,sjn+2,sjn+3,…,s(j+1)n)，且用于计算a0min＝min(s1,s2,s3,…,sn),a0max＝max(s1,s2,s3,…,sn),a1min＝min(sn+1,sn+2,sn+3,…,s2n),a1max＝max(sn+1,sn+2,sn+3,…,s2n),…,ajmin＝min(sjn+1,sjn+2,sjn+3,…,s(j+1)n),ajmax＝max(sjn+1,sjn+2,sjn+3,…,s(j+1)n)，并将语音信号sa0,sa1,sa2,…,saj转换为转换信号
Figure FDA0003047174890000051
Figure FDA0003047174890000052
Figure FDA0003047174890000053
Figure FDA0003047174890000054
Figure FDA0003047174890000055
编码部分网络，用于将所述转换信号sb0,sb1,sb2,…,sbj以最小值为0最大值为m进行最大最小归一化并保持原来顺序输入至所述训练完成的循环神经网络模型的编码部分网络进行加密处理，得到对应的密文s′b0,s′b1,s′b2,…,s′bj；
信号传输模块，用于将密文按s′b0,s′b1,s′b2,…,s′bjs′b0,a0min,a0max,s′b1,a1min,a1max,s′b2,a2min,a2max,…,s′bj,ajmin,ajmax的顺序传输至目标接收端；
所述目标接收终端包括信号接收模块和解码部分网络：
信号接收模块，用于接收信号传输模块发送的所述密文，并将接收到所述密文按照s′b0,s′b1,s′b2,…,s′bj的顺序分别输入至解码部分网络；
所述解码部分网络接收所述密文并解密，得到输出信号将信号s”b0,s”b1,s”b2,…,s”bj，将信号s”b0,s”b1,s”b2,…,s”bj保持原来顺序以最小值为0最大值为m进行最大最小反归一化对应得到信号sc0,sc1,sc2,…,scj，其中sc0＝(s′1,s′2,s′3,…,s′n),sc1＝(s′n+1,s′n+2,s′n+3,…,s′2n),sc2＝(s′2n+1,s′2n+2,s′2n+3,…,s′3n),…,scj＝(s′jn+1,s′jn+2,s′jn+3,…,s′(j+1)n)；
然后将信号sc0,sc1,sc2,…,scj转换为离散语音信号
Figure FDA0003047174890000056
Figure FDA0003047174890000061
Figure FDA0003047174890000062
Figure FDA0003047174890000063
Figure FDA0003047174890000064
Figure FDA0003047174890000065
Figure FDA0003047174890000066
得到离散化语音信号sd0,sd1,sd2,…,sdj后，将离散化语音信号sd0,sd1,sd2,…,sdj使用三次样条插值算法得到输出模拟语音信号S′。
CN202110476212.7A 2021-04-29 2021-04-29 基于rnn的语音信息加密方法及装置 Pending CN113037781A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110476212.7A CN113037781A (zh) 2021-04-29 2021-04-29 基于rnn的语音信息加密方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110476212.7A CN113037781A (zh) 2021-04-29 2021-04-29 基于rnn的语音信息加密方法及装置

Publications (1)

Publication Number Publication Date
CN113037781A true CN113037781A (zh) 2021-06-25

Family

ID=76455491

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110476212.7A Pending CN113037781A (zh) 2021-04-29 2021-04-29 基于rnn的语音信息加密方法及装置

Country Status (1)

Country Link
CN (1) CN113037781A (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160134748A1 (en) * 2011-05-09 2016-05-12 Intelligent Decisions, Inc. Systems, methods, and devices for testing communication lines
CN107977705A (zh) * 2017-12-01 2018-05-01 广东工业大学 基于cnn的二决策变量优化问题连续式寻优方法及装置
US20180336880A1 (en) * 2017-05-19 2018-11-22 Baidu Usa Llc Systems and methods for multi-speaker neural text-to-speech
CN109256141A (zh) * 2018-09-13 2019-01-22 芯盾（北京）信息技术有限公司 利用语音信道进行数据传输的方法
US20200036510A1 (en) * 2018-07-25 2020-01-30 Sap Se Neural network encryption system
CN110767239A (zh) * 2019-09-20 2020-02-07 平安科技（深圳）有限公司 一种基于深度学习的声纹识别方法、装置及设备
CN111128137A (zh) * 2019-12-30 2020-05-08 广州市百果园信息技术有限公司 一种声学模型的训练方法、装置、计算机设备和存储介质
WO2020124902A1 (zh) * 2018-12-19 2020-06-25 中国科学院自动化研究所 基于有监督学习听觉注意的语音提取方法、系统、装置
CN111640444A (zh) * 2020-04-17 2020-09-08 宁波大学 基于cnn的自适应音频隐写方法和秘密信息提取方法
WO2021007047A1 (en) * 2019-07-08 2021-01-14 Tencent America LLC Distributed and collaborative analytics of encrypted data using deep polynomial networks
CN112351151A (zh) * 2020-11-10 2021-02-09 广东工业大学 基于fcn的图像信息加密方法及装置
CN112597519A (zh) * 2020-12-28 2021-04-02 杭州电子科技大学 Ofdm加密系统中基于卷积神经网络的无密钥解密方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160134748A1 (en) * 2011-05-09 2016-05-12 Intelligent Decisions, Inc. Systems, methods, and devices for testing communication lines
US20180336880A1 (en) * 2017-05-19 2018-11-22 Baidu Usa Llc Systems and methods for multi-speaker neural text-to-speech
CN107977705A (zh) * 2017-12-01 2018-05-01 广东工业大学 基于cnn的二决策变量优化问题连续式寻优方法及装置
US20200036510A1 (en) * 2018-07-25 2020-01-30 Sap Se Neural network encryption system
CN109256141A (zh) * 2018-09-13 2019-01-22 芯盾（北京）信息技术有限公司 利用语音信道进行数据传输的方法
WO2020124902A1 (zh) * 2018-12-19 2020-06-25 中国科学院自动化研究所 基于有监督学习听觉注意的语音提取方法、系统、装置
WO2021007047A1 (en) * 2019-07-08 2021-01-14 Tencent America LLC Distributed and collaborative analytics of encrypted data using deep polynomial networks
CN110767239A (zh) * 2019-09-20 2020-02-07 平安科技（深圳）有限公司 一种基于深度学习的声纹识别方法、装置及设备
CN111128137A (zh) * 2019-12-30 2020-05-08 广州市百果园信息技术有限公司 一种声学模型的训练方法、装置、计算机设备和存储介质
CN111640444A (zh) * 2020-04-17 2020-09-08 宁波大学 基于cnn的自适应音频隐写方法和秘密信息提取方法
CN112351151A (zh) * 2020-11-10 2021-02-09 广东工业大学 基于fcn的图像信息加密方法及装置
CN112597519A (zh) * 2020-12-28 2021-04-02 杭州电子科技大学 Ofdm加密系统中基于卷积神经网络的无密钥解密方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王龙等: "基于RNN汉语语言模型自适应算法研究", 《火力与指挥控制》 *

Similar Documents

Publication Publication Date Title
US11599832B2 (en) Systems, circuits and computer program products providing a framework for secured collaborative training using hyper-dimensional vector based data encoding/decoding and related methods
Manohar et al. Data encryption & decryption using steganography
CN105471575A (zh) 一种信息加密、解密方法及装置
Renza et al. High-uncertainty audio signal encryption based on the Collatz conjecture
WO2021106077A1 (ja) ニューラルネットワークの更新方法、端末装置、計算装置及びプログラム
Belmeguenai et al. A novel approach based on stream cipher for selective speech encryption
Lin et al. Chaos based encryption system for encrypting electroencephalogram signals
Sun et al. Lightweight internet of things device authentication, encryption, and key distribution using end-to-end neural cryptosystems
Yan et al. A conservative chaotic system with coexisting chaotic-like attractors and its application in image encryption
Hermassi et al. A joint encryption-compression codec for speech signals using the ITU-T G. 711 standard and chaotic map
CN112351151B (zh) 基于fcn的图像信息加密方法及装置
US6301361B1 (en) Encoding and decoding information using randomization with an alphabet of high dimensionality
CN116506218B (zh) 一种云环境下用户数据交互式计算隐私保护方法及系统
Sadkhan et al. Chaos based cryptography for voice encryption in wireless communication
CN113037781A (zh) 基于rnn的语音信息加密方法及装置
CN115514496A (zh) 一种基于卷积神经网络的rsa数字签名伪造方法
KR101836947B1 (ko) 양자 통신에서의 다자간 키 분배 방법, 이를 이용하는 양자 통신 방법 및 이를 수행하는 양자 통신 시스템
US11727125B2 (en) Emergent language based data encryption
CN111859440B (zh) 基于混合协议的分布式隐私保护逻辑回归模型的样本分类方法
CN115134471A (zh) 图像加密、解密方法以及相关设备
Narayana et al. Medical image cryptanalysis using adaptive, lightweight neural network based algorithm for IoT based secured cloud storage
CN115396102B (zh) 一种基于分块和循环码的物理层密钥生成方法
CN116758661B (zh) 智能解锁方法、装置、电子设备和计算机可读介质
CN112367157B (zh) 一种物联网环境加密方法及装置
CN117057804B (zh) 基于哈希序列的金融交易数据安全存储方法及系统

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
AD01 Patent right deemed abandoned
AD01 Patent right deemed abandoned

Effective date of abandoning: 20230317