CN114880706A - 一种信息处理方法、装置及设备 - Google Patents
一种信息处理方法、装置及设备 Download PDFInfo
- Publication number
- CN114880706A CN114880706A CN202210486324.5A CN202210486324A CN114880706A CN 114880706 A CN114880706 A CN 114880706A CN 202210486324 A CN202210486324 A CN 202210486324A CN 114880706 A CN114880706 A CN 114880706A
- Authority
- CN
- China
- Prior art keywords
- information
- region
- model
- processing
- sample data
- 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
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
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
- G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
-
- 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 Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioethics (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computer Hardware Design (AREA)
- Computer Security & Cryptography (AREA)
- Image Analysis (AREA)
Abstract
本说明书实施例公开了一种信息处理方法、装置及设备,该方法包括:获取目标用户待处理的第一信息,第一信息中包括目标用户的隐私信息;为第一信息选取相应的第二信息,并将第一信息和第二信息输入到预先训练的隐写区域模型中,得到用于对第一信息进行隐写处理的第二信息对应的区域,用于对第一信息进行隐写处理的区域为呈现第二信息的区域中的部分区域;将第一信息和用于对第一信息进行隐写处理的区域输入到预先训练的隐写模型中,得到在用于对第一信息进行隐写处理的区域中隐写入第一信息的隐写信息;基于隐写信息对目标业务进行业务处理。
Description
技术领域
本文件涉及计算机技术领域,尤其涉及一种信息处理方法、装置及设备。
背景技术
近年来,信息处理技术得到了飞速发展,通过线上平台或终端设备进行信息交互的应用已经进入到了人们的工作和生活中,例如某小区的人脸门禁系统、手机的指纹解锁等。然而,在通过线上平台或终端设备进行信息交互为用户提供便利的同时,由于信息交互系统需要对信息进行了采集、传输、处理和存储等处理,尤其是用户的隐私信息,从而使得用户的隐私信息处于高危状态,一旦用户的隐私信息泄漏,其财产和信息安全将受到很大的威胁。
隐私保护能力成为信息交互系统的重要能力,通常,可以通过信息加密的方式进行隐私保护处理,具体地,使用简单的线性操作对用户的隐私信息进行加密或行列混淆等处理,但上述方式原子操作简单、流程单一、且很容易被诸如暴力破解等方式破解。此外,还可以通过深度学习的方式进行隐私保护处理,但最终的得到的隐私保护后的信息往往没有任何物理含义,这样,不方便在信息交互阶段进行信息展示等操作,从而造成上述方式具有一定的局限性。基于此,需要提供一种安全性更高、隐私保护能力更强且具有更优的可展示性的信息处理方案。
发明内容
本说明书实施例的目的是提供一种安全性更高、隐私保护能力更强且具有更优的可展示性的信息处理方案。
为了实现上述技术方案,本说明书实施例是这样实现的:
本说明书实施例提供的一种信息处理方法,所述方法包括:获取目标用户待处理的第一信息,所述第一信息中包括所述目标用户的隐私信息。为所述第一信息选取相应的第二信息,并将所述第一信息和所述第二信息输入到预先训练的隐写区域模型中,得到用于对所述第一信息进行隐写处理的所述第二信息对应的区域,用于对所述第一信息进行隐写处理的区域为呈现所述第二信息的区域中的部分区域,所述隐写区域模型用于在一个信息的呈现区域中确定对另一个信息进行隐写处理的部分区域。将所述第一信息和所述用于对所述第一信息进行隐写处理的区域输入到预先训练的隐写模型中,得到在所述用于对所述第一信息进行隐写处理的区域中隐写入所述第一信息的隐写信息,所述隐写模型用于将一个信息隐写入用于呈现另一个信息的区域的部分区域内。基于所述隐写信息对目标业务进行业务处理。
本说明书实施例提供的一种信息处理装置,所述装置包括:信息获取模块,获取目标用户待处理的第一信息,所述第一信息中包括所述目标用户的隐私信息。区域确定模块,为所述第一信息选取相应的第二信息,并将所述第一信息和所述第二信息输入到预先训练的隐写区域模型中,得到用于对所述第一信息进行隐写处理的所述第二信息对应的区域,用于对所述第一信息进行隐写处理的区域为呈现所述第二信息的区域中的部分区域,所述隐写区域模型用于在一个信息的呈现区域中确定对另一个信息进行隐写处理的部分区域。隐写模块,将所述第一信息和所述用于对所述第一信息进行隐写处理的区域输入到预先训练的隐写模型中,得到在所述用于对所述第一信息进行隐写处理的区域中隐写入所述第一信息的隐写信息,所述隐写模型用于将一个信息隐写入用于呈现另一个信息的区域的部分区域内。处理模块,基于所述隐写信息对目标业务进行业务处理。
本说明书实施例提供的一种信息处理设备,所述信息处理设备包括:处理器;以及被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器:获取目标用户待处理的第一信息,所述第一信息中包括所述目标用户的隐私信息。为所述第一信息选取相应的第二信息,并将所述第一信息和所述第二信息输入到预先训练的隐写区域模型中,得到用于对所述第一信息进行隐写处理的所述第二信息对应的区域,用于对所述第一信息进行隐写处理的区域为呈现所述第二信息的区域中的部分区域,所述隐写区域模型用于在一个信息的呈现区域中确定对另一个信息进行隐写处理的部分区域。将所述第一信息和所述用于对所述第一信息进行隐写处理的区域输入到预先训练的隐写模型中,得到在所述用于对所述第一信息进行隐写处理的区域中隐写入所述第一信息的隐写信息,所述隐写模型用于将一个信息隐写入用于呈现另一个信息的区域的部分区域内。基于所述隐写信息对目标业务进行业务处理。
本说明书实施例还提供了一种存储介质,所述存储介质用于存储计算机可执行指令,所述可执行指令在被处理器执行时实现以下流程:获取目标用户待处理的第一信息,所述第一信息中包括所述目标用户的隐私信息。为所述第一信息选取相应的第二信息,并将所述第一信息和所述第二信息输入到预先训练的隐写区域模型中,得到用于对所述第一信息进行隐写处理的所述第二信息对应的区域,用于对所述第一信息进行隐写处理的区域为呈现所述第二信息的区域中的部分区域,所述隐写区域模型用于在一个信息的呈现区域中确定对另一个信息进行隐写处理的部分区域。将所述第一信息和所述用于对所述第一信息进行隐写处理的区域输入到预先训练的隐写模型中,得到在所述用于对所述第一信息进行隐写处理的区域中隐写入所述第一信息的隐写信息,所述隐写模型用于将一个信息隐写入用于呈现另一个信息的区域的部分区域内。基于所述隐写信息对目标业务进行业务处理。
附图说明
为了更清楚地说明本说明书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说明书中记载的一些实施例,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他的附图。
图1为本说明书一种信息处理方法实施例;
图2为本说明书另一种信息处理方法实施例;
图3为本说明书又一种信息处理方法实施例;
图4为本说明书一种信息处理系统的结构示意图;
图5为本说明书又一种信息处理方法实施例;
图6为本说明书一种信息处理装置实施例;
图7为本说明书一种信息处理设备实施例。
具体实施方式
本说明书实施例提供一种信息处理方法、装置及设备。
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本说明书实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本说明书保护的范围。
实施例一
如图1所示,本说明书实施例提供一种信息处理方法,该方法的执行主体可以为终端设备或服务器,其中,该终端设备可以如手机、平板电脑等一定终端设备,还可以如笔记本电脑或台式电脑等计算机设备,或者,也可以为IoT设备(具体如智能手表、车载设备等)等。该服务器可以是独立的一个服务器,还可以是由多个服务器构成的服务器集群等,该服务器可以是如金融业务或网络购物业务等的后台服务器,也可以是某应用程序的后台服务器等。该方法具体可以包括以下步骤:
在步骤S102中,获取目标用户待处理的第一信息,第一信息中包括目标用户的隐私信息。
其中,目标用户可以是任意用户,如上述终端设备的拥有者,目标用户可以通过该终端设备发起信息处理请求。用户的隐私信息可以包括多种,例如用户的姓名、证明该用户身份的证件的号码、居住地址、手机号码、用户生物信息(具体如用户的指纹信息、面部信息等)等,具体可以根据实际情况设定,本说明书实施例对此不做限定。
在实施中,近年来,信息处理技术得到了飞速发展,通过线上平台或终端设备进行信息交互的应用已经进入到了人们的工作和生活中,例如某小区的人脸门禁系统、手机的指纹解锁等。然而,在通过线上平台或终端设备进行信息交互为用户提供便利的同时,由于信息交互系统需要对信息进行了采集、传输、处理和存储等处理,尤其是用户的隐私信息,从而使得用户的隐私信息处于高危状态,一旦用户的隐私信息泄漏,其财产和信息安全将受到很大的威胁。
隐私保护能力成为信息交互系统的重要能力,通常,可以通过信息加密的方式进行隐私保护处理,具体地,使用简单的线性操作对用户的隐私信息进行加密或行列混淆等处理,但上述方式原子操作简单、流程单一、且很容易被诸如暴力破解等方式破解。此外,还可以通过深度学习的方式进行隐私保护处理,具体地,通过训练并使用深度学习模型(如神经网络模型等)对用户的隐私信息进行隐私保护处理,得到隐私保护后的信息,但最终的得到的隐私保护后的信息往往没有任何物理含义,这样,不方便在信息交互阶段进行信息展示等操作,从而造成上述方式具有一定的局限性。基于此,需要提供一种安全性更高、隐私保护能力更强且具有更优的可展示性的信息处理方案。本说明书实施例提供一种可实现的技术方案,具体可以包括以下内容:
当用户(即目标用户)需要执行某项指定业务(如支付业务、登录业务等)时,可以触发上述指定业务的执行机制,在执行上述指定业务的过程中往往会获取目标用户的相关信息,例如,可以获取目标用户的证明该用户身份的证件的号码、居住地址、手机号码、用户生物信息等信息。可以对上述获取的相关信息进行分析,确定其中是否包含目标用户的隐私信息,如果其中包括目标用户的隐私信息,则可以获取上述信息,并可以将获取的信息作为第一信息。
例如,在执行上述指定业务之前往往需要对该用户的身份进行识别,此时,终端设备可以启动相应的信息采集组件(如摄像组件),并可以通过信息采集组件采集该用户的用户生物信息(具体如,可以采集该用户的面部图像等),从而终端设备可以获取到包括用户生物信息的第一信息。
在步骤S104中,为第一信息选取相应的第二信息,并将第一信息和第二信息输入到预先训练的隐写区域模型中,得到用于对第一信息进行隐写处理的第二信息对应的区域,用于对第一信息进行隐写处理的区域为呈现第二信息的区域中的部分区域,隐写区域模型用于在一个信息的呈现区域中确定对另一个信息进行隐写处理的部分区域。
其中,隐写区域模型可以是用于确定对某信息进行隐写处理后,需要将该信息隐写入的另一个信息的部分内容中的模型,隐写区域模型可以通过多种不同的算法构建,例如,可以通过神经网络算法构建隐写区域模型,或者,可以通过随机森林算法构建隐写区域模型等,具体可以根据实际情况设定,本说明书实施例对此不做限定。第二信息可以是任意信息,也可以是与第一信息相关联的信息,例如,第二信息可以是某用户的拍摄的面部照片,第一信息可以为该用户的卡通形象的图像等,具体可以根据实际情况设定,本说明书实施例对此不做限定。呈现第二信息的区域可以是显示或展示第二信息内容的区域,例如第二信息可以是某用户的面部信息,呈现第二信息的区域可以是包含该面部信息的图像所在的区域。
在实施中,可以通过预设的算法构建隐写区域模型的初始架构,然后,可以获取不同用户的隐私信息构成的第一训练样本数据,并可以选取第二训练样本数据(其中,第一训练样本数据与第二训练样本数据可以相关,也可以无关),并可以以上述第一训练样本数据和第二训练样本数据作为模型的训练样本数据,然后,可以设定相应的损失函数,可以使用获取的第一训练样本数据、第二训练样本数据和该损失函数,同时,可以在呈现第二训练样本数据的区域中随机选取部分区域,进而对该隐写区域模型进行训练,得到训练后的隐写区域模型,通过训练后的隐写区域模型可以为第一训练样本数据选取进行隐写处理的区域(即呈现第二训练样本数据的区域中的部分区域)。
当获取到包含目标用户的隐私信息的第一信息后,可以对第一信息进行分析,基于得到的分析结果,可以为第一信息选取相应的第二信息,然后,可以将上述第一信息和第二信息输入到上述训练后的隐写区域模型中,通过隐写区域模型从呈现第二信息的区域中选取用于对第一信息进行隐写处理的部分区域,即后续可以将第一信息隐写入上述选取的部分区域内,以对第一信息进行隐私保护处理,从而使得用户的隐私信息(如指纹纹路的信息、面部的清晰轮廓信息等)以被隐藏的方式写入上述选取的部分区域内。
在步骤S106中,将第一信息和用于对第一信息进行隐写处理的区域输入到预先训练的隐写模型中,得到在用于对第一信息进行隐写处理的区域中隐写入第一信息的隐写信息,隐写模型用于将一个信息隐写入用于呈现另一个信息的区域的部分区域内。
其中,隐写模型可以是用于将一个信息通过信息隐写的方式写入用于呈现另一个信息的区域的部分区域内的模型,隐写模型可以通过多种不同的算法构建,例如,可以通过神经网络算法构建隐写模型,或者,可以通过HUGO(Highly Undetectable stego)算法构建隐写模型等,具体可以根据实际情况设定,本说明书实施例对此不做限定。用于对第一信息进行隐写处理的区域可以是呈现第二信息的区域中的部分区域,例如,第二信息为图像,则用于对第一信息进行隐写处理的区域可以是上述整个图像中的部分图像对应的区域。
在实施中,可以通过预设的算法构建隐写模型的初始架构,然后,可以获取不同用户的隐私信息构成的第一训练样本数据,并可以选取第二训练样本数据(其中,第一训练样本数据与第二训练样本数据可以相关,也可以无关),并可以在呈现第二训练样本数据的区域中随机选取部分区域,并通过预先设定的相应损失函数,对该隐写模型进行训练,得到训练后的隐写模型,通过训练后的隐写模型可以将第一训练样本数据通过信息隐藏的方式写入上述选取的部分区域(即呈现第二训练样本数据的区域中的部分区域)内。
当获取到第一信息和用于对第一信息进行隐写处理的区域后,可以将上述第一信息和用于对第一信息进行隐写处理的区域输入到上述训练后的隐写模型中,通过隐写模型将第一信息通过信息隐藏的方式写入呈现第二信息的区域中的部分区域内,从而实现以对第一信息进行隐私保护处理,从而使得用户的隐私信息(如指纹纹路的信息、面部的清晰轮廓信息等)以被隐藏的方式写入上述选取的部分区域内。
在步骤S108中,基于上述隐写信息对目标业务进行业务处理。
在实施中,可以使用隐写信息进行后续的业务处理,具体如,目标业务为支付业务,则在执行支付业务时,需要对用户的身份进行识别,此时,可以使用该隐写信息(即隐私保护后的用户生物信息,也即是对第一信息进行隐写处理的区域中隐写入第一信息后得到的信息)与本地(或服务器)中预先存储的基准用户生物信息(其中可以不包含敏感信息,即仍然是隐私保护后的用户生物信息)进行相似度计算,如果得到的相似度数值大于预设相似度阈值,则对目标用户进行生物识别处理的结果为通过,此时,可以继续进行目标业务(即支付业务)处理,如果得到的相似度数值小于预设相似度阈值,则对目标用户进行生物识别处理的结果为失败,则终止进行目标业务处理,在实际应用中,上述处理过程仅是一种可选的方式,还可以包括多种不同的处理方式,具体可以根据实际情况设定。
本说明书实施例提供一种信息处理方法,通过获取目标用户待处理的第一信息,第一信息中包括目标用户的隐私信息,然后,为第一信息选取相应的第二信息,并将第一信息和第二信息输入到预先训练的隐写区域模型中,得到用于对第一信息进行隐写处理的第二信息对应的区域,用于对第一信息进行隐写处理的区域为呈现第二信息的区域中的部分区域,将第一信息和用于对第一信息进行隐写处理的区域输入到预先训练的隐写模型中,得到在用于对第一信息进行隐写处理的区域中隐写入第一信息的隐写信息,基于隐写信息对目标业务进行业务处理,这样,通过隐写技术,将用户的隐私信息隐写如便于展示的第二信息中(例如用户的卡通化头像等),既对用户的隐私信息进行了脱敏处理,又方便进行信息的展示,另外,在隐写技术方面,有别于传统的向整个信息中进行隐写处理,本方案提出了局部-全局隐写方式,即通过相应的模型检索到能够进行隐写处理的局部区域进行隐写处理,一方面提升了隐写的质量,另一方面攻击者无法确定在哪个区域进行了隐写处理,从而使得隐私信息很难被泄露,提升了隐写的安全性。
实施例二
如图2所示,本说明书实施例提供一种信息处理方法,该方法的执行主体可以为终端设备或服务器,其中,该终端设备可以如手机、平板电脑等一定终端设备,还可以如笔记本电脑或台式电脑等计算机设备,或者,也可以为IoT设备(具体如智能手表、车载设备等)等。该服务器可以是独立的一个服务器,还可以是由多个服务器构成的服务器集群等,该服务器可以是如金融业务或网络购物业务等的后台服务器,也可以是某应用程序的后台服务器等。该方法具体可以包括以下步骤:
在步骤S202中,获取第一训练样本数据和呈现第二训练样本数据的区域中的部分区域,第一训练样本数据中包括用户的隐私信息。
其中,第一训练样本数据可以包括多个,多个第一训练样本数据可以是由同一个用户的隐私信息构成,也可以是由多个不同用户的隐私信息构成,具体可以根据实际情况设定。第二训练样本数据可以包括多个,第二训练样本数据的数量可以与第一训练样本数据的数量相同,第二训练样本数据的数量也可以小于第一训练样本数据的数量,呈现第二训练样本数据的区域可以如第二训练样本数据所在的图像中的部分图像的区域。
在实施中,在经过用户同意的情况下,可以从多个不同的用户处获取该用户的隐私信息,可以将获取的用户的隐私信息作为第一训练样本数据,或者,可以从指定的数据库中获取用户的隐私信息,可以将获取的用户的隐私信息作为第一训练样本数据等,具体可以根据实际情况设定。此外,还可以根据实际情况获取第二训练样本数据,第二训练样本数据可以与第一训练样本数据相关,也可以与第一训练样本数据无关,例如,可以经过用户同意由该用户提供与第一训练样本数据相关的第二训练样本数据,或者,可以从指定的数据库中随机选取第二训练样本数据等,具体可以根据实际情况设定,本说明书实施例对此不做限定。
可以确定呈现第二训练样本数据的区域,例如,第二训练样本数据为图像数据,则呈现第二训练样本数据的区域即可以为呈现第二训练样本数据的图像所在的区域,再例如,第二训练样本数据为文本数据,则呈现第二训练样本数据的区域即可以为呈现或展示第二训练样本数据的文档内容的区域等,具体可以根据实际情况设定。然后,可以根据实际情况随机对呈现第二训练样本数据的区域进行划分,得到多个部分区域,可以从上述多个部分区域中随机选取一个部分区域作为上述获取的呈现第二训练样本数据的区域中的部分区域。
在步骤S204中,通过第一训练样本数据和呈现第二训练样本数据的区域中的部分区域,对隐写模型、解码模型和对抗模型进行联合训练,得到训练后的隐写模型、训练后的解码模型和训练后的对抗模型,解码模型用于对隐写处理后的第一训练样本数据进行还原处理,对抗模型用于判断呈现第二训练样本数据的区域中的两个部分区域中是否隐写入第一训练样本数据,两个部分区域中的一个部分区域为未隐写入第一训练样本数据的区域。
其中,第一损失函数可以通过多种不同的方式确定,例如可以基于隐写模型、解码模型和对抗模型分别设置相应的损失函数,也可以再设置输入数据与最终的输出数据对应的损失函数等,或者,也可以根据实际情况为上述联合训练设置合适的损失函数,具体可以根据实际情况设定,本说明书实施例对此不做限定。
在实施中,可以将第一训练样本数据和呈现第二训练样本数据的区域中的部分区域分别输入到隐写模型中,得到输出数据(即隐写处理后的第一训练样本数据,也即是将第一训练样本数据通过信息隐写的方式写入呈现第二训练样本数据的区域中的部分区域内后得到的数据),可以使用解码模型对上述输出数据进行还原处理,并可以通过对抗模型判断呈现第二训练样本数据的区域中的两个部分区域中是否隐写入第一训练样本数据,然后,可以通过第一损失函数计算相应的损失值,可以基于计算的损失值判断上述隐写模型、解码模型和对抗模型是否收敛,如果收敛,则得到训练后的隐写模型、训练后的解码模型和训练后的对抗模型,如果未收敛,则基于训练样本数据(即第一训练样本数据和呈现第二训练样本数据的区域中的部分区域)继续对隐写模型、解码模型和对抗模型进行训练,直到隐写模型、解码模型和对抗模型收敛,得到训练后的隐写模型、训练后的解码模型和训练后的对抗模型。
上述步骤S204的具体处理方式可以多种多样,以下提供一种可选的处理方式,具体可以包括以下步骤A2~步骤A8的处理。
在步骤A2中,将第一训练样本数据和呈现第二训练样本数据的区域中的部分区域输入到隐写模型中,得到隐写处理后的第一训练样本数据。
在步骤A4中,将隐写处理后的第一训练样本数据输入到解码模型,以通过解码模型对隐写处理后的第一训练样本数据进行还原处理,得到重建的第一训练样本数据。
在步骤A6中,将呈现第二训练样本数据的区域中的两个部分区域输入到对抗模型中,以通过对抗模型确定呈现第二训练样本数据的区域中的两个部分区域中每个部分区域中隐写入第一训练样本数据的概率,得到相应的输出结果。
在步骤A8中,基于第一训练样本数据、隐写处理后的第一训练样本数据、重建的第一训练样本数据、呈现第二训练样本数据的区域中的部分区域、上述输出结果和预设的第一损失函数,确定隐写模型、解码模型和对抗模型是否收敛,如果否,则获取第一训练样本数据和呈现第二训练样本数据的区域中的部分区域继续对隐写模型、解码模型和对抗模型进行模型训练,直到隐写模型、解码模型和对抗模型收敛,得到训练后的隐写模型、训练后的解码模型和训练后的对抗模型。
其中,第一损失函数由呈现第二训练样本数据的区域中的部分区域在进行隐写处理前和在进行隐写处理后的峰值信噪比(PSNR)的差值的最小值、第一训练样本数据和重建的第一训练样本数据之间的相似度的最大值,以及预设的分类子损失函数确定,具体如Lt=L1(A,At)+L2(B,Br)+L3(p,y),其中的A表示第一训练样本数据,At表示隐写处理后的第一训练样本数据,B表示隐写处理后的第一训练样本数据,Br表示重建的第一训练样本数据,Lt表示第一训练样本数据对应的第一损失函数,p和y分别表示两个部分区域中每个部分区域中隐写入第一训练样本数据的概率,L1(A,At)保证隐私保护的效果和可展示的效果,使得隐写入第一训练样本数据的呈现第二训练样本数据的区域中的部分区域的PSNR维持在较高水平,即呈现第二训练样本数据的区域中的部分区域在进行隐写处理前和在进行隐写处理后的PSNR基本一致(即两者的差值小于预设阈值),L2(B,Br)则确保隐写处理后的第一训练样本数据可以被较好地恢复出原始的第一训练样本数据,L3(p,y)可以为对抗二分类子损失函数,用于区分第二训练样本数据中是否包含通过信息隐藏的方式写入的信息(该对抗的训练方式可以使得隐写处理的安全性更高)。隐写模型和解码模型可以基于多种不同的方式构建,例如,可以基于U-Net构建,该U-Net由全连接网络构建,U-Net呈现出形似字母“U”的结构,它由左半边的压缩通道(Contracting Path)和右半边扩展通道(ExpansivePath)组成,压缩通道可以通过卷积神经网络构建,可以重复采用2个卷积层和1个最大池化层的结构,每进行一次池化操作后,数据的维数会增加。在扩展通道,先进行1次反卷积操作,使数据的维数减半,然后,将其拼接对应压缩通道进行裁剪,可以得到相应的特征数据,基于上述特征数据重新组成新的特征数据,再采用2个卷积层进行特征提取,并重复上述结构,在最后的输出层,用2个卷积层将高维度的特征数据局映射成低维度的输出数据,U-Net具体可以分为上采样和下采样等两个部分,下采样部分主要利用连续的卷积池化层提取数据中的特征信息,并逐步将特征信息映射至高维,在整个网络的最高维度存在整个数据中丰富的特征信息,U-Net可以不需要直接将该数据进行池化处理并直接上采样至与原数据大小一致的输出数据,而是通过反卷积处理,将高维度特征再次向低维映射,映射的过程中为了增强分割的精度,会将同维度下收缩网络中与其维度相同的数据进行融合,由于在融合的过程中维度会变成原维度的2倍,因此需要再次进行卷积处理,保证处理过后的维度与融合操作之前的维度相同,以便于进行再一次的反卷积处理后能够和同维度下的数据进行二次融合,直到能够与原数据的维度相同时输出数据。本实施例中的隐写模型和解码模型的结构可以由一定数量的网络层的U-Net构成,具体如,可以由具有8或10个网络层的U-Net构成等,具体可以根据实际情况设定。再例如,可以通过多层感知机MLP构建,MLP中除了输入层和输出层之外,它中间可以有多个隐藏层,最简单的MLP只含一个隐藏层,即三层的结构,MLP的层与层之间是全连接的,MLP的最底层是输入层,中间是隐藏层,最后是输出层。该隐写模型和解码模型具体如,可以通过一个三层的MLP构建该隐写模型和解码模型,具体可以根据实际情况设定。对抗模型可以通过指定的分类算法构建,具体如二分类算法等,具体可以根据实际情况选取合适的分类算法或二分类算法等。
在实施中,可以获取第一训练样本数据和呈现第二训练样本数据的区域中的部分区域,并可以将第一训练样本数据和呈现第二训练样本数据的区域中的部分区域输入到编码模型中,得到隐写处理后的第一训练样本数据,可以将隐写处理后的第一训练样本数据输入到解码模型中,得到重建的第一训练样本数据,同时,可以将呈现第二训练样本数据的区域中的两个部分区域输入到对抗模型中,得到两个部分区域中每个部分区域中隐写入第一训练样本数据的概率。其中,解码模型也可以基于U-Net构建或基于MLP构建,解码模型的输入数据为隐写处理后的第一训练样本数据,输出数据为重建的第一训练样本数据。然后,可以基于第一训练样本数据、隐写处理后的第一训练样本数据、重建的第一训练样本数据、呈现第二训练样本数据的区域中的部分区域、上述输出结果和预设的第一损失函数,确定隐写模型、解码模型和对抗模型是否收敛,如果否,则获取第一训练样本数据和呈现第二训练样本数据的区域中的部分区域继续对隐写模型、解码模型和对抗模型进行模型训练,直到隐写模型、解码模型和对抗模型收敛,得到训练后的隐写模型、训练后的解码模型和训练后的对抗模型。
上述处理过程的目的是训练一个可以将隐私信息隐写到另一个信息中指定区域的模型,另外,为了提升隐写的性能,并为后续强化学习提供Reward函数。
在步骤S206中,基于第一训练样本数据和第二训练样本数据,通过隐写区域模型对应的预设的区域搜索策略,以确定呈现第二训练样本数据的区域中满足预设的对第一训练样本数据进行隐写处理的条件的部分区域,并采用预设的第二损失函数和确定的满足预设的对第一训练样本数据进行隐写处理的条件的部分区域,确定隐写区域模型是否收敛,如果否,则获取第一训练样本数据和第二训练样本数据继续对隐写区域模型进行模型训练,直到隐写区域模型收敛,得到训练后的隐写区域模型。
其中,第二损失函数可以通过多种不同的方式确定,例如可以基于隐写模型、解码模型和对抗模型分别设置相应的损失函数,也可以再设置输入数据与最终的输出数据对应的损失函数等,并可以通过上述损失函数构建第二损失函数,或者,第二损失函数还可以基于第一损失函数构建,具体可以根据实际情况设定,或者,也可以根据实际情况为上述模型设置合适的损失函数,具体可以根据实际情况设定,本说明书实施例对此不做限定。在实际应用中,第二损失函数的设置方式可以包括多种,以下提供一种可选的处理方式,具体可以包括以下内容:第二损失函数与第一损失函数负相关,即第一损失函数对应的损失值越小,则第二损失函数对应的损失值越大,第一损失函数对应的损失值越大,则第二损失函数对应的损失值越小。区域搜索策略可以包括多种,例如向左上方移动5个单位长度、向右移动2个单位长度、向下移动3个单位长度等,具体可以根据实际情况设定,本说明书实施例对此不做限定。本实施例中,区域搜索策略还可以由搜索方向和/或平移步长构建,其中的搜索方向可以包括以下中的一种或多种:向上平移、向下平移、向左平移和向右平移。呈现第二训练样本数据的区域中满足预设的对第一训练样本数据进行隐写处理的条件的部分区域可以为呈现第二训练样本数据的区域中适合进行隐写处理的部分区域。
在实施中,隐写区域模型的结构可以采用DQN的网络模型结构进行强化学习,可以将强化学习通过梯度下降的方式进行优化。隐写区域模型的输入数据为第一训练样本数据和第二训练样本数据,输出数据为呈现第二训练样本数据的区域中适合进行隐写处理的部分区域。此外,还可以通过Reward函数(回报函数)来激励隐写区域模型(即DQN的网络模型)的搜索过程,通过隐写区域模型判断呈现第二训练样本数据的区域中的哪些区域为适合进行隐写处理的较佳区域,并可以基于此确定下一步的决策调整,其中的Reward函数可以作为隐写区域模型对应的第二损失函数,Reward函数可以与第一损失函数负相关。针对区域搜索策略,可以如搜索方向可以为[向上平移,向下平移,向左平移,向右平移],平移步长(或平移强度)可以为[1,2,4,8],则区域搜索策略可以为上述搜索方向和平移步长组成的16种不同情况。隐写区域模型的模型训练过程可以为:通过上述的DQN的网络模型结构结合区域搜索策略和Reward函数,对隐写区域模型进行模型训练,直至Reward不再提升为止,最终可以得到训练后的隐写区域模型。
其中,DQN是指基于深度学习的Q-learning算法,结合了值函数近似(ValueFunction Approximation)与神经网络技术,并采用了目标网络和经历回放的方式进行网络的训练方式,而在Q-learning中,使用表格来存储每一个state下action的Reward函数,即状态-动作值函数Q(s,a)。但是,在实际任务中,状态量通常数量巨大,并且在连续的任务中,会遇到维度灾难的问题,所以使用真正的Value Function通常是不切实际的,所以使用了价值函数近似(Value Function Approximation)的表示方式,DQN具体可以根据实际情况执行,在此不再赘述。梯度下降的方式可以包括多种,例如随机梯度下降SGD算法、梯度下降算法等,具体可以根据实际情况设定。
在步骤S208中,获取目标用户的生物识别请求,生物识别请求中包括待处理的第一信息,第一信息中包括目标用户的隐私信息,第一信息为用于进行生物识别的用户生物信息。
其中,用户生物信息可以包括多种,例如用户的指纹信息、掌纹信息、面部信息或虹膜信息等,在实际应用中,上述用户生物信息的承载体可以包括多种,例如可以通过图像的方式承载上述各种用户生物信息等,具体可以根据实际情况设定,本说明书实施例对此不做限定。
在步骤S210中,为第一信息选取相应的第二信息,并将第一信息和第二信息输入到预先训练的隐写区域模型中,得到用于对第一信息进行隐写处理的第二信息对应的区域。
在步骤S212中,将第一信息和用于对第一信息进行隐写处理的区域输入到预先训练的隐写模型中,得到在用于对第一信息进行隐写处理的区域中隐写入第一信息的隐写信息。
在步骤S214中,基于上述隐写信息对目标用户进行生物识别处理。
在步骤S216中,删除第一信息。
本说明书实施例提供一种信息处理方法,通过获取目标用户待处理的第一信息,第一信息中包括目标用户的隐私信息,然后,为第一信息选取相应的第二信息,并将第一信息和第二信息输入到预先训练的隐写区域模型中,得到用于对第一信息进行隐写处理的第二信息对应的区域,用于对第一信息进行隐写处理的区域为呈现第二信息的区域中的部分区域,将第一信息和用于对第一信息进行隐写处理的区域输入到预先训练的隐写模型中,得到在用于对第一信息进行隐写处理的区域中隐写入第一信息的隐写信息,基于隐写信息对目标业务进行业务处理,这样,通过隐写技术,将用户的隐私信息隐写如便于展示的第二信息中(例如用户的卡通化头像等),既对用户的隐私信息进行了脱敏处理,又方便进行信息的展示,另外,在隐写技术方面,有别于传统的向整个信息中进行隐写处理,本方案提出了局部-全局隐写方式,即通过相应的模型检索到能够进行隐写处理的局部区域进行隐写处理,一方面提升了隐写的质量,另一方面攻击者无法确定在哪个区域进行了隐写处理,从而使得隐私信息很难被泄露,提升了隐写的安全性。
实施例三
如图3所示,本说明书实施例提供一种信息处理方法,该方法可以由终端设备和服务器共同执行,其中,该终端设备可以如手机、平板电脑等一定终端设备,还可以如笔记本电脑或台式电脑等计算机设备,或者,也可以为IoT设备(具体如智能手表、车载设备等)等。该服务器可以是独立的一个服务器,还可以是由多个服务器构成的服务器集群等,该服务器可以是如金融业务或网络购物业务等的后台服务器,也可以是某应用程序的后台服务器等。其系统架构可以如图4所示,该方法具体可以包括以下步骤:
在步骤S302中,服务器获取第一训练样本数据和呈现第二训练样本数据的区域中的部分区域,第一训练样本数据中包括用户的隐私信息。
在步骤S304中,服务器通过第一训练样本数据和呈现第二训练样本数据的区域中的部分区域,对隐写模型、解码模型和对抗模型进行联合训练,得到训练后的隐写模型、训练后的解码模型和训练后的对抗模型,解码模型用于对隐写处理后的第一训练样本数据进行还原处理,对抗模型用于判断呈现第二训练样本数据的区域中的两个部分区域中是否隐写入第一训练样本数据,两个部分区域中的一个部分区域为未隐写入第一训练样本数据的区域。
上述步骤S304的具体处理方式可以多种多样,以下提供一种可选的处理方式,具体可以包括以下步骤B2~步骤B8的处理。
在步骤B2中,服务器将第一训练样本数据和呈现第二训练样本数据的区域中的部分区域输入到隐写模型中,得到隐写处理后的第一训练样本数据。
在步骤B4中,服务器将隐写处理后的第一训练样本数据输入到解码模型,以通过解码模型对隐写处理后的第一训练样本数据进行还原处理,得到重建的第一训练样本数据。
在步骤B6中,服务器将呈现第二训练样本数据的区域中的两个部分区域输入到对抗模型中,以通过对抗模型确定呈现第二训练样本数据的区域中的两个部分区域中每个部分区域中隐写入第一训练样本数据的概率,得到相应的输出结果。
在步骤B8中,服务器基于第一训练样本数据、隐写处理后的第一训练样本数据、重建的第一训练样本数据、呈现第二训练样本数据的区域中的部分区域、上述输出结果和预设的第一损失函数,确定隐写模型、解码模型和对抗模型是否收敛,如果否,则获取第一训练样本数据和呈现第二训练样本数据的区域中的部分区域继续对隐写模型、解码模型和对抗模型进行模型训练,直到隐写模型、解码模型和对抗模型收敛,得到训练后的隐写模型、训练后的解码模型和训练后的对抗模型。
其中,第一损失函数由呈现第二训练样本数据的区域中的部分区域在进行隐写处理前和在进行隐写处理后的峰值信噪比(PSNR)的差值的最小值、第一训练样本数据和重建的第一训练样本数据之间的相似度的最大值,以及预设的分类子损失函数确定。
在步骤S306中,服务器基于第一训练样本数据和第二训练样本数据,通过隐写区域模型对应的预设的区域搜索策略,以确定呈现第二训练样本数据的区域中满足预设的对第一训练样本数据进行隐写处理的条件的部分区域,并采用预设的第二损失函数和确定的满足预设的对第一训练样本数据进行隐写处理的条件的部分区域,确定隐写区域模型是否收敛,如果否,则获取第一训练样本数据和第二训练样本数据继续对隐写区域模型进行模型训练,直到隐写区域模型收敛,得到训练后的隐写区域模型。
其中,第二损失函数与第一损失函数负相关。区域搜索策略还可以由搜索方向和/或平移步长构建,其中的搜索方向可以包括以下中的一种或多种:向上平移、向下平移、向左平移和向右平移。
在步骤S308中,服务器将训练后的隐写区域模型和训练后的编码模型发送给终端设备。
在步骤S310中,终端设备获取目标用户的生物识别请求,生物识别请求中包括待处理的第一信息,第一信息中包括目标用户的隐私信息,第一信息为用于进行生物识别的用户生物信息。
在步骤S312中,终端设备为第一信息选取相应的第二信息,并将第一信息和第二信息输入到预先训练的隐写区域模型中,得到用于对第一信息进行隐写处理的第二信息对应的区域。
在步骤S314中,终端设备将第一信息和用于对第一信息进行隐写处理的区域输入到预先训练的隐写模型中,得到在用于对第一信息进行隐写处理的区域中隐写入第一信息的隐写信息。
在步骤S316中,终端设备将上述隐写信息发送给服务器,该隐写信息用于触发服务器基于预先存储的基准用户生物信息和该隐写信息,对目标用户进行生物识别处理。
在步骤S318中,终端设备接收服务器发送的对目标用户进行生物识别处理的生物识别结果。
在步骤S320中,终端设备删除第一信息。
上述步骤S302~步骤S320的具体处理过程,可以参见上述相关内容,在此不再赘述。
本说明书实施例提供一种信息处理方法,通过获取目标用户待处理的第一信息,第一信息中包括目标用户的隐私信息,然后,为第一信息选取相应的第二信息,并将第一信息和第二信息输入到预先训练的隐写区域模型中,得到用于对第一信息进行隐写处理的第二信息对应的区域,用于对第一信息进行隐写处理的区域为呈现第二信息的区域中的部分区域,将第一信息和用于对第一信息进行隐写处理的区域输入到预先训练的隐写模型中,得到在用于对第一信息进行隐写处理的区域中隐写入第一信息的隐写信息,基于隐写信息对目标业务进行业务处理,这样,通过隐写技术,将用户的隐私信息隐写如便于展示的第二信息中(例如用户的卡通化头像等),既对用户的隐私信息进行了脱敏处理,又方便进行信息的展示,另外,在隐写技术方面,有别于传统的向整个信息中进行隐写处理,本方案提出了局部-全局隐写方式,即通过相应的模型检索到能够进行隐写处理的局部区域进行隐写处理,一方面提升了隐写的质量,另一方面攻击者无法确定在哪个区域进行了隐写处理,从而使得隐私信息很难被泄露,提升了隐写的安全性。
实施例四
本实施例将结合具体的应用场景,对本发明实施例提供的一种信息处理方法进行详细的阐述,相应的应用场景为生物识别(如面部识别等)的应用场景,其中,第一训练样本数据、第二训练样本数据、第一信息和第二信息等均为图像。
如图5所示,该方法的执行主体可以为终端设备和服务器,其中,该终端设备可以如手机、平板电脑等一定终端设备,还可以如笔记本电脑或台式电脑等计算机设备,或者,也可以为IoT设备(具体如智能手表、车载设备等)等。该服务器可以是独立的一个服务器,还可以是由多个服务器构成的服务器集群等,该服务器可以是如金融业务或网络购物业务等的后台服务器,也可以是某应用程序的后台服务器等。该方法具体可以包括以下步骤:
在步骤S502中,服务器获取第一训练样本数据和呈现第二训练样本数据的区域中的部分区域,第一训练样本数据中包括用户的用户生物信息的第一样本图像的数据,第二训练样本数据为第二样本图像的数据,呈现第二训练样本数据的区域为第二样本图像的区域。
在步骤S504中,服务器将第一样本图像的数据和第二样本图像的区域中的部分区域输入到隐写模型中,得到隐写处理后的第一样本图像(即将第一样本图像通过信息隐藏的方式写入第二样本图像的区域中的部分区域中后得到的图像)。
在步骤S506中,服务器将隐写处理后的第一样本图像的数据输入到解码模型,以通过解码模型对隐写处理后的第一样本图像进行还原处理,得到重建的第一样本图像。
在步骤S508中,服务器将第二样本图像的区域中的两个部分区域输入到对抗模型中,以通过对抗模型确定第二样本图像的区域中的两个部分区域中每个部分区域中隐写入第一样本图像的概率,得到相应的输出结果。
在步骤S510中,服务器基于第一样本图像、隐写处理后的第一样本图像、重建的第一样本图像、第二样本图像的区域中的部分区域、上述输出结果和预设的第一损失函数,确定隐写模型、解码模型和对抗模型是否收敛,如果否,则获取第一样本图像和第二样本图像的区域中的部分区域继续对隐写模型、解码模型和对抗模型进行模型训练,直到隐写模型、解码模型和对抗模型收敛,得到训练后的隐写模型、训练后的解码模型和训练后的对抗模型。
其中,第一损失函数由第二样本图像的区域中的部分区域在进行隐写处理前和在进行隐写处理后的峰值信噪比(PSNR)的差值的最小值、第一样本图像和重建的第一样本图像之间的相似度的最大值,以及预设的分类子损失函数确定。
在步骤S512中,服务器基于第一样本图像和第二样本图像,通过隐写区域模型对应的预设的区域搜索策略,以确定第二样本图像的区域中满足预设的对第一样本图像进行隐写处理的条件的部分区域,并采用预设的第二损失函数和确定的满足预设的对第一样本图像进行隐写处理的条件的部分区域,确定隐写区域模型是否收敛,如果否,则获取第一样本图像和第二样本图像继续对隐写区域模型进行模型训练,直到隐写区域模型收敛,得到训练后的隐写区域模型。
其中,第二损失函数与第一损失函数负相关。区域搜索策略还可以由搜索方向和/或平移步长构建,其中的搜索方向可以包括以下中的一种或多种:向上平移、向下平移、向左平移和向右平移。
在步骤S514中,服务器将训练后的隐写区域模型和训练后的编码模型发送给终端设备。
在步骤S516中,终端设备获取目标用户的生物识别请求,生物识别请求中包括待处理的第一信息,第一信息为包含用户生物信息的第一图像。
在步骤S518中,终端设备为第一信息选取相应的第二信息,第二信息为第二图像,第二图像与第一图像不同。
在步骤S520中,终端设备将第一图像和第二图像输入到预先训练的隐写区域模型中,得到用于对第一图像进行隐写处理的第二图像对应的区域(即第二图像中的部分图像所在的区域)。
在步骤S522中,终端设备将第一图像和用于对第一图像进行隐写处理的区域输入到预先训练的隐写模型中,得到在用于对第一图像进行隐写处理的区域中隐写入第一图像的隐写信息。
在步骤S524中,终端设备将上述隐写信息发送给服务器,该隐写信息用于触发服务器基于预先存储的基准用户生物信息和该隐写信息,对目标用户进行生物识别处理。
在步骤S526中,终端设备接收服务器发送的对目标用户进行生物识别处理的生物识别结果。
在步骤S528中,终端设备删除第一图像。
上述步骤S502~步骤S528的具体处理过程,可以参见上述相关内容,在此不再赘述。
本说明书实施例提供一种信息处理方法,通过获取目标用户待处理的第一信息,第一信息中包括目标用户的隐私信息,然后,为第一信息选取相应的第二信息,并将第一信息和第二信息输入到预先训练的隐写区域模型中,得到用于对第一信息进行隐写处理的第二信息对应的区域,用于对第一信息进行隐写处理的区域为呈现第二信息的区域中的部分区域,将第一信息和用于对第一信息进行隐写处理的区域输入到预先训练的隐写模型中,得到在用于对第一信息进行隐写处理的区域中隐写入第一信息的隐写信息,基于隐写信息对目标业务进行业务处理,这样,通过隐写技术,将用户的隐私信息隐写如便于展示的第二信息中(例如用户的卡通化头像等),既对用户的隐私信息进行了脱敏处理,又方便进行信息的展示,另外,在隐写技术方面,有别于传统的向整个信息中进行隐写处理,本方案提出了局部-全局隐写方式,即通过相应的模型检索到能够进行隐写处理的局部区域进行隐写处理,一方面提升了隐写的质量,另一方面攻击者无法确定在哪个区域进行了隐写处理,从而使得隐私信息很难被泄露,提升了隐写的安全性。
实施例五
基于同样的思路,本说明书实施例还提供一种信息处理装置,如图6所示。
该信息处理装置包括:信息获取模块601、区域确定模块602、隐写模块603和处理模块604,其中:
信息获取模块601,获取目标用户待处理的第一信息,所述第一信息中包括所述目标用户的隐私信息;
区域确定模块602,为所述第一信息选取相应的第二信息,并将所述第一信息和所述第二信息输入到预先训练的隐写区域模型中,得到用于对所述第一信息进行隐写处理的所述第二信息对应的区域,用于对所述第一信息进行隐写处理的区域为呈现所述第二信息的区域中的部分区域,所述隐写区域模型用于在一个信息的呈现区域中确定对另一个信息进行隐写处理的部分区域;
隐写模块603,将所述第一信息和所述用于对所述第一信息进行隐写处理的区域输入到预先训练的隐写模型中,得到在所述用于对所述第一信息进行隐写处理的区域中隐写入所述第一信息的隐写信息,所述隐写模型用于将一个信息隐写入用于呈现另一个信息的区域的部分区域内;
处理模块604,基于所述隐写信息对目标业务进行业务处理。
本说明书实施例中,所述第一信息为用于进行生物识别的用户生物信息,
所述信息获取模块601,获取所述目标用户的生物识别请求,所述生物识别请求中包括所述待处理的第一信息;
所述处理模块604,基于所述隐写信息对所述目标用户进行生物识别处理;
所述装置还包括:
信息删除模块,删除所述第一信息。
本说明书实施例中,所述第一信息为包含用户生物信息的第一图像,所述第二信息为第二图像,所述第二图像与所述第一图像不同,所述用于对所述第一信息进行隐写处理的区域为所述第二图像中的部分图像所在的区域。
本说明书实施例中,所述处理模块604,包括:
信息发送单元,将所述隐写信息发送给服务器,所述隐写信息用于触发所述服务器基于预先存储的基准用户生物信息和所述隐写信息,对所述目标用户进行生物识别处理;
结果接收单元,接收所述服务器发送的对所述目标用户进行生物识别处理的生物识别结果。
本说明书实施例中,所述装置还包括:
样本获取模块,获取第一训练样本数据和呈现第二训练样本数据的区域中的部分区域,所述第一训练样本数据中包括用户的隐私信息;
第一模型训练模块,通过所述第一训练样本数据和所述呈现第二训练样本数据的区域中的部分区域,对所述隐写模型、解码模型和对抗模型进行联合训练,得到训练后的隐写模型、训练后的解码模型和训练后的对抗模型,所述解码模型用于对隐写处理后的第一训练样本数据进行还原处理,所述对抗模型用于判断呈现第二训练样本数据的区域中的两个部分区域中是否隐写入所述第一训练样本数据,所述两个部分区域中的一个部分区域为未隐写入所述第一训练样本数据的区域。
本说明书实施例中,所述第一模型训练模块,包括:
第一数据处理单元,将所述第一训练样本数据和所述呈现第二训练样本数据的区域中的部分区域输入到所述隐写模型中,得到隐写处理后的第一训练样本数据;
第二数据处理单元,将所述隐写处理后的第一训练样本数据输入到所述解码模型,以通过所述解码模型对所述隐写处理后的第一训练样本数据进行还原处理,得到重建的第一训练样本数据;
第三数据处理单元,将呈现第二训练样本数据的区域中的两个部分区域输入到所述对抗模型中,以通过所述对抗模型确定所述呈现第二训练样本数据的区域中的两个部分区域中每个部分区域中隐写入所述第一训练样本数据的概率,得到相应的输出结果;
模型训练单元,基于所述第一训练样本数据、所述隐写处理后的第一训练样本数据、所述重建的第一训练样本数据、所述呈现第二训练样本数据的区域中的部分区域、所述输出结果和预设的第一损失函数,确定所述隐写模型、所述解码模型和所述对抗模型是否收敛,如果否,则获取第一训练样本数据和呈现第二训练样本数据的区域中的部分区域继续对所述隐写模型、所述解码模型和所述对抗模型进行模型训练,直到所述隐写模型、所述解码模型和所述对抗模型收敛,得到训练后的隐写模型、训练后的解码模型和训练后的对抗模型。
本说明书实施例中,所述第一损失函数由所述呈现第二训练样本数据的区域中的部分区域在进行隐写处理前和在进行隐写处理后的峰值信噪比的差值的最小值、所述第一训练样本数据和所述重建的第一训练样本数据之间的相似度的最大值,以及预设的分类子损失函数确定。
本说明书实施例中,所述装置还包括:
第二模型训练模块,基于所述第一训练样本数据和所述第二训练样本数据,通过所述隐写区域模型对应的预设的区域搜索策略,以确定呈现所述第二训练样本数据的区域中满足预设的对所述第一训练样本数据进行隐写处理的条件的部分区域,并采用预设的第二损失函数和确定的满足预设的对所述第一训练样本数据进行隐写处理的条件的部分区域,确定所述隐写区域模型是否收敛,如果否,则获取所述第一训练样本数据和所述第二训练样本数据继续对所述隐写区域模型进行模型训练,直到所述隐写区域模型收敛,得到训练后的隐写区域模型。
本说明书实施例中,所述第二损失函数与所述第一损失函数负相关。
本说明书实施例中,所述区域搜索策略由搜索方向和/或平移步长构建,所述搜索方向包括以下中的一种或多种:向上平移、向下平移、向左平移和向右平移。
本说明书实施例提供一种信息处理装置,通过获取目标用户待处理的第一信息,第一信息中包括目标用户的隐私信息,然后,为第一信息选取相应的第二信息,并将第一信息和第二信息输入到预先训练的隐写区域模型中,得到用于对第一信息进行隐写处理的第二信息对应的区域,用于对第一信息进行隐写处理的区域为呈现第二信息的区域中的部分区域,将第一信息和用于对第一信息进行隐写处理的区域输入到预先训练的隐写模型中,得到在用于对第一信息进行隐写处理的区域中隐写入第一信息的隐写信息,基于隐写信息对目标业务进行业务处理,这样,通过隐写技术,将用户的隐私信息隐写如便于展示的第二信息中(例如用户的卡通化头像等),既对用户的隐私信息进行了脱敏处理,又方便进行信息的展示,另外,在隐写技术方面,有别于传统的向整个信息中进行隐写处理,本方案提出了局部-全局隐写方式,即通过相应的模型检索到能够进行隐写处理的局部区域进行隐写处理,一方面提升了隐写的质量,另一方面攻击者无法确定在哪个区域进行了隐写处理,从而使得隐私信息很难被泄露,提升了隐写的安全性。
实施例六
以上为本说明书实施例提供的信息处理装置,基于同样的思路,本说明书实施例还提供一种信息处理设备,如图7所示。
所述信息处理设备可以为上述实施例提供终端设备或服务器等。
信息处理设备可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上的处理器701和存储器702,存储器702中可以存储有一个或一个以上存储应用程序或数据。其中,存储器702可以是短暂存储或持久存储。存储在存储器702的应用程序可以包括一个或一个以上模块(图示未示出),每个模块可以包括对信息处理设备中的一系列计算机可执行指令。更进一步地,处理器701可以设置为与存储器702通信,在信息处理设备上执行存储器702中的一系列计算机可执行指令。信息处理设备还可以包括一个或一个以上电源703,一个或一个以上有线或无线网络接口704,一个或一个以上输入输出接口705,一个或一个以上键盘706。
具体在本实施例中,信息处理设备包括有存储器,以及一个或一个以上的程序,其中一个或者一个以上程序存储于存储器中,且一个或者一个以上程序可以包括一个或一个以上模块,且每个模块可以包括对信息处理设备中的一系列计算机可执行指令,且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令:
获取目标用户待处理的第一信息,所述第一信息中包括所述目标用户的隐私信息;
为所述第一信息选取相应的第二信息,并将所述第一信息和所述第二信息输入到预先训练的隐写区域模型中,得到用于对所述第一信息进行隐写处理的所述第二信息对应的区域,用于对所述第一信息进行隐写处理的区域为呈现所述第二信息的区域中的部分区域,所述隐写区域模型用于在一个信息的呈现区域中确定对另一个信息进行隐写处理的部分区域;
将所述第一信息和所述用于对所述第一信息进行隐写处理的区域输入到预先训练的隐写模型中,得到在所述用于对所述第一信息进行隐写处理的区域中隐写入所述第一信息的隐写信息,所述隐写模型用于将一个信息隐写入用于呈现另一个信息的区域的部分区域内;
基于所述隐写信息对目标业务进行业务处理。
本说明书实施例中,所述第一信息为用于进行生物识别的用户生物信息,
所述获取目标用户待处理的第一信息,包括:
获取所述目标用户的生物识别请求,所述生物识别请求中包括所述待处理的第一信息;
所述基于所述隐写信息对目标业务进行业务处理,包括:
基于所述隐写信息对所述目标用户进行生物识别处理;
所述方法还包括:
删除所述第一信息。
本说明书实施例中,所述第一信息为包含用户生物信息的第一图像,所述第二信息为第二图像,所述第二图像与所述第一图像不同,所述用于对所述第一信息进行隐写处理的区域为所述第二图像中的部分图像所在的区域。
本说明书实施例中,所述基于所述隐写信息对对所述目标用户进行生物识别处理,包括:
将所述隐写信息发送给服务器,所述隐写信息用于触发所述服务器基于预先存储的基准用户生物信息和所述隐写信息,对所述目标用户进行生物识别处理;
接收所述服务器发送的对所述目标用户进行生物识别处理的生物识别结果。
本说明书实施例中,还包括:
获取第一训练样本数据和呈现第二训练样本数据的区域中的部分区域,所述第一训练样本数据中包括用户的隐私信息;
通过所述第一训练样本数据和所述呈现第二训练样本数据的区域中的部分区域,对所述隐写模型、解码模型和对抗模型进行联合训练,得到训练后的隐写模型、训练后的解码模型和训练后的对抗模型,所述解码模型用于对隐写处理后的第一训练样本数据进行还原处理,所述对抗模型用于判断呈现第二训练样本数据的区域中的两个部分区域中是否隐写入所述第一训练样本数据,所述两个部分区域中的一个部分区域为未隐写入所述第一训练样本数据的区域。
本说明书实施例中,所述通过所述第一训练样本数据和所述呈现第二训练样本数据的区域中的部分区域样本,对所述隐写模型、解码模型和对抗模型进行联合训练,得到训练后的隐写模型、训练后的解码模型和训练后的对抗模型,包括:
将所述第一训练样本数据和所述呈现第二训练样本数据的区域中的部分区域输入到所述隐写模型中,得到隐写处理后的第一训练样本数据;
将所述隐写处理后的第一训练样本数据输入到所述解码模型,以通过所述解码模型对所述隐写处理后的第一训练样本数据进行还原处理,得到重建的第一训练样本数据;
将呈现第二训练样本数据的区域中的两个部分区域输入到所述对抗模型中,以通过所述对抗模型确定所述呈现第二训练样本数据的区域中的两个部分区域中每个部分区域中隐写入所述第一训练样本数据的概率,得到相应的输出结果;
基于所述第一训练样本数据、所述隐写处理后的第一训练样本数据、所述重建的第一训练样本数据、所述呈现第二训练样本数据的区域中的部分区域、所述输出结果和预设的第一损失函数,确定所述隐写模型、所述解码模型和所述对抗模型是否收敛,如果否,则获取第一训练样本数据和呈现第二训练样本数据的区域中的部分区域继续对所述隐写模型、所述解码模型和所述对抗模型进行模型训练,直到所述隐写模型、所述解码模型和所述对抗模型收敛,得到训练后的隐写模型、训练后的解码模型和训练后的对抗模型。
本说明书实施例中,所述第一损失函数由所述呈现第二训练样本数据的区域中的部分区域在进行隐写处理前和在进行隐写处理后的峰值信噪比的差值的最小值、所述第一训练样本数据和所述重建的第一训练样本数据之间的相似度的最大值,以及预设的分类子损失函数确定。
本说明书实施例中,还包括:
基于所述第一训练样本数据和所述第二训练样本数据,通过所述隐写区域模型对应的预设的区域搜索策略,以确定呈现所述第二训练样本数据的区域中满足预设的对所述第一训练样本数据进行隐写处理的条件的部分区域,并采用预设的第二损失函数和确定的满足预设的对所述第一训练样本数据进行隐写处理的条件的部分区域,确定所述隐写区域模型是否收敛,如果否,则获取所述第一训练样本数据和所述第二训练样本数据继续对所述隐写区域模型进行模型训练,直到所述隐写区域模型收敛,得到训练后的隐写区域模型。
本说明书实施例中,所述第二损失函数与所述第一损失函数负相关。
本说明书实施例中,所述区域搜索策略由搜索方向和/或平移步长构建,所述搜索方向包括以下中的一种或多种:向上平移、向下平移、向左平移和向右平移。
本说明书实施例提供一种信息处理设备,通过获取目标用户待处理的第一信息,第一信息中包括目标用户的隐私信息,然后,为第一信息选取相应的第二信息,并将第一信息和第二信息输入到预先训练的隐写区域模型中,得到用于对第一信息进行隐写处理的第二信息对应的区域,用于对第一信息进行隐写处理的区域为呈现第二信息的区域中的部分区域,将第一信息和用于对第一信息进行隐写处理的区域输入到预先训练的隐写模型中,得到在用于对第一信息进行隐写处理的区域中隐写入第一信息的隐写信息,基于隐写信息对目标业务进行业务处理,这样,通过隐写技术,将用户的隐私信息隐写如便于展示的第二信息中(例如用户的卡通化头像等),既对用户的隐私信息进行了脱敏处理,又方便进行信息的展示,另外,在隐写技术方面,有别于传统的向整个信息中进行隐写处理,本方案提出了局部-全局隐写方式,即通过相应的模型检索到能够进行隐写处理的局部区域进行隐写处理,一方面提升了隐写的质量,另一方面攻击者无法确定在哪个区域进行了隐写处理,从而使得隐私信息很难被泄露,提升了隐写的安全性。
实施例七
进一步地,基于上述图1到图5所示的方法,本说明书一个或多个实施例还提供了一种存储介质,用于存储计算机可执行指令信息,一种具体的实施例中,该存储介质可以为U盘、光盘、硬盘等,该存储介质存储的计算机可执行指令信息在被处理器执行时,能实现以下流程:
获取目标用户待处理的第一信息,所述第一信息中包括所述目标用户的隐私信息;
为所述第一信息选取相应的第二信息,并将所述第一信息和所述第二信息输入到预先训练的隐写区域模型中,得到用于对所述第一信息进行隐写处理的所述第二信息对应的区域,用于对所述第一信息进行隐写处理的区域为呈现所述第二信息的区域中的部分区域,所述隐写区域模型用于在一个信息的呈现区域中确定对另一个信息进行隐写处理的部分区域;
将所述第一信息和所述用于对所述第一信息进行隐写处理的区域输入到预先训练的隐写模型中,得到在所述用于对所述第一信息进行隐写处理的区域中隐写入所述第一信息的隐写信息,所述隐写模型用于将一个信息隐写入用于呈现另一个信息的区域的部分区域内;
基于所述隐写信息对目标业务进行业务处理。
本说明书实施例中,所述第一信息为用于进行生物识别的用户生物信息,
所述获取目标用户待处理的第一信息,包括:
获取所述目标用户的生物识别请求,所述生物识别请求中包括所述待处理的第一信息;
所述基于所述隐写信息对目标业务进行业务处理,包括:
基于所述隐写信息对所述目标用户进行生物识别处理;
所述方法还包括:
删除所述第一信息。
本说明书实施例中,所述第一信息为包含用户生物信息的第一图像,所述第二信息为第二图像,所述第二图像与所述第一图像不同,所述用于对所述第一信息进行隐写处理的区域为所述第二图像中的部分图像所在的区域。
本说明书实施例中,所述基于所述隐写信息对对所述目标用户进行生物识别处理,包括:
将所述隐写信息发送给服务器,所述隐写信息用于触发所述服务器基于预先存储的基准用户生物信息和所述隐写信息,对所述目标用户进行生物识别处理;
接收所述服务器发送的对所述目标用户进行生物识别处理的生物识别结果。
本说明书实施例中,还包括:
获取第一训练样本数据和呈现第二训练样本数据的区域中的部分区域,所述第一训练样本数据中包括用户的隐私信息;
通过所述第一训练样本数据和所述呈现第二训练样本数据的区域中的部分区域,对所述隐写模型、解码模型和对抗模型进行联合训练,得到训练后的隐写模型、训练后的解码模型和训练后的对抗模型,所述解码模型用于对隐写处理后的第一训练样本数据进行还原处理,所述对抗模型用于判断呈现第二训练样本数据的区域中的两个部分区域中是否隐写入所述第一训练样本数据,所述两个部分区域中的一个部分区域为未隐写入所述第一训练样本数据的区域。
本说明书实施例中,所述通过所述第一训练样本数据和所述呈现第二训练样本数据的区域中的部分区域样本,对所述隐写模型、解码模型和对抗模型进行联合训练,得到训练后的隐写模型、训练后的解码模型和训练后的对抗模型,包括:
将所述第一训练样本数据和所述呈现第二训练样本数据的区域中的部分区域输入到所述隐写模型中,得到隐写处理后的第一训练样本数据;
将所述隐写处理后的第一训练样本数据输入到所述解码模型,以通过所述解码模型对所述隐写处理后的第一训练样本数据进行还原处理,得到重建的第一训练样本数据;
将呈现第二训练样本数据的区域中的两个部分区域输入到所述对抗模型中,以通过所述对抗模型确定所述呈现第二训练样本数据的区域中的两个部分区域中每个部分区域中隐写入所述第一训练样本数据的概率,得到相应的输出结果;
基于所述第一训练样本数据、所述隐写处理后的第一训练样本数据、所述重建的第一训练样本数据、所述呈现第二训练样本数据的区域中的部分区域、所述输出结果和预设的第一损失函数,确定所述隐写模型、所述解码模型和所述对抗模型是否收敛,如果否,则获取第一训练样本数据和呈现第二训练样本数据的区域中的部分区域继续对所述隐写模型、所述解码模型和所述对抗模型进行模型训练,直到所述隐写模型、所述解码模型和所述对抗模型收敛,得到训练后的隐写模型、训练后的解码模型和训练后的对抗模型。
本说明书实施例中,所述第一损失函数由所述呈现第二训练样本数据的区域中的部分区域在进行隐写处理前和在进行隐写处理后的峰值信噪比的差值的最小值、所述第一训练样本数据和所述重建的第一训练样本数据之间的相似度的最大值,以及预设的分类子损失函数确定。
本说明书实施例中,还包括:
基于所述第一训练样本数据和所述第二训练样本数据,通过所述隐写区域模型对应的预设的区域搜索策略,以确定呈现所述第二训练样本数据的区域中满足预设的对所述第一训练样本数据进行隐写处理的条件的部分区域,并采用预设的第二损失函数和确定的满足预设的对所述第一训练样本数据进行隐写处理的条件的部分区域,确定所述隐写区域模型是否收敛,如果否,则获取所述第一训练样本数据和所述第二训练样本数据继续对所述隐写区域模型进行模型训练,直到所述隐写区域模型收敛,得到训练后的隐写区域模型。
本说明书实施例中,所述第二损失函数与所述第一损失函数负相关。
本说明书实施例中,所述区域搜索策略由搜索方向和/或平移步长构建,所述搜索方向包括以下中的一种或多种:向上平移、向下平移、向左平移和向右平移。
本说明书实施例提供一种存储介质,通过获取目标用户待处理的第一信息,第一信息中包括目标用户的隐私信息,然后,为第一信息选取相应的第二信息,并将第一信息和第二信息输入到预先训练的隐写区域模型中,得到用于对第一信息进行隐写处理的第二信息对应的区域,用于对第一信息进行隐写处理的区域为呈现第二信息的区域中的部分区域,将第一信息和用于对第一信息进行隐写处理的区域输入到预先训练的隐写模型中,得到在用于对第一信息进行隐写处理的区域中隐写入第一信息的隐写信息,基于隐写信息对目标业务进行业务处理,这样,通过隐写技术,将用户的隐私信息隐写如便于展示的第二信息中(例如用户的卡通化头像等),既对用户的隐私信息进行了脱敏处理,又方便进行信息的展示,另外,在隐写技术方面,有别于传统的向整个信息中进行隐写处理,本方案提出了局部-全局隐写方式,即通过相应的模型检索到能够进行隐写处理的局部区域进行隐写处理,一方面提升了隐写的质量,另一方面攻击者无法确定在哪个区域进行了隐写处理,从而使得隐私信息很难被泄露,提升了隐写的安全性。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书一个或多个实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书的实施例可提供为方法、系统、或计算机程序产品。因此,本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本说明书一个或多个实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书的实施例是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程欺诈案例的串并设备的处理器以产生一个机器,使得通过计算机或其他可编程欺诈案例的串并设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程欺诈案例的串并设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程欺诈案例的串并设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书的实施例可提供为方法、系统或计算机程序产品。因此,本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书一个或多个实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书一个或多个实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书一个或多个实施例,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (13)
1.一种信息处理方法,所述方法包括:
获取目标用户待处理的第一信息,所述第一信息中包括所述目标用户的隐私信息;
为所述第一信息选取相应的第二信息,并将所述第一信息和所述第二信息输入到预先训练的隐写区域模型中,得到用于对所述第一信息进行隐写处理的所述第二信息对应的区域,用于对所述第一信息进行隐写处理的区域为呈现所述第二信息的区域中的部分区域,所述隐写区域模型用于在一个信息的呈现区域中确定对另一个信息进行隐写处理的部分区域;
将所述第一信息和所述用于对所述第一信息进行隐写处理的区域输入到预先训练的隐写模型中,得到在所述用于对所述第一信息进行隐写处理的区域中隐写入所述第一信息的隐写信息,所述隐写模型用于将一个信息隐写入用于呈现另一个信息的区域的部分区域内;
基于所述隐写信息对目标业务进行业务处理。
2.根据权利要求1所述的方法,所述第一信息为用于进行生物识别的用户生物信息,
所述获取目标用户待处理的第一信息,包括:
获取所述目标用户的生物识别请求,所述生物识别请求中包括所述待处理的第一信息;
所述基于所述隐写信息对目标业务进行业务处理,包括:
基于所述隐写信息对所述目标用户进行生物识别处理;
所述方法还包括:
删除所述第一信息。
3.根据权利要求1或2所述的方法,所述第一信息为包含用户生物信息的第一图像,所述第二信息为第二图像,所述第二图像与所述第一图像不同,所述用于对所述第一信息进行隐写处理的区域为所述第二图像中的部分图像所在的区域。
4.根据权利要求2所述的方法,所述基于所述隐写信息对对所述目标用户进行生物识别处理,包括:
将所述隐写信息发送给服务器,所述隐写信息用于触发所述服务器基于预先存储的基准用户生物信息和所述隐写信息,对所述目标用户进行生物识别处理;
接收所述服务器发送的对所述目标用户进行生物识别处理的生物识别结果。
5.根据权利要求1所述的方法,所述方法还包括:
获取第一训练样本数据和呈现第二训练样本数据的区域中的部分区域,所述第一训练样本数据中包括用户的隐私信息;
通过所述第一训练样本数据和所述呈现第二训练样本数据的区域中的部分区域,对所述隐写模型、解码模型和对抗模型进行联合训练,得到训练后的隐写模型、训练后的解码模型和训练后的对抗模型,所述解码模型用于对隐写处理后的第一训练样本数据进行还原处理,所述对抗模型用于判断呈现第二训练样本数据的区域中的两个部分区域中是否隐写入所述第一训练样本数据,所述两个部分区域中的一个部分区域为未隐写入所述第一训练样本数据的区域。
6.根据权利要求5所述的方法,所述通过所述第一训练样本数据和所述呈现第二训练样本数据的区域中的部分区域样本,对所述隐写模型、解码模型和对抗模型进行联合训练,得到训练后的隐写模型、训练后的解码模型和训练后的对抗模型,包括:
将所述第一训练样本数据和所述呈现第二训练样本数据的区域中的部分区域输入到所述隐写模型中,得到隐写处理后的第一训练样本数据;
将所述隐写处理后的第一训练样本数据输入到所述解码模型,以通过所述解码模型对所述隐写处理后的第一训练样本数据进行还原处理,得到重建的第一训练样本数据;
将呈现第二训练样本数据的区域中的两个部分区域输入到所述对抗模型中,以通过所述对抗模型确定所述呈现第二训练样本数据的区域中的两个部分区域中每个部分区域中隐写入所述第一训练样本数据的概率,得到相应的输出结果;
基于所述第一训练样本数据、所述隐写处理后的第一训练样本数据、所述重建的第一训练样本数据、所述呈现第二训练样本数据的区域中的部分区域、所述输出结果和预设的第一损失函数,确定所述隐写模型、所述解码模型和所述对抗模型是否收敛,如果否,则获取第一训练样本数据和呈现第二训练样本数据的区域中的部分区域继续对所述隐写模型、所述解码模型和所述对抗模型进行模型训练,直到所述隐写模型、所述解码模型和所述对抗模型收敛,得到训练后的隐写模型、训练后的解码模型和训练后的对抗模型。
7.根据权利要求5或6所述的方法,所述第一损失函数由所述呈现第二训练样本数据的区域中的部分区域在进行隐写处理前和在进行隐写处理后的峰值信噪比的差值的最小值、所述第一训练样本数据和所述重建的第一训练样本数据之间的相似度的最大值,以及预设的分类子损失函数确定。
8.根据权利要求5所述的方法,所述方法还包括:
基于所述第一训练样本数据和所述第二训练样本数据,通过所述隐写区域模型对应的预设的区域搜索策略,以确定呈现所述第二训练样本数据的区域中满足预设的对所述第一训练样本数据进行隐写处理的条件的部分区域,并采用预设的第二损失函数和确定的满足预设的对所述第一训练样本数据进行隐写处理的条件的部分区域,确定所述隐写区域模型是否收敛,如果否,则获取所述第一训练样本数据和所述第二训练样本数据继续对所述隐写区域模型进行模型训练,直到所述隐写区域模型收敛,得到训练后的隐写区域模型。
9.根据权利要求8所述的方法,所述第二损失函数与所述第一损失函数负相关。
10.根据权利要求8所述的方法,所述区域搜索策略由搜索方向和/或平移步长构建,所述搜索方向包括以下中的一种或多种:向上平移、向下平移、向左平移和向右平移。
11.一种信息处理装置,所述装置包括:
信息获取模块,获取目标用户待处理的第一信息,所述第一信息中包括所述目标用户的隐私信息;
区域确定模块,为所述第一信息选取相应的第二信息,并将所述第一信息和所述第二信息输入到预先训练的隐写区域模型中,得到用于对所述第一信息进行隐写处理的所述第二信息对应的区域,用于对所述第一信息进行隐写处理的区域为呈现所述第二信息的区域中的部分区域,所述隐写区域模型用于在一个信息的呈现区域中确定对另一个信息进行隐写处理的部分区域;
隐写模块,将所述第一信息和所述用于对所述第一信息进行隐写处理的区域输入到预先训练的隐写模型中,得到在所述用于对所述第一信息进行隐写处理的区域中隐写入所述第一信息的隐写信息,所述隐写模型用于将一个信息隐写入用于呈现另一个信息的区域的部分区域内;
处理模块,基于所述隐写信息对目标业务进行业务处理。
12.一种信息处理设备,所述信息处理设备包括:
处理器;以及
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器:
获取目标用户待处理的第一信息,所述第一信息中包括所述目标用户的隐私信息;
为所述第一信息选取相应的第二信息,并将所述第一信息和所述第二信息输入到预先训练的隐写区域模型中,得到用于对所述第一信息进行隐写处理的所述第二信息对应的区域,用于对所述第一信息进行隐写处理的区域为呈现所述第二信息的区域中的部分区域,所述隐写区域模型用于在一个信息的呈现区域中确定对另一个信息进行隐写处理的部分区域;
将所述第一信息和所述用于对所述第一信息进行隐写处理的区域输入到预先训练的隐写模型中,得到在所述用于对所述第一信息进行隐写处理的区域中隐写入所述第一信息的隐写信息,所述隐写模型用于将一个信息隐写入用于呈现另一个信息的区域的部分区域内;
基于所述隐写信息对目标业务进行业务处理。
13.一种存储介质,所述存储介质用于存储计算机可执行指令,所述可执行指令在被处理器执行时实现以下流程:
获取目标用户待处理的第一信息,所述第一信息中包括所述目标用户的隐私信息;
为所述第一信息选取相应的第二信息,并将所述第一信息和所述第二信息输入到预先训练的隐写区域模型中,得到用于对所述第一信息进行隐写处理的所述第二信息对应的区域,用于对所述第一信息进行隐写处理的区域为呈现所述第二信息的区域中的部分区域,所述隐写区域模型用于在一个信息的呈现区域中确定对另一个信息进行隐写处理的部分区域;
将所述第一信息和所述用于对所述第一信息进行隐写处理的区域输入到预先训练的隐写模型中,得到在所述用于对所述第一信息进行隐写处理的区域中隐写入所述第一信息的隐写信息,所述隐写模型用于将一个信息隐写入用于呈现另一个信息的区域的部分区域内;
基于所述隐写信息对目标业务进行业务处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210486324.5A CN114880706A (zh) | 2022-05-06 | 2022-05-06 | 一种信息处理方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210486324.5A CN114880706A (zh) | 2022-05-06 | 2022-05-06 | 一种信息处理方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114880706A true CN114880706A (zh) | 2022-08-09 |
Family
ID=82673778
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210486324.5A Pending CN114880706A (zh) | 2022-05-06 | 2022-05-06 | 一种信息处理方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114880706A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116579908A (zh) * | 2023-07-13 | 2023-08-11 | 江苏无痕防伪科技有限公司 | 一种在图像中植入加密隐藏信息的方法及装置 |
TWI829589B (zh) * | 2023-05-08 | 2024-01-11 | 威盛電子股份有限公司 | 影像處理裝置及其方法 |
-
2022
- 2022-05-06 CN CN202210486324.5A patent/CN114880706A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI829589B (zh) * | 2023-05-08 | 2024-01-11 | 威盛電子股份有限公司 | 影像處理裝置及其方法 |
CN116579908A (zh) * | 2023-07-13 | 2023-08-11 | 江苏无痕防伪科技有限公司 | 一种在图像中植入加密隐藏信息的方法及装置 |
CN116579908B (zh) * | 2023-07-13 | 2023-09-26 | 江苏无痕防伪科技有限公司 | 一种在图像中植入加密隐藏信息的方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114880706A (zh) | 一种信息处理方法、装置及设备 | |
CN112398838B (zh) | 一种基于隐私保护的认证方法、装置、设备及存储介质 | |
CN113516480B (zh) | 一种支付风险识别方法、装置及设备 | |
CN111401273B (zh) | 一种用于隐私保护的用户特征提取系统及设备 | |
CN113221747B (zh) | 一种基于隐私保护的隐私数据处理方法、装置及设备 | |
CN112800468B (zh) | 一种基于隐私保护的数据处理方法、装置及设备 | |
CN116824339A (zh) | 图像处理方法及装置 | |
CN113221717B (zh) | 一种基于隐私保护的模型构建方法、装置及设备 | |
CN110705622A (zh) | 一种决策方法、系统以及电子设备 | |
CN112837202B (zh) | 基于隐私保护的水印图像的生成、攻击溯源方法及装置 | |
CN110705439B (zh) | 一种信息的处理方法、装置及设备 | |
CN115577336A (zh) | 一种生物识别处理方法、装置及设备 | |
CN114662144A (zh) | 一种生物检测方法、装置及设备 | |
CN116664514A (zh) | 数据处理方法、装置及设备 | |
CN113239852B (zh) | 一种基于隐私保护的隐私图像处理方法、装置及设备 | |
CN114969826A (zh) | 一种生物识别的隐私保护方法、装置及设备 | |
CN114758423B (zh) | 一种生物识别方法、装置及设备 | |
CN113221080A (zh) | 账户注册处理方法及装置 | |
CN114863481B (zh) | 一种生物识别处理方法、装置及设备 | |
CN113239851B (zh) | 一种基于隐私保护的隐私图像处理方法、装置及设备 | |
CN114840880A (zh) | 一种图像的处理方法、装置及设备 | |
CN113220746B (zh) | 信息核验处理方法及装置 | |
CN111275445B (zh) | 一种数据的处理方法、装置及设备 | |
CN114662706B (zh) | 一种模型训练方法、装置及设备 | |
CN117093715B (zh) | 词库扩充方法、系统、计算机设备及存储介质 |
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 |