CN115758415A - 一种基于汉字部件组合的文本无载体信息隐藏方法 - Google Patents

一种基于汉字部件组合的文本无载体信息隐藏方法 Download PDF

Info

Publication number
CN115758415A
CN115758415A CN202211467880.4A CN202211467880A CN115758415A CN 115758415 A CN115758415 A CN 115758415A CN 202211467880 A CN202211467880 A CN 202211467880A CN 115758415 A CN115758415 A CN 115758415A
Authority
CN
China
Prior art keywords
text
chinese character
keywords
carrier
keyword
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
CN202211467880.4A
Other languages
English (en)
Inventor
吴国华
倪嘉铭
王秋华
张祯
任一支
王玉娟
姚晔
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.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi University
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 Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Publication of CN115758415A publication Critical patent/CN115758415A/zh
Pending legal-status Critical Current

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/10—Text processing
    • G06F40/12—Use of codes for handling textual entities
    • G06F40/126—Character encoding
    • G06F40/129—Handling non-Latin characters, e.g. kana-to-kanji conversion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/10—Text processing
    • G06F40/12—Use of codes for handling textual entities
    • G06F40/151—Transformation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/237—Lexical tools
    • G06F40/247—Thesauruses; Synonyms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioethics (AREA)
  • Computer Hardware Design (AREA)
  • Computer Security & Cryptography (AREA)
  • Storage Device Security (AREA)
  • Document Processing Apparatus (AREA)

Abstract

本发明公开了一种基于汉字部件组合的文本无载体信息隐藏方法，首先确定搜索式无载体信息隐藏方法，对索引生成算法进行改进，引入汉字部件组合机制，同时改进标签形式，以区分关键词与生成汉字。发送方对秘密信息进行切分，得到关键词集合，使用选定的信息隐藏方法并结合改进后的标签，将关键词嵌入到多个载体文本并发送给接收方完成秘密通信。接收方按顺序接收所有文本，使用提取算法结合改进标签从多个载体中提取关键词，最后将关键词按顺序组成原始秘密信息。本发明方法有效地提升了非常用汉字的隐藏成功率，在使用小型文本库的前提下依然可以保证高隐藏成功率和高隐藏容量。

Description

一种基于汉字部件组合的文本无载体信息隐藏方法
技术领域
本发明涉及一种基于汉字部件组合的文本无载体信息隐藏方法，属于信息安全技术领域。
背景技术
为了保障通信过程的安全，信息隐藏作为最常用的安全技术之一被广泛应用。它把信息通过特定的方式嵌入公开载体中，载体形式可以是文本、图像、视音频这些网络中常见的数字媒介。基于修改的信息隐藏技术已经达到了相对成熟的阶段。与此同时，深度学习的发展推动了隐写检测算法走向成熟，传统的修改式隐藏方法很难抵抗这类检测。其次，文本作为信息隐藏的主流载体之一，由于其文件容量较小导致了秘密信息嵌入的效率较低。因此，在保证秘密信息抗检测性的前提下提高文本载体的信息嵌入率已成为当下研究者关注的重点。在这样的背景下，无载体信息隐藏技术被提出并迅速引起广泛的关注。
无载体信息隐藏技术并不是不需要载体，而是采用不修改载体或直接生成含密载体的方法传递秘密信息。这种信息隐藏技术在隐藏原理上就不同于传统的信息隐藏方法，由于其传递的都是自然文本，因此可以抵抗各类隐写分析算法，具有较强的隐蔽性。当前，无载体细信息隐藏方法主要包括搜索式和生成式两种，也有研究人员将这两种方法相结合，有效提升了单篇载体文本的隐藏容量，但是当秘密信息中包含一些非常用字时，该方法依然无法实现完整的秘密信息传递。
发明内容
本发明针对文本无载体信息隐藏方法中无法隐藏一些非常用字的问题，提出一种基于汉字部件组合的文本无载体信息隐藏方法，改进了传统的“定位标签+关键词”的搜索式无载体信息隐藏模式，将关键词中的每个汉字拆分成“偏旁部首+独立汉字”并将这些汉字部件保存在一个集合中，对集合中的部件进行两两组合以产生新的汉字。本发明方法有效地提升了非常用汉字的隐藏成功率，在使用小型文本库的前提下依然可以保证高隐藏成功率和高隐藏容量。
为了实现上述目的，本发明所采用以下技术方案：
一种基于汉字部件组合的文本无载体信息隐藏方法，包括如下步骤：
步骤1.确定搜索式无载体信息隐藏方法，根据选用的方法构建对应的载体文本库并确定定位标签形式和信息隐藏提取算法，对搜索式无载体信息隐藏方法的索引生成算法进行改进，引入汉字部件组合机制，同时改进标签形式，以区分关键词与生成汉字。
步骤2.发送方对秘密信息进行切分，得到关键词集合，使用步骤1选定的信息隐藏方法并结合改进后的标签，将关键词嵌入到多个载体文本并发送给接收方完成秘密通信。
步骤3.接收方按顺序接收所有文本，使用步骤1选用的提取算法结合改进标签从多个载体中提取关键词，最后将关键词按顺序组成原始秘密信息。
本发明方法在无载体信息隐藏技术固有的强隐蔽性技术上进一步提升了通信的安全性。首先，通过引入汉字部件组合机制后，原先的定位标签指向的可能是一个关键词，也可能是关键词拆分重组后的重组汉字。因此在定位标签中需要额外的标志位和编码位来表明这种情况，这就使得攻击者对编码的暴力猜解更为困难。其次，通信双方可以自定义汉字拆解方式，即使在攻击者解析出编码格式，还需要对原始关键词进行拆解并重组才能得到被嵌入的重组汉字。而对单个汉字拆解重组后的编码结果由构建的汉字部件库、拆解算法、重组顺序以及重组汉字的编码方式所决定，所以攻击者破解了编码文件后，还需要构建与发送方相同的部件库，使用完全一致的拆解算法和编码才能还原出嵌入信息。
本发明方法有一定概率可以生成原始文本中不存在的汉字，以此来增加秘密信息被嵌入的成功率，同时也提升了在单篇文本中嵌入多个关键词的概率。同时，本发明对载体文本库的要求较低，在使用小型文本库的前提下依然可以保证高隐藏成功率和高隐藏容量。
附图说明
图1为本发明实施例所提供的引入汉字部件组合机制的信息隐藏框架图；
图2为本发明实施例所提供的关键词拆分重组实例图；
图3为本发明实施例所提供的汉字拆分重组后编码实例图；
图4为本发明实施例所提供的二进制参数格式图。
具体实施方式
为了更好的理解本发明的技术方案，下面结合附图对本发明实施例进行详细描述。应当明确，所描述的实施例，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。
本发明实施例在现有的一种搜索式无载体信息隐藏方法的基础上引入汉字部件机制。图1为本发明实施例所提供的引入汉字部件组合机制的信息隐藏框架图。如图1所示，该方法包括以下步骤：
步骤1，确定现有的搜索式无载体信息隐藏方法，根据选用的方法构建对应的载体文本库并确定定位标签形式和信息隐藏提取算法(不同的搜索式无载体信息隐藏方法有不同的标签形式，因此生成索引的方法、信息隐藏过程和提取过程都不相同)，对搜索式无载体信息隐藏方法的索引生成算法进行改进，引入汉字部件组合机制，同时改进标签形式，以区分关键词与生成汉字，详细流程如下：
步骤1.1，确定定位标签的长度n。从载体文本库中取出一篇文本T，剔除T中非汉字符，统计汉字的总数W，将T的起始位置IP置0。
步骤1.2，选取文本T中从IP开始的n个汉字，根据GBK编码的奇偶性将n个汉字转换为二进制序列作为标签L。对标签后的四个汉字分词，取分词后的第一个词作为关键词K，创建一张哈希表并以L命名，将关键词和文本路径存入以L为名的哈希表中。若名为L的文件已经存在，则直接存储。
步骤1.3，对关键词K，执行汉字部件组合算法，生成重组汉字集合H。
步骤1.3.1，对关键词K中的每个汉字进行拆分，分别得到偏旁部首集合P＝{p1，p2，…，pi}和独立汉字集合C＝{c1，c2，…，cj}。
步骤1.3.2，若i+j≤8，对独立汉字集合C中的汉字继续拆分，得到偏旁部首集合P′＝{p′1，p′2，…}和独立汉字集合C’＝{c′1，c′2，…}，将P集合与P′集合做并集运算，最终结果赋予P，将C集合与C′集合做并集运算，最终结果赋予C。否则，直接执行步骤1.3.3。
步骤1.3.3，将偏旁部首集合P中的偏旁按顺序进行两两组合，若成功组合成汉字且关键词K中不包含该汉字，则将该汉字添加到生成汉字集合H中，将偏旁部首集合P中的偏旁按顺序与集合C中的独立汉字进行两两组合，若成功组合成汉字且关键词K中不包含该汉字，则将该汉字添加到重组汉字集合H中，具体示例如图2所示。
步骤1.3.4，若重组汉字集合H的长度大于8，则只随机保留8个，得到最终的重组汉字集合H。将集合H中的每个汉字存入以L为名的哈希表中。
步骤1.4，IP＝IP+1，重复步骤1.2，直到IP+n+4＞W为止。
步骤1.5，从载体文本库中取出另一篇文本，重复步骤1.2至步骤1.4，直到文本库中所有文本都被遍历完。返回以各标签命名的哈希表作为索引文件。
步骤1.6，使用多层RNN模型提取载体文本库的文本特征，得到满足载体文本库样本特征的语言模型。
步骤2，发送端对秘密信息进行切分，得到关键词集合，使用步骤1选定的信息隐藏方法并结合改进后的标签，将关键词嵌入到多个载体文本并发送给接收方完成秘密通信，详细流程如下。
步骤2.1，确定秘密信息M。
步骤2.2，对秘密信息M分词、去停用词，得到关键词集合KeywordSet，对关键词集合KeywordSet中的每个关键词使用同义词林将每个关键词扩充成同义词集合，接着使用如下计算公式计算相似度：
Figure BDA0003957105490000041
其中βv(1≤v≤4且v∈N)是调节参数，四个调节参数如下β1＝0.5，β2＝0.2，β3＝0.17，β4＝0.13。Simo(1≤o≤v且o∈N)表示语义描述式中特定描述之间的相似度，公式如下：
Figure BDA0003957105490000051
其中p1，p2为两个义原，d是p1，p2在义原层次体系中的最短路径长度，a是一个可调节参数。筛选出同义词集合中相似度与原关键词在0.5以上的词，得到最终同义词扩展集合S′＝{s1，s2，…，sn}(sk＝{w1，w2，…}，sk为最终扩展的同义词集合)。
步骤2.3，对于S′中的每个同义词集合sk，遍历sk中每个同义词w，根据同义词w在步骤1.2得到的所有哈希表中查询满足条件的文本，将检索得到的所有文本存入同义词集合sk对应的载体文本集合tk。遍历完成后，对集合tk中的文本进行去重。若tk为空集，则将sk对应的关键词(sk为原始关键词扩展后的同义词集合，对应的关键词即未做同义词扩展前的关键词)切分成单个汉字，将每个汉字作为关键词w在步骤1.2得到的所有哈希表中查询满足条件的文本，最终结果存入tk中，并将载体文本集合tk存储到文本集集合T中。
步骤2.4，对T构建词袋模型，取出出现频率最高的文本txt，记录该文本中所有隐藏的关键词组成关键词集合K′＝{k′1，k′2，…}、对应的标签集合L′＝{l′1，l′2，…}和关键词在秘密信息中的位置集合U′＝{u′1，u′2，…}，并判断该关键词是原始关键词还是重组汉字。若关键词为原始关键词，，在文本txt中根据关键词k′x和标签l′x检索标签位置d′x，将标签l′x、关键词在秘密信息中的位置集合m′x和标签位置d′x按固定格式转化为二进制比特e并存储。若关键词为重组汉字，除了在文本中根据关键词k′x和标签l′x检索标签位置d′x，还需要对关键词使用步骤1.3.1至步骤1.3.4定义的汉字部件组合算法对关键词中的每个汉字进行拆分重组并编码，具体实例如图3所示。将标签l′x、关键词在秘密信息中的位置集合u′x和标签位置d′x以及重组汉字的编码按固定格式转化为二进制参数e并存储。上述固定格式包含如下参数：
分词数：根据秘密信息被切分成关键词的个数nkws，计算分词数a的值满足2a-1≤nkws≤2a，用固定6bit记录分词数a的值；
最大隐藏数：选择隐藏最多的文本，记录隐藏的关键词个数maxkws，计算最大隐藏数c的值满足2c-1≤maxkws≤2c，用固定5bit记录最大隐藏数c的值；
关键词个数：表示某一篇文本中关键词的个数，用cbit表示；
标签：定位标签，用5bit表示；
标签位置：与标签搭配使用，表示在该文本中取某标签下的第几个关键词。用6bit表示；
标志：表示该定位标签对应的是关键词还是重组汉字，用1bit表示。其中，“0”表示关键词，“1”表示重组汉字；
编码：与标志搭配使用。当标志位为“0”时，编码位为0bit，当标志位为“1”时，编码位为3bit，用来记录重组汉字的编码；
秘密信息位置：对应关键词在原秘密信息中的位置，用abit表示。
具体格式如图4所示。
步骤2.5，将文本txt发送给接收方，在T中剔除上述文本中已经隐藏的载体文本集合，重复步骤2.4，直到T为空集为止。
步骤2.6，随机挑选若干词语组成侯选池，使用步骤1.6得到的语言模型计算侯选池中词语的转移概率，使用Huffman编码按条件概率对这些词语进行编码，根据二进制参数e选择合适的词语作为下一轮输入，直到二进制参数e完全被嵌入，最终生成文本txt'并发送给接收方。
步骤3，接收方按顺序接收所有文本，使用步骤1选用的提取算法结合改进标签从多个载体中提取关键词，最后将关键词按顺序组成原始秘密信息，详细步骤如下：
步骤3.1，使用与发送方相同的载体文本库和多层RNN模型提取文本库特征，得到满足载体文本库样本特征的语言模型。
步骤3.2，使用步骤3.1得到的语言模型模型计算txt'中每个单词在每个时刻的概率分布，根据计算出来的条件概率使用Huffman编码方法对文本中的词语进行编码，解出二进制参数e。
步骤3.3，按照固定格式解析二进制参数e，根据解析出的每一组标签l′x和标签位置d′x从载体中提取关键词k′x。若标志位为0，直接记录关键词k′x以及其在秘密信息中的位置u′x；若标志位为1，使用步骤1.3.1至步骤1.3.4定义的汉字部件组合算法拆分关键词中的汉字，得到重组汉字集合并对其中每个汉字编码，根据e中的编码位得到重组汉字作为关键词k′x并记录其在秘密信息中的位置u′x。
步骤3.4，根据u′x将对应关键词k′x放入秘密信息M′的对应位置，当参数e全部被解析完成后，得到完整的秘密信息M′。秘密信息M′会存在与原始秘密信息M不完全相同的情况，主要原因是由于在信息隐藏的过程中，原始秘密信息M被切分成一个个关键词，在信息隐藏的过程中有一定概率会使用某个关键词的同义词来代替该关键词被嵌入到载体文本中，因此最后在提取秘密信息时会出现原始秘密信息M中的某一个词语被替换成了该词的同义词的现象，经过实验证明该操作并不会影响句子的语义。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。

Claims (6)

1.一种基于汉字部件组合的文本无载体信息隐藏方法，其特征在于，包括如下步骤：
步骤1.确定搜索式无载体信息隐藏方法，根据选用的方法构建对应的载体文本库并确定定位标签形式和信息隐藏提取算法，对搜索式无载体信息隐藏方法的索引生成算法进行改进，引入汉字部件组合机制，同时改进标签形式，以区分关键词与生成汉字；
步骤2.发送方对秘密信息进行切分，得到关键词集合，使用步骤1选定的信息隐藏方法并结合改进后的标签，将关键词嵌入到多个载体文本并发送给接收方完成秘密通信；
步骤3.接收方按顺序接收所有文本，使用步骤1选用的提取算法结合改进标签从多个载体中提取关键词，最后将关键词按顺序组成原始秘密信息。
2.根据权利要求1所述的一种基于汉字部件组合的文本无载体信息隐藏方法，其特征在于，步骤1方法具体如下：
确定现有的搜索式无载体信息隐藏方法，根据选用的方法构建对应的载体文本库并确定定位标签形式和信息隐藏提取算法，对搜索式无载体信息隐藏方法的索引生成算法进行改进，引入汉字部件组合机制，同时改进标签形式，以区分关键词与生成汉字，详细流程如下：
步骤1.1，确定定位标签的长度n；从载体文本库中取出一篇文本T，剔除T中非汉字符，统计汉字的总数W，将T的起始位置IP置0；
步骤1.2，选取文本T中从IP开始的n个汉字，根据GBK编码的奇偶性将n个汉字转换为二进制序列作为标签L；对标签后的四个汉字分词，取分词后的第一个词作为关键词K，创建一张哈希表并以L命名，将关键词和文本路径存入以L为名的哈希表中；若名为L的文件已经存在，则直接存储；
步骤1.3，对关键词K，执行汉字部件组合算法，生成重组汉字集合H；
步骤1.4，IP＝IP+1，重复步骤1.2，直到IP+n+4>W为止；
步骤1.5，从载体文本库中取出另一篇文本，重复步骤1.2至步骤1.4，直到文本库中所有文本都被遍历完；返回以各标签命名的哈希表作为索引文件；
步骤1.6，使用多层RNN模型提取载体文本库的文本特征，得到满足载体文本库样本特征的语言模型。
3.根据权利要求2所述的一种基于汉字部件组合的文本无载体信息隐藏方法，其特征在于，步骤1.3所述的汉字部件组合算法步骤如下：
步骤1.3.1，对关键词K中的每个汉字进行拆分，分别得到偏旁部首集合P＝{p1,p2,…,pi}和独立汉字集合C＝{c1,c2,…,cj}；
步骤1.3.2，若i+j≤8，对独立汉字集合C中的汉字继续拆分，得到偏旁部首集合P'＝{p’1,p'2,…}和独立汉字集合C'＝{c’1,c'2,…}，将P集合与P'集合做并集运算，最终结果赋予P，将C集合与C'集合做并集运算，最终结果赋予C；否则，直接执行步骤1.3.3；
步骤1.3.3，将偏旁部首集合P中的偏旁按顺序进行两两组合，若成功组合成汉字且关键词K中不包含该汉字，则将该汉字添加到生成汉字集合H中,将偏旁部首集合P中的偏旁按顺序与集合C中的独立汉字进行两两组合，若成功组合成汉字且关键词K中不包含该汉字，则将该汉字添加到重组汉字集合H中；
步骤1.3.4，若重组汉字集合H的长度大于8，则只随机保留8个，得到最终的重组汉字集合H；将集合H中的每个汉字存入以L为名的哈希表中。
4.根据权利要求2或3所述的一种基于汉字部件组合的文本无载体信息隐藏方法，其特征在于，步骤2具体方法如下：
发送端对秘密信息进行切分，得到关键词集合，使用步骤1选定的信息隐藏方法并结合改进后的标签，将关键词嵌入到多个载体文本并发送给接收方完成秘密通信，详细流程如下；
步骤2.1，确定秘密信息M；
步骤2.2，对秘密信息M分词、去停用词，得到关键词集合KeywordSet，对关键词集合KeywordSet中的每个关键词使用同义词林将每个关键词扩充成同义词集合，接着使用如下计算公式计算相似度：
Figure FDA0003957105480000031
其中βv，1≤v≤4且v∈N，是调节参数，四个调节参数如下β1＝0.5,β2＝0.2,β3＝0.17,β4＝0.13；Simo，1≤o≤v且o∈N，表示语义描述式中特定描述之间的相似度，公式如下：
Figure FDA0003957105480000032
其中p1,p2为两个义原，d是p1,p2在义原层次体系中的最短路径长度，a是一个可调节参数；筛选出同义词集合中相似度与原关键词在0.5以上的词，得到最终同义词扩展集合S′＝{s1,s2,…,sn}，sk＝{w1,w2,…},sk为最终扩展的同义词集合；
步骤2.3，对于S′中的每个同义词集合sk，遍历sk中每个同义词w，根据同义词w在步骤1.2得到的所有哈希表中查询满足条件的文本，将检索得到的所有文本存入同义词集合sk对应的载体文本集合tk；遍历完成后，对集合tk中的文本进行去重；若tk为空集，则将sk对应的关键词切分成单个汉字，将每个汉字作为关键词w在步骤1.2得到的所有哈希表中查询满足条件的文本，最终结果存入tk中，并将载体文本集合tk存储到文本集集合T中；
步骤2.4，对T构建词袋模型，取出出现频率最高的文本txt，记录该文本中所有隐藏的关键词组成关键词集合K'＝{k'1,k'2,…}、对应的标签集合L'＝{l'1,l'2,…}和关键词在秘密信息中的位置集合U'＝{u'1,u'2,…}，并判断该关键词是原始关键词还是重组汉字；若关键词为原始关键词，，在文本txt中根据关键词k'x和标签l'x检索标签位置d'x，将标签l'x、关键词在秘密信息中的位置集合m'x和标签位置d'x按固定格式转化为二进制比特e并存储；若关键词为重组汉字，除了在文本中根据关键词k'x和标签l'x检索标签位置d'x，还需要对关键词使用汉字部件组合算法对关键词中的每个汉字进行拆分重组并编码；将标签l'x、关键词在秘密信息中的位置集合u'x和标签位置d'x以及重组汉字的编码按固定格式转化为二进制参数e并存储；
步骤2.5，将文本txt发送给接收方，在T中剔除上述文本中已经隐藏的载体文本集合，重复步骤2.4，直到T为空集为止；
步骤2.6，随机挑选若干词语组成侯选池，使用步骤1.6得到的语言模型计算侯选池中词语的转移概率，使用Huffman编码按条件概率对这些词语进行编码，根据二进制参数e选择合适的词语作为下一轮输入，直到二进制参数e完全被嵌入，最终生成文本txt'并发送给接收方。
5.根据权利要求4所述的一种基于汉字部件组合的文本无载体信息隐藏方法，其特征在于，所述的固定格式包含如下参数：
分词数：根据秘密信息被切分成关键词的个数nkws，计算分词数a的值满足2a-1≤nkws≤2a，用固定6bit记录分词数a的值；
最大隐藏数：选择隐藏最多的文本，记录隐藏的关键词个数maxkws，计算最大隐藏数c的值满足2c-1≤maxkws≤2c，用固定5bit记录最大隐藏数c的值；
关键词个数：表示某一篇文本中关键词的个数，用cbit表示；
标签：定位标签，用5bit表示；
标签位置：与标签搭配使用，表示在该文本中取某标签下的第几个关键词；用6bit表示；
标志：表示该定位标签对应的是关键词还是重组汉字，用1bit表示；其中，“0”表示关键词，“1”表示重组汉字；
编码：与标志搭配使用；当标志位为“0”时，编码位为0bit，当标志位为“1”时，编码位为3bit，用来记录重组汉字的编码；
秘密信息位置：对应关键词在原秘密信息中的位置，用abit表示。
6.根据权利要求4所述的一种基于汉字部件组合的文本无载体信息隐藏方法，其特征在于，步骤3具体方法如下：
接收方按顺序接收所有文本，使用步骤1选用的提取算法结合改进标签从多个载体中提取关键词，最后将关键词按顺序组成原始秘密信息，详细步骤如下：
步骤3.1，使用与发送方相同的载体文本库和多层RNN模型提取文本库特征，得到满足载体文本库样本特征的语言模型；
步骤3.2，使用步骤3.1得到的语言模型模型计算txt'中每个单词在每个时刻的概率分布，根据计算出来的条件概率使用Huffman编码方法对文本中的词语进行编码，解出二进制参数e；
步骤3.3，按照固定格式解析二进制参数e,根据解析出的每一组标签l'x和标签位置d'x从载体中提取关键词k'x；若标志位为0，直接记录关键词l'x以及其在秘密信息中的位置u'x；若标志位为1，使用步骤1.3.1至步骤1.3.4定义的汉字部件组合算法拆分关键词中的汉字，得到重组汉字集合并对其中每个汉字编码，根据e中的编码位得到重组汉字作为关键词k'x并记录其在秘密信息中的位置u'x；
步骤3.4，根据u'x将对应关键词l'x放入秘密信息M'的对应位置，当参数e全部被解析完成后，得到完整的秘密信息M'；
所述的秘密信息M'会存在与原始秘密信息M不完全相同的情况，原因是由于在信息隐藏的过程中，原始秘密信息M被切分成一个个关键词，在信息隐藏的过程中有一定概率会使用某个关键词的同义词来代替该关键词被嵌入到载体文本中，因此最后在提取秘密信息时会出现原始秘密信息M中的某一个词语被替换成了该词的同义词的现象，该操作并不会影响句子的语义。
CN202211467880.4A 2022-01-25 2022-11-22 一种基于汉字部件组合的文本无载体信息隐藏方法 Pending CN115758415A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202210088994.1A CN114491597A (zh) 2022-01-25 2022-01-25 一种基于汉字部件组合的文本无载体信息隐藏方法
CN2022100889941 2022-01-25

Publications (1)

Publication Number Publication Date
CN115758415A true CN115758415A (zh) 2023-03-07

Family

ID=81474948

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202210088994.1A Withdrawn CN114491597A (zh) 2022-01-25 2022-01-25 一种基于汉字部件组合的文本无载体信息隐藏方法
CN202211467880.4A Pending CN115758415A (zh) 2022-01-25 2022-11-22 一种基于汉字部件组合的文本无载体信息隐藏方法

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN202210088994.1A Withdrawn CN114491597A (zh) 2022-01-25 2022-01-25 一种基于汉字部件组合的文本无载体信息隐藏方法

Country Status (1)

Country Link
CN (2) CN114491597A (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117648906B (zh) * 2024-01-30 2024-04-05 北京点聚信息技术有限公司 一种版式文件隐写打印方法及系统
CN118035426B (zh) * 2024-04-15 2024-06-21 深圳市瑞得信息科技有限公司 一种基于用户画像的机器人客服自动回复方法及系统

Also Published As

Publication number Publication date
CN114491597A (zh) 2022-05-13

Similar Documents

Publication Publication Date Title
CN107609356B (zh) 基于标签模型的文本无载体信息隐藏方法
CN115758415A (zh) 一种基于汉字部件组合的文本无载体信息隐藏方法
CN109711121B (zh) 基于马尔可夫模型和哈夫曼编码的文本隐写方法及装置
CN107947918B (zh) 一种基于字符特征的无载体文本隐写方法
Xiang et al. Linguistic steganalysis using the features derived from synonym frequency
CN110119444B (zh) 一种抽取式与生成式相结合的公文摘要生成模型
CN108418683B (zh) 一种基于汉字结构特征的无载体文本隐写方法
CN111797409B (zh) 一种大数据中文文本无载体信息隐藏方法
CN111666575B (zh) 基于词元编码的文本无载体信息隐藏方法
CN115296862B (zh) 一种基于数据编码的网络数据安全传输方法
CN111027081B (zh) 基于特征映射的文本无载体信息隐藏方法
Shi et al. An approach to text steganography based on search in internet
Wang et al. A novel text steganography by context-based equivalent substitution
CN113626584A (zh) 一种自动文本摘要生成方法、系统、计算机设备和存储介质
CN101388731B (zh) 一种低速率等效语音水声通信技术
CN115952528A (zh) 一种多尺度联合文本隐写方法及系统
CN113343250B (zh) 一种基于主题引导的生成式文本隐蔽通信方法
CN111447188B (zh) 基于语言隐写特征空间的无载体文本隐写方法
Safaka et al. Matryoshka: Hiding secret communication in plain sight
Liu et al. Multi-keywords carrier-free text steganography method based on Chinese pinyin
Zhang et al. Coverless text steganography method based on characteristics of word association
CN114065269B (zh) 无绑定型非同质化代币的生成方法和解析方法和存储介质
Figueira A Survey on Semantic Steganography Systems
CN112989809B (zh) 基于同义词扩展和标签传递的文本无载体信息隐藏方法
Banerjee Text steganography using article mapping technique (AMT) and SSCE

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