The invention discloses a method for generating anti-security carrier for steganalysis neural network. The gradient back-propagation technique is used to make steganalysis neural network modify the input image to generate anti-countermeasure samples. Regular terms are added to the distortion function to prevent excessive modification. Random noise is used to simulate steganographic information and make the network learn the modification position and amplitude against the noise. The cycle of generation modification, periodic quantification and effect evaluation generates stable countermeasure samples. By adopting the method disclosed in the present invention, one or more given steganalysis neural networks may lose the ability to detect the carrier with great probability.
【技术实现步骤摘要】
针对隐写分析神经网络的对抗安全载体生成方法
本专利技术涉及深度学习与信息隐藏
,尤其涉及一种针对隐写分析神经网络的对抗安全载体生成方法。
技术介绍
近年来,信息隐藏研究人员提出了许多先进的隐写算法,以将秘密信息隐藏到载体图像中实现隐秘通信。现有很多优秀的在空域或频域嵌入秘密消息方案,例如HUGO,WOW,S-UNIWARD,HILL,JUNIWARAD和UERD。这些方法可以将启发式定义的嵌入失真最小化,同时将秘密信息隐藏到给定图像中以降低统计可检测性。隐写分析是针对隐写术的一种分析技术,对于待测载体,隐写分析工作分为几个不同层次,主要分为:隐写载体检测、隐写算法分析、秘密信息提取、隐写明文获取等内容。其中隐写载体检测旨在检测载体是否被嵌入秘密信息;隐写算法分析是在前一步基础上,分析被隐写载体的秘密信息嵌入方法和嵌入率;秘密信息提取的任务是在前两步工作的基础之上,确定秘密消息嵌入的位置并提取出隐写密文;最后将密文解密为隐写明文即完成了隐写分析工作。然而现今主流隐写分析工作集中在分析过程的第一步,也就是隐写载体检测,主要研究如何高精度确定载体是否含有秘密信息,并且通常假设隐写方法与嵌入率已知。目前,传统的隐写分析方法分为高维特征提取和机器学习分类器训练两个步骤。富模型(RM)是一组出色的隐写分析特征,通常用于第一步。该模型有多种版本,最具代表性的是空间域中的富模型(SRM)和频域的富模型(J-SRM)。机器学习的最常见选择分类器是集成分类器(EC)。SRM和EC的组合可以取得优异的检测性能。其他常用的隐写分析特征有马尔科夫、共生矩阵、直方图高阶距等,以 ...
【技术保护点】
1.一种针对隐写分析神经网络的对抗安全载体生成方法,其特征在于,包括:步骤A、运用对抗样本技术,向原始载体图像添加随机隐写噪声,获得带噪图像;步骤B、将带噪图像输入至给定的隐写分析神经网络中,通过计算隐写分析神经网络的损失函数来计算修改原始载体图像的梯度信息,进而求得对抗噪声,再将对抗噪声叠加在原始载体图像上得到本次迭代最终的增强载体图像;步骤C、利用给定的隐写分析神经网络对增强载体图像进行性能测试,同时,将增强载体图像赋值给原始载体图像,并重复执行上述步骤A~步骤C,迭代次数上限为K次,迭代K次之后,结合性能测试结果来选取性能最好的增强载体图像作为对抗安全载体。
【技术特征摘要】
1.一种针对隐写分析神经网络的对抗安全载体生成方法,其特征在于,包括:步骤A、运用对抗样本技术,向原始载体图像添加随机隐写噪声,获得带噪图像;步骤B、将带噪图像输入至给定的隐写分析神经网络中,通过计算隐写分析神经网络的损失函数来计算修改原始载体图像的梯度信息,进而求得对抗噪声,再将对抗噪声叠加在原始载体图像上得到本次迭代最终的增强载体图像;步骤C、利用给定的隐写分析神经网络对增强载体图像进行性能测试,同时,将增强载体图像赋值给原始载体图像,并重复执行上述步骤A~步骤C,迭代次数上限为K次,迭代K次之后,结合性能测试结果来选取性能最好的增强载体图像作为对抗安全载体。2.根据权利要求1所述的一种针对隐写分析神经网络的对抗安全载体生成方法,其特征在于,所述运用对抗样本技术,向原始载体图像添加噪声包括:对于第i次迭代,对原始载体图像C,生成幅度在[-1,1]之间的相同尺寸随机隐写噪声矩阵nin,将噪声叠加在原始载体图像C上得到带噪图像3.根据权利要求1所述的一种针对隐写分析神经网络的对抗安全载体生成方法,其特征在于,通过计算隐写分析神经网络的损失函数来计算修改原始载体图像的梯度信息包括:假设给定的隐写分析神经网络的数量为h;当h=1,即给定单个隐写分析神经网络,计算修改原始载体图像梯度η的公式为:其中,θ表示给定的隐写分析神经网络的网络参数,C表示原始载体图像,y表示真实标签;为以θ为参数、C为输入、y为标签的神经网络损失函数;表示以C为自变量对求导;当h>1,即给定多个隐写分析神经网络,计算修改原始载体图像梯度η的公式为:其中,LNmul(θ,C,y)=TotalLoss表示联合损失函数,表示以C为自变量对LNmul(θ,C,y)求导。4.根据权利要求3所述的一种针对隐写分析神经网络的对抗安全载体生成方法,其特征在于,计算联合损失函数的方式包括:以各个隐写分析神经网络的输出与真实标签的交叉熵的加权和作为损失函数,作为正则项,得到所有隐写分析神经网络的联合损失函数TotalLoss:其中,{loss1,loss2,...,lossh}是各个隐写分析神经网络的不带正则项的损失函数,{α1,α2,...,αh}各个隐写分析神经网络损失函数的权值,ε是正则项的系数;正则项表示为:其中,T为需要修改的像素数量,Δi为第i次迭代后的累积的对抗噪声。5.根据权利要求1所述的一种针对隐写分析神经网络的对抗安全载体生成方法,其特征在于,将学习率∈作为梯度调整幅度系数,与梯度η与相乘,得到对抗噪声nad:nad=η×∈;再将对抗噪声nad叠加到原始载体图像C上,得到本次迭代的初步增强载体图像C”:C”=C+nad;初步增强载体图像C”为浮点型数据,将初步增强载体图像C”中每个像素的数值使用round()函数进行取整,并调整像素值边界在[0,255]范围内,从而得到本次迭代最终的增强载体...
【专利技术属性】
技术研发人员:张卫明,俞能海,张逸为,冯晓兵,周文柏,
申请(专利权)人:中国科学技术大学,
类型:发明
国别省市:安徽,34
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。