一种基于CNN和RNN融合模型的网络异构并发隐写信道的检测方法技术

本发明专利技术属于信息技术安全领域，具体涉及一种基于CNN和RNN融合模型的网络异构并发隐写信道的检测方法。该方法包括：基于深度学习的多维并发隐蔽信道的检测特征的提取，对提取的检测特征进行学习，构建多维并发隐蔽信道检测器并进行检测，该方法避免了基于经验或启发性知识的人工设计特征所带来的特征维度大及无法表达多层数据复杂关联的缺陷，利用深度学习的自动挖掘特征关联的自动表示方法实现了网络流媒体多维度并发隐蔽通信的检测。

【技术实现步骤摘要】
一种基于CNN和RNN融合模型的网络异构并发隐写信道的检测方法
本专利技术属于信息技术安全领域，具体涉及一种基于CNN和RNN融合模型的网络异构并发隐写信道的检测方法。
技术介绍
近年来，随着互联网的持续快速增长，在国际互联网上流媒体(StreamingMedia)服务得到了空前的发展。目前，流媒体有着广泛的应用，如：VOD(VideoOnDemand)、AOD(AudioOnDemand)、IPTV(InternetProtocolTelevision)、VoIP(VoiceoverIP)等。这些网络流媒体服务产生的网络数据具有数据量大、结构复杂等特点，使得网络流媒体成为隐蔽通信的极佳载体。由于流媒体的瞬时性和实时性，传统的静态(存储型)载体中的信息隐藏技术并不能直接应用于流媒体的信息隐藏，另一方面，与图像信息隐藏仅通过改变像素值、音频信息隐藏中仅通过改变语音采样值进行信息隐藏不同，由于流媒体数据的多维度，基于流媒体的网络隐蔽通信既可通过改变语音、视频信号进行、也可利用语音、视频传输所依赖的网络协议、通信信令等进行。每个流媒体单元中的通信层次都可以通过运用某种信息隐藏方法改写该层次本文档来自技高网...

【技术保护点】
1.一种基于CNN和RNN融合模型的网络异构并发隐写信道的检测方法，其特征在于，该方法包括以下步骤：①基于深度学习的多维并发隐蔽信道的检测特征的提取：首先使用卷积神经网络作为特征学习的第一层次，将循环神经网络作为特征学习的第二层次，采用LSTMs模型(Long Short‑Term Memory，长短时记忆模型)逐层训练的方法，更好地对长短时依赖进行表达，同时表达流媒体数据的时空特性；②对步骤①中提取的检测特征进行学习：通过深度学习分别获取同一流媒体中不同隐写算法在不同数据域所实现的不同隐蔽信道检测特征向量，利用这些特征向量作为检测是否存在隐蔽信道的依据输入分类器，同时，进一步获取2路并行隐蔽...

【技术特征摘要】
1.一种基于CNN和RNN融合模型的网络异构并发隐写信道的检测方法，其特征在于，该方法包括以下步骤：①基于深度学习的多维并发隐蔽信道的检测特征的提取：首先使用卷积神经网络作为特征学习的第一层次，将循环神经网络作为特征学习的第二层次，采用LSTMs模型(LongShort-TermMemory，长短时记忆模型)逐层训练的方法，更好地对长短时依赖进行表达，同时表达流媒体数据的时空特性；②对步骤①中提取的检测特征进行学习：通过深度学习分别获取同一流媒体中不同隐写算法在不同数据域所实现的不同隐蔽信道检测特征向量，利用这些特征向量作为检测是否存在隐蔽信道的依据输入分类器，同时，进一步获取2路并行隐蔽信道的检测特征向量，进而利用这些并发隐蔽信道的检测特征向量构建多维并发隐蔽信道检测器；③构建多维并发隐蔽信道检测器并进行检测：将提取到的隐蔽信道的特征向量表示为F∈Rl,其中Fi表示第i个特征，即F＝[F1F2F3...FL]通过定义一组检测权重E∈Rl...

【专利技术属性】
技术研发人员：杨婉霞，杨小平，李妙祺，王关平，周蓓蓓，刘燕，刘柯楠，闫红强，
申请(专利权)人：甘肃农业大学，
类型：发明
国别省市：甘肃,62