安全隐秘的密钥与密文的生成、存储与传递方法和装置制造方法及图纸

本公开提供了一种安全隐秘的密钥与密文的生成、存储与传递方法，预先建立并训练联合模型；训练好的联合模型检测到给定的特定目标时，通过联合模型中的特征提取模块与多路密钥生成模块，生成对应给定特定目标的文本句子；以文本句子的全部或部分生成的密钥对安全信息加密生成密文；将密文与联合模型封装在预设应用程序中；对封装在一起的密文与联合模型进行隐蔽式存储与传递操作。该方法用于加解密安全信息的密钥是动态生成的，不存在密钥存储的风险；且动态密钥在特定目标出现时才会触发生成，使得密文的生成、存储与传递具有安全性和隐秘性，保证密文只能目标使用者解密使用。本公开还提供了一种安全隐秘的密钥与密文的生成、存储与传递装置。

【技术实现步骤摘要】
安全隐秘的密钥与密文的生成、存储与传递方法和装置
本公开涉及网络空间安全
，具体而言，涉及一种安全隐秘的密钥与密文的生成、存储与传递方法和装置。
技术介绍
目前，军工单位普遍使用计算机网络进行产品设计和生产经营管理，通过计算机造成的失泄密事件日益增多。为了确保国家秘密的安全，国家对从事军工科研和生产的单位实行保密资格审查认证制度，并对军工或其他涉密单位提出了严格的保密要求。另一方面，很多科研单位拥有非常珍贵的科研材料或成果数据，研究人员希望在公开发布之前拥有对这些内容的完全解释权，并不希望被外部人员或恶意窃密者获取到这些内容，因此他们也希望对科研成果或珍贵数据进行隐秘存储与传递。再者，目前很多涉及到国家安全和利益的通信往往使用匿名通信的方式，但匿名通信容易遭受到攻击者的流量审查攻击，因此匿名通信对通信内容的安全性也提出了很高的要求。为了方便起见，本专利技术中我们将具有这种需求的涉密文件、科研数据或通信内容等统称为安全信息，被加密后的安全信息则统称为密文。基于这样的一个需求背景，很多研究人员采用各种不同的加密技术实现对安全信息的加密形成密文，并进行存储与传递，但存在的问题是大量的不同密文对应着大量的密钥，那么这些密钥就需要进行记录与保存，然而当前的技术也无法保证密钥存储的安全性，因此，当前针对密钥和密文的存储与传递过程中存在着泄密的风险。目前对安全信息的加密保存面临密钥丢失或被窃取的风险，而且一旦密钥丢失，只要拿到密钥的人就可以解密密文获取安全信息，因此密钥和密文的生成、存储与传递面临着安全威胁。
技术实现思路
为了解决现有技术中的技术问题，本公开实施例提供了一种安全隐秘的密钥与密文的生成、存储与传递方法和装置，该方法使得该模型可以对应不同的特定目标，生成对应稳定的动态加解密密钥，实现多路信息保护；且动态稳定的加解密密钥至少要是128比特长度，以保证恶意攻击者即使得到密文，也无法完成对密文的解密，无法获得有效信息，提高了信息传输的安全性。第一方面，本公开实施例提供了一种安全隐秘的密钥与密文的生成、存储与传递方法，包括以下步骤：预先建立并训练联合模型；训练好的所述联合模型检测到给定的特定目标时，通过所述联合模型中的特征提取模块与多路密钥生成模块，生成对应给定特定目标的文本句子；以所述文本句子的全部或部分生成的密钥对安全信息进行加密生成密文；将所述密文与所述联合模型封装在预设应用程序中；对封装在一起的所述密文与联合模型进行隐蔽式存储与传递操作。在其中一个实施例中，所述预先建立并训练联合模型包括：结合卷积神经网络与递归神经网络，构造对应多路密钥生成的所述联合模型。在其中一个实施例中，还包括：以多种类型的特征库作为数据集训练所述联合模型；在训练好的所述联合模型中，其特征提取模块的输出为至少128*1维的高维特征，其中，所述多种类型的特征库包括图像库、音频库、视频库、用户行为库、软件环境库和/或物理环境库的一种或多种。在其中一个实施例中，所述多路密钥生成模块的加密密钥为动态的。在其中一个实施例中，所述训练好的所述联合模型检测到给定的特定目标时，通过所述联合模型中的特征提取模块与多路密钥生成模块，生成对应给定特定目标的文本句子包括：所述特征提取模块采用卷积神经网络对给定的特定目标进行特征提取。在其中一个实施例中，所述训练好的所述联合模型检测到给定的特定目标时，通过所述联合模型中的特征提取模块与多路密钥生成模块，生成对应给定特定目标的文本句子包括：所述多路密钥生成模块基于递归神经网络接收所述特征提取模块输出的高维特征数据，并将所述高维特征数据中包含的关键信息进行文本句子输出，生成具有比特长度至少为128位的句子，其中，所述句子用于密钥生成。在其中一个实施例中，所述递归神经网络采用的模型结构为LSTM或gLSTM架构。第二方面，本公开实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述的方法的步骤。第三方面，本公开实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述的方法的步骤。第四方面，本公开实施例提供了一种安全隐秘的密钥与密文的生成、存储与传递装置，所述装置包括：建立与训练模块，用于预先建立并训练联合模型；第一生成模块，用于训练好的所述联合模型检测到给定的特定目标时，通过所述联合模型中的特征提取模块与多路密钥生成模块，生成对应给定特定目标的文本句子；第二生成模块，用于以所述文本句子的全部或部分生成的密钥对安全信息进行加密生成密文；封装模块，用于将所述密文与所述联合模型封装在预设应用程序中；存储与传递模块，用于对封装在一起的所述密文与联合模型进行隐蔽式存储与传递操作。本专利技术提供的一种安全隐秘的密钥与密文的生成、存储与传递方法和装置，预先建立并训练联合模型；训练好的所述联合模型检测到给定的特定目标时，通过所述联合模型中的特征提取模块与多路密钥生成模块，生成对应给定特定目标的文本句子；以所述文本句子的全部或部分生成的密钥对安全信息进行加密生成密文；将所述密文与所述联合模型封装在预设应用程序中；对封装在一起的所述密文与联合模型进行隐蔽式存储与传递操作。该方法可以实现对多个密文的高隐蔽性生成、存储与传递，且该方法与现有技术不同，本公开涉及的方法用于加解密安全信息的密钥是动态生成的，因此不存在密钥存储的安全风险；而且稳定且隐秘的正确的动态密钥只有在特定目标出现时才会触发生成，这一特点使得本公开涉及的方法很难被逆向，密钥的隐秘特性使得密文的生成、存储与传递也具有极高的安全性和隐秘性，保证密文只能目标使用者解密使用，具有更高的安全性与易用性。附图说明为了更清楚地说明本公开实施例的技术方案，下面对实施例描述中所需要使用的附图作简单地介绍：图1为本专利技术一个实施例中的一种安全隐秘的密钥与密文的生成、存储与传递方法的步骤流程示意图；图2为本专利技术一个实施例中的一种安全隐秘的密钥与密文的生成、存储与传递方法的应用示例示意图；图3为本专利技术另一实施例中的一种安全隐秘的密钥与密文的生成、存储与传递方法的应用示例示意图；以及图4为本专利技术一个实施例中的一种安全隐秘的密钥与密文的生成、存储与传递装置的结构示意图。具体实施方式下面结合附图和实施例对本申请进行进一步的详细介绍。在下述介绍中，术语“第一”、“第二”仅为用于描述的目的，而不能理解为指示或暗示相对重要性。下述介绍提供了本公开的多个实施例，不同实施例之间可以替换或者合并组合，因此本申请也可认为包含所记载的相同和/或不同实施例的所有可能组合。因而，如果一个实施例包含特征A、B、C，另一个实施例包含特征B、D，那么本申请也应视为包括含有A、B、C、D的一个或多个所有其他可能的组合的实施例，尽管该实施例可能并未在以下内容中有明确的文字记载。为了使本专利技术的目的、技术方案及优点更加清楚明白，以下通过实施例，并结合附图，对本专利技术一种安本文档来自技高网...

【技术保护点】
1.一种安全隐秘的密钥与密文的生成、存储与传递方法，其特征在于，包括以下步骤：/n预先建立并训练联合模型；/n训练好的所述联合模型检测到给定的特定目标时，通过所述联合模型中的特征提取模块与多路密钥生成模块，生成对应给定特定目标的文本句子；/n以所述文本句子的全部或部分生成的密钥对安全信息进行加密生成密文；/n将所述密文与所述联合模型封装在预设应用程序中；/n对封装在一起的所述密文与联合模型进行隐蔽式存储与传递操作。/n

【技术特征摘要】
1.一种安全隐秘的密钥与密文的生成、存储与传递方法，其特征在于，包括以下步骤：
预先建立并训练联合模型；
训练好的所述联合模型检测到给定的特定目标时，通过所述联合模型中的特征提取模块与多路密钥生成模块，生成对应给定特定目标的文本句子；
以所述文本句子的全部或部分生成的密钥对安全信息进行加密生成密文；
将所述密文与所述联合模型封装在预设应用程序中；
对封装在一起的所述密文与联合模型进行隐蔽式存储与传递操作。


2.根据权利要求1所述的安全隐秘的密钥与密文的生成、存储与传递方法，其特征在于，所述预先建立并训练联合模型包括：结合卷积神经网络与递归神经网络，构造对应多路密钥生成的所述联合模型。


3.根据权利要求1所述的安全隐秘的密钥与密文的生成、存储与传递方法，其特征在于，还包括：以多种类型的特征库作为数据集训练所述联合模型；
在训练好的所述联合模型中，其特征提取模块的输出为至少128*1维的高维特征，其中，所述多种类型的特征库包括图像库、音频库、视频库、用户行为库、软件环境库和/或物理环境库的一种或多种。


4.根据权利要求1所述的安全隐秘的密钥与密文的生成、存储与传递方法，其特征在于，所述多路密钥生成模块的加密密钥为动态的。


5.根据权利要求1所述的安全隐秘的密钥与密文的生成、存储与传递方法，其特征在于，所述训练好的所述联合模型检测到给定的特定目标时，通过所述联合模型中的特征提取模块与多路密钥生成模块，生成对应给定特定目标的文本句子包括：所述特征提取模块采用卷积神经网络对给定的特定目标进行特征提取。


6.根...

【专利技术属性】
技术研发人员：冀甜甜，王忠儒，崔翔，韩宇，甘蕊灵，刁嘉文，冯林，
申请(专利权)人：北京丁牛科技有限公司，
类型：发明
国别省市：北京;11