一种基于构造式对抗样本的隐蔽通信方法技术

本发明专利技术提出了一种基于构造式对抗样本的隐蔽通信方法。本方法是：将不含秘密信息的对抗样本与秘密信息的映射关系隐藏于公有神经网络的一种隐蔽通信方法。不同于隐写术，本发明专利技术旨在发送方和接收方的通信内容不含秘密信息。利用公有图像分类网络，发送方根据秘密信息对部分样本图像的标签进行量化编码，得到低置信度的正确“软标签”。根据软标签与真实标签之间的损失值构造对抗样本。对抗样本本身不含秘密信息，但可以通过特定的公有模型映射为含密“软标签”。因此通信双方之间仅需传输构造式对抗样本，接收方将对抗样本输入公有模型并对预测结果进行解码即可得到秘密信息。

【技术实现步骤摘要】
一种基于构造式对抗样本的隐蔽通信方法
本专利技术涉及秘密数据传输领域，具体涉及一种基于构造式对抗样本的隐蔽通信方法。它是一种利用公有图像分类网络作为秘密信息提取工具，通信双方仅需传输构造式对抗样本即可实现秘密信息传输的隐蔽通信。
技术介绍
隐蔽通信是在不引起第三方怀疑的情况下，发送方将秘密信息安全地发送给接收方。隐写术是实现隐蔽通信的一种重要方式。隐写术通过轻微修改载体信号来嵌入秘密信息，通信双方通过传输含密信号来进行隐蔽通信。因此大量隐写工作都致力于减少秘密信息的嵌入对原信号的损失以提高通信隐蔽性。然而近年来，基于机器学习的隐写分析可以挖掘出正常信号与含密信号不同的特征并以此对可疑信号进行判决以阻断隐蔽通信。理想情况下，只要载体信号含有秘密信息，则隐蔽通信就存在不安全性。近年来，深度神经网络凭借其强大的学习能力在各个领域都得到了迅速发展和广泛应用。以图像分类任务为例，类似于VGGNet、ResNet等高性能深度神经网络模型被公开发布用于提供高质量的智能服务。深度神经网络模型也逐渐成为了类似于数字图像的一种新形式的数字化产品。在商业环境本文档来自技高网...

【技术保护点】
1.一种基于构造式对抗样本的隐蔽通信方法，其特征在于，具体操作步骤如下：/n1)通信双方将深度神经网络作为秘密信息提取工具，并准备候选触发集；/n2)发送方对秘密信息进行分组并分配触发集样本；/n3)发送方根据秘密信息生成含密“软标签”；/n4)发送方利用对抗攻击FGSM构造对应于“软标签”的对抗样本；/n5)发送方传输构造式对抗样本给接收方；/n6)接收方将对抗样本输入模型，得到含密“软标签”；/n7)接收方对“软标签”进行解码，得到秘密信息。/n

【技术特征摘要】
1.一种基于构造式对抗样本的隐蔽通信方法，其特征在于，具体操作步骤如下：
1)通信双方将深度神经网络作为秘密信息提取工具，并准备候选触发集；
2)发送方对秘密信息进行分组并分配触发集样本；
3)发送方根据秘密信息生成含密“软标签”；
4)发送方利用对抗攻击FGSM构造对应于“软标签”的对抗样本；
5)发送方传输构造式对抗样本给接收方；
6)接收方将对抗样本输入模型，得到含密“软标签”；
7)接收方对“软标签”进行解码，得到秘密信息。


2.根据权利...

【专利技术属性】
技术研发人员：张新鹏，王江锋，姚宇巍，吴汉舟，冯国瑞，
申请(专利权)人：上海大学，
类型：发明
国别省市：上海;31