一种基于深度学习生成对抗网络的密钥生成方法技术

本发明专利技术提供了一种基于深度学习生成对抗网络的密钥生成方法，首先，准备训练集图像；构建密钥生成网络：根据生成器网络以及判别器网络构建密钥生成网络，并将所述训练集图像输入至所述密钥生成网络；训练密钥生成网络：利用深度学习方法训练所述密钥生成网络，生成密钥。采用本发明专利技术生成的密钥具有较大的密钥空间，伪随机性，一次一密和对初值敏感的特性。本申请是尝试在密钥生成领域采用深度学习方法的最早研究之一，并且使用生成的密钥对明文医学图像进行加密可以带来较高的安全性。

【技术实现步骤摘要】
一种基于深度学习生成对抗网络的密钥生成方法
本专利技术属于通信
，尤其涉及一种基于深度学习生成对抗网络的密钥生成方法。
技术介绍
根据对明文加密方式的不同，密码体制可分为分组密码和流密码。传统分组密钥加密方法，如数据加密标准(DES)，国际数据加密算法(IDEA)和高级加密标准(AES)等已被广泛应用于图像加密。与分组密码相比，流密码的优点是安全程度高、加解密速度快、错误扩展小、利于同步、实现成本低。对流密码而言，其核心问题是流密码生成器的设计，流密码的强度完全依赖于流密码生成器所生成序列的随机性和不可预测性。目前，能生成具有良好特性的密钥流序列的流密码生成器的常见结构有：线性反馈移位寄存器(LinearFeedbackShiftRegister，LFSR)、非线性移位寄存器(NLFSR)、有限自动机、线性同余发生器以及混沌系统。其中，混沌系统拥有伪随机性、遍历性、周期性以及对于初始条件和控制系数极高的敏感性等显著特点，这些特性使得许多研究者纷纷运用混沌系统生成密钥序列进行图像加密。在这些方法中，所有密钥生成器都是手动设计的。为了获得良好本文档来自技高网...

【技术保护点】
1.一种基于深度学习生成对抗网络的密钥生成方法，其特征在于，包括以下步骤：/nS1、准备训练集图像；/nS2、构建密钥生成网络：根据生成器网络以及判别器网络构建密钥生成网络，并将所述训练集图像输入至所述密钥生成网络；/nS3、训练密钥生成网络：利用深度学习方法训练所述密钥生成网络，生成密钥。/n

【技术特征摘要】
1.一种基于深度学习生成对抗网络的密钥生成方法，其特征在于，包括以下步骤：
S1、准备训练集图像；
S2、构建密钥生成网络：根据生成器网络以及判别器网络构建密钥生成网络，并将所述训练集图像输入至所述密钥生成网络；
S3、训练密钥生成网络：利用深度学习方法训练所述密钥生成网络，生成密钥。


2.根据权利要求1所述的基于深度学习生成对抗网络的密钥生成方法，其特征在于，所述生成器网络包括依次连接的下采样层单元、残差模块层单元、转置卷积层单元和卷积层；
所述下采样层单元包括三个下采样层，且所述三个下采样层的卷积核尺寸分别是7x7，3x3和3x3，卷积核数量分别是64，128和256，卷积步幅分别是1，2和2；
所述残差模块层单元包括六个残差模块层，且所述六个残差模块层的结构均相同；
所述转置卷积层单元包括两个转置卷积层，且所述两个转置卷积层的卷积核尺寸分别是3x3和3x3，卷积核数量分别是128和64，转置卷积步幅分别是2和2；
所述卷积层的卷积核尺寸是7x7，卷积核数量是3，卷积步幅是1。


3.根据权利要求2所述的基于深度学习生成对抗网络的密钥生成方法，其特征在于，所述生成器网络的损失函数表达式为：
LG＝minG(Ex～pdata(x)log(1-D(G(x))
其中，LG表示生成器网络的损失函数，G表示生成器网络，D表示判别器网络，G(·)表示生成器网络的输出结果，x表示输入的源域的训练集图像，Ex～pdata(x)表示源域训练集的分布。


4.根据权利要求1所述的基于深度学习生成对抗网络的密钥生成方法，其特征在于，所述判别器网络包括第一卷积层、第二卷积层、第三卷积层、第四卷积层和第五卷积层；
所述第一卷积层、第二卷积层、第三卷积层和第四卷积层的卷积核尺寸均为4x4，卷积核数量分别为64，128，256和512，卷积步幅均为2；
所述第五卷积层的卷积核尺寸为4x4，卷积核数量为1，卷积步幅为1。


5.根据权利要求4所述的基于深度学习生成对抗网络的密钥生成方法，其特征在于，所述判别器网络的损失函数表达式如...

【专利技术属性】
技术研发人员：丁熠，谭富元，秦臻，曹明生，陈大江，邓伏虎，秦志光，朱桂钦，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川;51