一种隐写痕迹优化方法、装置、电子设备和可读存储介质制造方法及图纸

本发明专利技术提供了一种隐写痕迹优化方法、装置、电子设备和可读存储介质，基于对抗样本的隐写痕迹优化方法包括：在第一载体的基础上，添加秘密信息和失真代价；通过隐写代码进行隐写，得到第二载体；对第二载体进行添加扰动的处理；引入迭代攻击隐写后处理模型对第二载体进行后处理，得到第三载体。本发明专利技术实施例保证密信嵌入提取的前提下提高隐写的隐蔽性。密信嵌入提取的前提下提高隐写的隐蔽性。密信嵌入提取的前提下提高隐写的隐蔽性。

【技术实现步骤摘要】
一种隐写痕迹优化方法、装置、电子设备和可读存储介质


[0001]本专利技术涉及隐写领域，具体而言，涉及一种隐写痕迹优化方法、装置、电子设备和可读存储介质。

技术介绍

[0002]一直以来，隐写和隐写分析双方相互博弈却又相互促进。近年来，基于深度学习技术的的音频隐写分析方法不断被提出，给现有的隐写方法提出了更高的要求。特别是在IH&MMSec会议上发表的几篇基于深度神经网络的音频隐写分析都表现出了优异的性能，其中包括Chen
‑
Net、Lin
‑
Net以及Lee
‑
Net。作为对策，对抗样本攻击是隐写者采用的一种强力措施来抵抗隐写分析网络。攻击者通过添加微小但有指向性的扰动就可以使神经网络分类错误。但特别的是，在隐写中添加这些微小的扰动使隐写分析错误输出的同时可能导致秘密消息提取失败，这在原则上是不可允许的为了解决这个问题，Tang等人提出了一种隐写方案并称之为对抗性嵌入(Adversarial Embedding，ADV
‑
EMB)，该方案将对抗攻击应用于失本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于对抗样本的隐写痕迹优化方法，其特征在于，包括：在第一载体的基础上，添加秘密信息和失真代价；通过隐写代码进行隐写，得到第二载体；对所述第二载体进行添加扰动的处理；引入迭代攻击隐写后处理模型对所述第二载体进行后处理，得到第三载体。2.根据权利要求1所述的基于对抗样本的隐写痕迹优化方法，其特征在于，所述对所述第二载体进行添加扰动的处理，还包括：添加基于样本梯度的尺寸大小为n的样本级扰动；将所述样本级扰动分解成逐点扰动得到n个独立的逐点扰动v
i
。3.根据权利要求2所述的基于对抗样本的隐写痕迹优化方法，其特征在于，所述所述样本级扰动分解成逐点扰动得到n个独立的逐点扰动v
i
还包括：按照梯度绝对值大者优先原则，即添加所述逐点扰动的顺序按照所述梯度绝对值从大到小排序。4.根据权利要求1所述的基于对抗样本的隐写痕迹优化方法，其特征在于，所述引入迭代攻击隐写后处理模型对所述第二载体进行后处理，得到第三载体，还包括：将所有所述扰动初始化为全零，然后进行T轮的迭代更新；对于第i轮的更新，根据隐写载体集Y和当前扰动集V
i
得到后处理载体集Z
i
；将每个后处理载体z作为网络N
i
的输入并通过反向传播得到梯度集G
i
；根据得到的梯度集，我们更新扰动集V
i
至V
i+1
；其中，网络N
i
可以被提前训练好或者在每一轮迭代中根据新生成的数据集Z

【专利技术属性】
技术研发人员：应凯宇，陈泽，李培杰，诸佳航，吴立栋，高飞，亮洪宇，王佛伟，
申请(专利权)人：宁波均胜智能汽车技术研究院有限公司，
类型：发明
国别省市：