一种基于生成式隐写网络和图像双隐写的区块链隐蔽通信方法技术

本发明专利技术涉及一种基于生成式隐写网络和图像双隐写的区块链隐蔽通信方法，包括：发送发利用WGAN对抗网络和卷积隐写分析网络生成载体图片；发送方将秘密信息分成两部分并利用空域隐写算法和密文域可逆信息隐藏算法依次将两部分秘密信息嵌入载体图片，得到第二载密图片并压缩存储至IPFS文件系统，返回哈希明文摘要；发送方基于无证书公钥密码体制对哈希明文摘要加密得到哈希密文摘要和签名信息；接收方将哈希明文摘要作为IPFS文件系统的输入，获取发送方嵌密的第二载密图片；接收方根据发送方对私密信息的加密过程利用空域隐写算法和密文域可逆信息隐藏算法对第二载密图片进行解密得到秘密信息。密得到秘密信息。密得到秘密信息。

【技术实现步骤摘要】
一种基于生成式隐写网络和图像双隐写的区块链隐蔽通信方法


[0001]本专利技术属于人工智能与数据安全
，具体涉及一种基于生成式隐写网络和图像双隐写的区块链隐蔽通信方法。

技术介绍

[0002]隐蔽通信技术通过保护通信信道不被窃听，是一种用于秘密信息安全传输并隐藏双方通信过程的解决方案。现有隐蔽通信的实现方式包括匿名通信、数字水印和隐写术等。隐写术作为隐蔽通信的一种具体实现方法，通过将秘密信息嵌入到载体信息生成不被怀疑的载密信息，被广泛应用于隐藏信息。
[0003]随着深度学习技术的发展，针对攻击者通过观察或枚举隐写算法能够非法获取秘密信息的问题，基于深度学习的隐蔽通信可以通过生成对抗网络生成载体信息，生成的载体信息嵌密后与原始载体更相似，随后通过卷积神经网络对嵌密后的载密信息进行分类，当检测到该载密信息为未嵌入时，则作为最终的载密信息进行传输。该方法虽然最终能生成相似度更高的载密信息，但是必须配合嵌入率低的隐写算法使用，当传输的秘密信息量较大时，尽管使用卷积隐写分析网络，攻击者也能容易区分载体信息和载密信息。当攻击者使用更精确的隐写检测网络时，那么通过生成对抗网络生成的载体不能作为合适、有效的载体，仍然难以抵抗隐写分析攻击，并且该类方案始终在集中式的不可信网络上传输信息，难以保证秘密信息的安全性。
[0004]区块链有着去中心化、节点匿名化、数据不可篡改和透明性等特点。基于深度学习的区块链隐蔽通信保证了信息在可信的去中心化的网络传输，同时保证了通信双方身份的匿名性。然而，引入区块链技术，生成载密信息的过程仍然面临存储开销大的问题，部分方法利用IPFS将载密信息压缩成字符串，降低在区块链网络传输字符串的存储压力。然而，大多方案使用LSB算法嵌入字符串，这种方法会产生大量的账户交易地址，导致传输字符串的成本仍然很高。此外，在区块的生成过程中，其它非接收方网络节点用户也能获取交易信息从而导致安全威胁。
[0005]本专利技术针对现有隐蔽通信专利技术中面临的隐写分析攻击、嵌入率低、信息传输不安全、和传输开销高等问题，提出了一种生成式隐写分析网络和图像双隐写的区块链隐蔽通信方案。

技术实现思路

[0006]为了解决
技术介绍
中存在的问题，本专利技术提供一种基于生成式隐写网络和图像双隐写的区块链隐蔽通信方法，目的是为了保证隐蔽信息传输的安全性以及保证隐蔽信息的完整性，包括：
[0007]S1：发送方利用WGAN对抗网络中的生成器生成图像样本G(z)，通过空域隐写算法嵌入随机值到图像样本中得到生成图片Steg(G(z))作为判别器的输入，利用真实图片数据
集对WGAN对抗网络进行训练；
[0008]S2：WGAN对抗网络训练完成后，发送方将生成图片Steg(G(z))作为卷积隐写分析网络的输入，利用真实图片数据集对卷积隐写分析网络进行训练，通过训练好的卷积隐写分析网络从生成图片Steg(G(z))中筛选出未嵌密图像作为载体图片；
[0009]S3：发送方将秘密信息分成两部分并利用空域隐写算法和密文域可逆信息隐藏算法依次将两部分秘密信息嵌入载体图片得到第二载密图片；并将第二载密图片压缩存储至IPFS文件系统，返回哈希明文摘要，并设置访问控制权限；
[0010]S4：发送方基于无证书公钥密码体制对哈希明文摘要加密得到哈希密文摘要和签名信息，将哈希密文摘要和签名信息分别使用Base58编码进行编码，在编码后的哈希密文摘要和签名信息之间添加字符串“0”进行拼接得到签名信息字符串δ'；
[0011]S5：发送方去掉签名信息字符串δ'中重复出现的字符，重新进行拼接得到字符各不相同的中间签名字符串δ”，将区块链网络中节点的交易地址与中间签名字符串δ”进行匹配，同时记录成功匹配的字符在δ'和节点交易地址中的索引，按照索引的顺序依次填充到节点交易的extraData字段；节点交易被验证通过后会打包成区块，当区块中的所有交易被其它节点验证通过后，区块会通过区块链网络传输；
[0012]S6：接收方从区块中获取填充到节点交易extraData字段的索引信息，通过对索引信息进行解码获取哈希密文摘要和签名信息，验证签名信息并利用发送方的私钥将哈希摘要密文解密成哈希明文摘要；
[0013]S7：接收方将哈希明文摘要作为IPFS文件系统的输入，获取发送方嵌密的第二载密图片；
[0014]S8：接收方根据发送方对私密信息的加密过程利用空域隐写算法和密文域可逆信息隐藏算法对第二载密图片进行解密得到秘密信息。
[0015]进一步地，所述对WGAN对抗网络进行训练包括：
[0016]计算Steg(G(z))的数据分布与真实图片的数据分布的距离，从而区分真实图片和生成图片，通过Kantorovich
‑
Rubinstein duality将求解Wasserstein距离转化为：
[0017][0018]限制连续函数f
w
的变动幅度即梯度为w，w的取值为[
‑
c,
‑
c]，转化成WGAN对抗网络的损失函数为：
[0019][0020]其中，表示在随机噪声的分布为z～p
z
下判别器判别Steg(G(z))的概率，表示在真实数据集x的分布为x～p
r
下判别真实图像的概率；
[0021]生成器目的是要使得Wasserstein距离变小，它的损失函数为判别器的目的则是使得真实数据分布与生成数据分布的距离变大，它的损失函数为生成器和判别器进行梯度下降更新参数不断迭代优化，直到损失函数收敛。
[0022]进一步地，所述载体图片包括：
[0023]当SRNet网络将生成的Steg(G(z))判别为无嵌密图片时，将该Steg(G(z))图片作为载体图片；否则，继续训练SRNet网络，直到将Steg(G(z))判别为无嵌密图片为止。
[0024]进一步地，所述利用空域隐写算法和密文域可逆信息隐藏算法依次将两部分秘密信息嵌入载体图片得到第二载密图片包括：
[0025]S31：利用空域隐写算法将一第一秘密信息嵌入到载体图片，得到第一载密图片；
[0026]S32：利用密文域可逆信息隐藏算法将第二秘密信息嵌入第一载密图片得到第二载密图片；
[0027]所述将第二秘密信息嵌入第一载密图片得到第二载密图片包括：
[0028]S321：将第一载密图片的第一行和第一列作为固定像素，固定像素的预测值保持不变；其它非固定像素通过中值预测器MED预测像素，得到预测图像；
[0029]S322：将第一载密图片与预测图像中非固定像素的像素值的二进制表示从最高位到最低位逐一比较，将相同像素值的比特位数作为对应的标记位置值，固定像素的标记位置值定为
‑
1，非固定像素的标记位置值转化成八位二进制表示；
[0030]S323：统计每一个标记位置值出现的概率，构造哈夫曼树据，根据左0右1的规则求出每个标记位置值对应的哈夫曼本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于生成式隐写网络和图像双隐写的区块链隐蔽通信方法，其特征在于，包括：S1：发送方利用WGAN对抗网络中的生成器生成图像样本G(z)，通过空域隐写算法嵌入随机值到图像样本中得到生成图片Steg(G(z))作为判别器的输入，利用真实图片数据集对WGAN对抗网络进行训练；S2：WGAN对抗网络训练完成后，发送方将生成图片Steg(G(z))作为卷积隐写分析网络的输入，利用真实图片数据集对卷积隐写分析网络进行训练，通过训练好的卷积隐写分析网络从生成图片Steg(G(z))中筛选出未嵌密图像作为载体图片；S3：发送方将秘密信息分成两部分并利用空域隐写算法和密文域可逆信息隐藏算法依次将两部分秘密信息嵌入载体图片得到第二载密图片；并将第二载密图片压缩存储至IPFS文件系统，返回哈希明文摘要，并设置访问控制权限；S4：发送方基于无证书公钥密码体制对哈希明文摘要加密得到哈希密文摘要和签名信息，将哈希密文摘要和签名信息分别使用Base58编码进行编码，在编码后的哈希密文摘要和签名信息之间添加字符串“0”进行拼接得到签名信息字符串δ'；S5：发送方去掉签名信息字符串δ'中重复出现的字符，重新进行拼接得到字符各不相同的中间签名字符串δ”，将区块链网络中节点的交易地址与中间签名字符串δ”进行匹配，同时记录成功匹配的字符在δ'和节点交易地址中的索引，按照索引的顺序依次填充到节点交易的extraData字段；节点交易被验证通过后会打包成区块，当区块中的所有交易被其它节点验证通过后，区块会通过区块链网络传输；S6：接收方从区块中获取填充到节点交易extraData字段的索引信息，通过对索引信息进行解码获取哈希密文摘要和签名信息，验证签名信息并利用发送方的私钥将哈希摘要密文解密成哈希明文摘要；S7：接收方将哈希明文摘要作为IPFS文件系统的输入，获取发送方嵌密的第二载密图片；S8：接收方根据发送方对私密信息的加密过程利用空域隐写算法和密文域可逆信息隐藏算法对第二载密图片进行解密得到秘密信息。2.根据权利要求1所述的一种基于生成式隐写网络和图像双隐写的区块链隐蔽通信方法，其特征在于，所述对WGAN对抗网络进行训练包括：计算Steg(G(z))的数据分布与真实图片的数据分布的距离，从而区分真实图片和生成图片，通过Kantorovich
‑
Rubinstein duality将求解Wasserstein距离转化为：限制连续函数f
w
的变动幅度即梯度为w，w的取值为[
‑
c,
‑
c]，转化成WGAN对抗网络的损失函数为：其中，表示在随机噪声的分布为z～p
z
下判别器判别Steg(G(z))的概率，表示在真实数据集x的分布为x～p
r
下判别真实图像的概率；生成器目的是要使得Wasserstein距离变小，它的损失函数为判别器的目
的则是使得真实数据分布与生成数据分布的距离变大，它的损失函数为生成器和判别器进行梯度下降更新参数不断迭代优化，直到损失函数收敛。3.根据权利要求1所述的一种基于生成式隐写网络和图像双隐写的区块链隐蔽通信方法，其特征在于，所述载体图片包括：当SRNet网络将生成的Steg(G(z))判别为无嵌密图片时，将该Steg(G(z))图片作为载体图片；否则，继续训练SRNet网络，直到将Steg(G(z))判别为无嵌密图片为止。4.根据权利要求1所述的一种基于生成式隐写网络和图像双隐写的区块链隐蔽通信方法，其特征在于，所述利用空域隐写算法和密文域可逆信息隐藏算法依次将两部分秘密信息嵌入载体图片得到第二载密图片包括：S31：利用空域隐写算法将第一秘密信息嵌入到载体图片，得到第一载密图片；S32：利用密文域可逆信息隐藏算法将第二秘密信息嵌入第一载密图片得到第二载密图片；所述将第二秘密信息嵌入第一载密图片得到第二载密图片包括：S321：将第一载密图片的第一行和第一列作为固定像素，固定像素的预测值保持不变；其它非固定像素通过中值预测器MED预测像素，得到预测图像；S322：将第一载密图片与预测图像中非固定像素的像素值的二进制表示从最高位到最低位逐一比较，将相同像素值的比特位数作为对应的标记位置值，固定像素的标记位置值定为
‑
1，非固定像素的标记位置值转化成八位二进制表示；S323：统计每一个标记位置值出现的概率，构造哈夫曼树据，根据左0右1的规则求出每个标记位置值对应的哈夫曼编码，记录位置图信息；其中，位置图信息由附加信息和哈夫曼编码序列的二进制表示组成，附加信息包括标记位置值对应的哈夫曼编码的长度的二进制表示、哈夫曼编码序列和标记位置值的对应关系以及哈夫曼编码序列总长度的二进制表示；S324：利用预设的加密密钥e1生成与第一载密图片大小相同的伪随机矩阵R，将伪随机矩阵R与第一载密图片对应像素相乘得到加密图像，加密图像的像素值用二进制...

【专利技术属性】
技术研发人员：刘媛妮，赵宇洋，张建辉，蒙科知，张欣，魏国柱，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：