一种基于教师模型和渐进式训练的工控信息对抗图像隐写术制造技术

本发明专利技术公开一种基于教师模型和渐进式训练的工控信息对抗图像隐写术，涉及计算机视觉与图像处理领域，包括：获取工业控制系统生产参数等机密数据，通过

【技术实现步骤摘要】
一种基于教师模型和渐进式训练的工控信息对抗图像隐写术


[0001]本专利技术涉及计算机视觉与图像处理领域，特别是涉及一种基于教师模型和渐进式训练的工控信息对抗图像隐写术
。

技术介绍

[0002]工业控制系统由原始的封闭独立走向开放
、
由单机走向互联
、
由自动化走向智能化
。
也正因如此，在工业企业获得巨大发展的环境背景下，也滋生了大量安全隐患
。
随着越来越多的工业控制系统与互联网连接，传统相对封闭的工业生产环境被打破，工业设备
、
数据库等存在的端口开放
、
漏洞未修复
、
接口未认证等安全问题
。
同时工业数据跨境流动安全风险也较为突出，多起跨境数据泄露敏感事情涉及钢铁
、
石油
、
天然气等众多行业，包括研发设计
、
生产制造参数等重要敏感数据
。
工业企业的数据由于高价值的特点促使工业企业成为黑客的主要攻击目标之一，尤其是能源
、
制造等领域的工业数据
。
[0003]工控系统加密技术是保护工业控制系统免受网络威胁的方法之一，传统的工业控制系统在数据保护上选用加密算法和密钥管理，如
AES
和
DES
等加密标准，利用密钥进行加密和解密
。
密码学是一种将正常的
、
可识别的信息转变为无法识别的信息，但密码学存在容易被攻击
、
无法保证高可用性
、
由加密技术所导致的信息延迟等问题
。
而工业数据在传输过程中，工业数据实时性强，传统加密传输等安全技术难以胜任，数据传输面临泄露
、
监听等多重风险
。
隐写术是一种通过在不同媒体中隐藏人类视觉无法识别的信息从而保护秘密信息安全传输的技术，作为实现隐蔽通信的重要方法，是信息安全领域中一个热门的研究方向，应用于私人通信
、
军事
、
工业等常用的需要保护机密数据的场景
。
隐写术将秘密信息通过特定编码算法嵌入到载体
(
图像
、
文本
、
音频
、
视频等
)
中，再由信息接收方通过特定解码算法实现秘密信息的提取
。
[0004]隐写术将秘密信息通过特定编码算法嵌入到载体
(
图像
、
文本
、
音频
、
视频等
)
中，再由信息接收方通过特定解码算法实现秘密信息的提取
。
传统隐写术可分为经典隐写算法和自适应隐写算法两种，经典隐写算法包括基于空域的最低有效位替换
、
随机调制隐写等和基于变换域的
JSteg、OutGuess
等算法
。
如最低有效位替换算法将秘密信息嵌入至自然图像的最低有效位中，该方法原理简单
、
嵌入成本低，但容易出现视觉伪影及“值对”效应
。
随机调制隐写将秘密信息调制成具有特定概率分布的噪声，并将经过调制后的噪声与载体图像进行叠加实现信息隐藏，提取时将载密图像和载体图像的差值
(
噪声值
)
通过解调解析出秘密信息
。
自适应隐写根据载体图像的纹理复杂度自适应的调节嵌入的信息容量，如
STC
编码等，自适应隐写算法相对于经典隐写算法具有较强的安全性及鲁棒性，但仍存在图像隐写质量不佳
、
统计特征改变过大等问题
。
[0005]近年来，随着深度学习引入隐写分析领域，使得隐写分析的检测准确率快速提升且缩减了模型的训练时间，而传统的图像隐写方案无法抵抗基于深度学习的隐写分析检测
。2014
年由
Goodfellow
提出的生成对抗网络为图像隐写与深度学习网络结合提供了契机
。Volkhonskiy
等人提出
SGAN
，利用深度卷积生成对抗网络将随机噪声作为输入用于生成
适合隐写的自然图像，但存在网络训练不稳定且生成的载体图像质量较差
、
语义混乱等问题
。
研究者们针对此提出了基于编码
‑
解码网络的图像隐写方案，将信息
(
图像
、
文本
、
二进制数据等
)
与载体
(
图像
、
视频
、
音频等
)
通过神经网络进行融合，再通过神经网络进行信息提取或抽离
。
相对于其他隐写模式不需要先验知识，可以通过神经网络自动学习并实现秘密信息的融合和提取，能达到更大的隐写容量
。Hayes
等人提出的
SteGAN
隐写模型定义了编码
、
解码和隐写分析三方对抗游戏，为隐写领域开辟了新的研究方向，其隐写图像可以欺骗隐写分析网络
。
后续研究者们关注隐写图像的隐写质量
、
容量
、
安全性，对隐写任务采用对抗性训练提升隐写图像的安全性
。
但对抗性训练的隐写模型研究仍存在隐写图像质量不佳
、
信息提取精度降低等问题
。

技术实现思路

[0006]本专利技术目的：为了构建隐写质量更优
、
解码准确率更高的图像隐写模型，利用课程学习算法实现加速多方网络的对抗性训练收敛及提升隐写图像的不可感知性，构建基于多个教师模型的难度评估算法和混合加强的渐进式训练策略实现课程学习算法优化模型训练
。
[0007]为实现上述描述的方法，本专利技术提供一种基于教师模型和渐进式训练的工控信息对抗图像隐写术，该方法包括以下步骤：
[0008]Step1
：获取工业控制系统所涉及的生产参数机密数据，将其通过
ASCII
码将其映射为二进制数据，再转化为张量，与自然图像在通道上进行拼接组成拼接图像
。
[0009]Step2
：单独训练多个不同级别的教师网络，将图像输入到教师网络下生成对应隐写图像，以多个教师模型生成的隐写图像质量一致性作为难度评估指标，将数据集划分为难度递增的训练子集；
[0010]Step3
：将拼接图像输入编码网络生成载密图像，将载密图像输入解码网络和隐写分析网络，解码网络从中恢复机密信息，隐写分析网络生成隐写分析分数；
[0011]Step4
：通过基于结构相似性指数
、
均方误差和二值交叉熵的复合损失函数，构建考虑原始图像和载密图像间的相似性
、
秘密信息的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于教师模型和渐进式训练的工控信息对抗图像隐写术，该方法包括以下步骤：
Step1
：获取工业控制系统所涉及的生产参数机密数据，将其通过
ASCII
码映射为二进制数据，再转化为张量，与自然图像在通道上进行拼接组成拼接图像
。Step2
：单独训练多个不同级别的教师网络，将图像输入到教师网络下生成对应隐写图像，以多个教师网络生成的隐写图像质量一致性作为难度评估指标，将数据集划分为难度递增的训练子集；
Step3
：将拼接图像输入编码网络生成载密图像，将载密图像输入解码网络和隐写分析网络，解码网络从中恢复机密信息，隐写分析网络输出隐写分析分数；
Step4
：通过基于结构相似性指数
、
均方误差和二值交叉熵的复合损失函数，构建考虑原始图像和载密图像间的相似性
、
机密信息的恢复准确率以及抵抗隐写分析检测概率的总体损失函数，并依据此对网络结构进行对抗训练；
Step5
：初始选用简单子集开始训练模型，训练至模型性能快速进步与趋于平稳的曲折点处停止训练，加入难度递增的子集至训练集中，直至加入最困难子集后，模型在完整数据集上训练至收敛；
Step6
：训练中期关注隐写质量反复振荡的图像，将其单独抽取组成加强子集，在训练的最后阶段进行模型微调
。2.
根据权利要求1所述的一种基于教师模型和渐进式训练的工控信息对抗图像隐写术，其特征在于：
Step1
的实现包括以下步骤：
Step1.1.
获取工业控制系统所需要加密的生产参数等数据，将其英文字符及数字依据标准
ASCII
码转化为二进制数组合；
Step1.2.
将二进制数组合转化为与自然图像尺寸相同的多通道张量；
Step1.3.
将机密数据张量与自然图像在通道上进行拼接，组成拼接图像
。3.
根据权利要求1所述的一种基于教师模型和渐进式训练的工控信息对抗图像隐写术，其特征在于：
Step2
的实现包括以下步骤：
Step2.1.
构建
N
个教师模型，采用完整的训练集分别训练
C1，
C2，
...
，
C
N
≤C
k
轮
(
其中
C
k
代表模型已经达到收敛的训练次数
)
，得到
N
个不同级别的教师模型；
Step2.2.
将拼接图像输入不同级别的教师模型网络，获得
N
张含密图像；
Step2.3.
构建基于结构相似性指数
、
多尺度结构相似性指数和峰值信噪比的复合函数进行含密图像质量评估，得到样本在每个教师网络上生成的含密图像质量分数；
Step2.4.
依据每个样本的含密图像质量分数将训练集分为简单
、
中等
、
困难子集，其中简单子集包含的样本在多个教师模型上表现良好且一致，分数均位于同一高分区间，困难子集包含的样本在多个教师模型下表现不一，且至少一个分数位于低分区间内
。4.
根据权利要求1所述的一种基于教师模型和渐进式训练的工控信息对抗图像隐写术，其特征在于，
S3
的实现包括以下步骤：
Step3.1.
将
Step2
生成的含密图像输入解码网络，从中恢复出信息张量，判断其与原始机密数据张量的距离；
Step3.2.
将
Step2
生成的含密图像输入隐写分析辅助网络，隐写分析网络输出该图像包含秘密信息的概率
。
5.
根据权利要求1所述的一种基于教师模型和渐进式训练的工控信息对抗图像隐写术，其特征在于，
S4
的实现包括以下步骤：
Step4.1.
计算基于图像像素值均值方差和多尺度结构相似性指数的复合损失函数：
L
encode

【专利技术属性】
技术研发人员：刘凤春，张童，王立亚，张春英，杨光辉，薛涛，侯伟，任静，刘璐，
申请(专利权)人：华北理工大学，
类型：发明
国别省市：