[发明专利]一种基于深度学习生成对抗网络的密钥生成方法

说明书

本发明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。

技术领域

本发明属于通信技术领域，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。

背景技术

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(LinearFeedback Shift Register，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。为了获得良好的加密性能，手动设计过程是困难且耗时的工作，这不仅需要专业的信息安全知识，而且还需要数学理论的先验知识。另外，在设计密钥生成器时，我们首先确定要实现哪种加密性能，然后对密钥生成器进行独立设计和评估，以查看其是否达到加密目的。这实际上是一个反复无常的过程，而不是解决问题的直接过程。此外，如果我们知道通过采用密钥可以实现的加密性能，则应该通过学习预期的加密性能，以自动的方式反向设计和生成密钥生成器。

深度学习是目前机器学习学科发展最蓬勃的分支，也是整个人工智能领域应用前景最为广阔的技术。卷积神经网络作为深度学习中极具代表性质的网络结构，已被广泛应用于解决计算机视觉任务，图像到图像的翻译是一类视觉和图形任务，其目标是学习两个图像域之间的映射关系，目前，基于生成对抗网络(Generative Adversarial Network,GAN)的方法能够更高效地在缺失配对数据的条件下实现图像到图像的翻译。通常，深度学习模型的参数量可以达到上百万，且在训练深度学习模型时，会对所有权重参数进行随机初始化，并会采用一些训练策略，如正则化、Dropout、异步随机下降、扩增梯度噪声，这让深度学习模型的参数具有极高的随机性。由此，我们得到了灵感，是否深度学习模型可以作为一个密钥生成系统并生成混沌序列，同时，域转移的生成对抗网络引起了我们的注意，它能学习两个图像域的映射，使源域的图像转换成目标域的图像。如果将目标域设置为期望的密钥类型，那么是否可以通过生成对抗网络生成一个密钥序列，且这个密钥序列是含有期望的密钥类型的特性的。

发明内容

针对现有技术中的上述不足，本发明提供的一种基于深度学习生成对抗网络的密钥生成方法，本发明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，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。

为了达到以上目的，本发明采用的技术方案为：

本方案提供一种基于深度学习生成对抗网络的密钥生成方法，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。