[发明专利]一种基于图像识别数字证书认证方法

说明书

本发明提出了一种关于网络安全的方法，所述方法包括：创建一个特定的图像数据库，利用图卷积神经网络（GCN）提取图像数据库中的任意图像的全部像素点P，利用卷积核在谱域中进行卷积计算，得出的结果作为数据点集合X，并将参与卷积计算的像素点集合记为Y。基于数据对（X，Y）以椭圆曲线密码学（ECC）做出空间中的椭圆曲线，实现对数字证书的非对称加密，使用户能够快速进行数字证书的认证的同时，又具有极高的安全级。

技术领域

本发明涉及网络安全领域，更具体地，涉及一种基于图像识别数字证书认证方法。

背景技术

网络通信安全是如今科技化时代刚性需求，所以如何提高庞大网络数据通信的安全等级便成为了当下需要考虑的主要问题。

在认证过程中可能存在个人信息泄露、网络病毒攻击等重大安全隐患。数字证书认证在向CA中心发布公钥时，传统的非对称加密算法会让密钥冗长，造成加密过程及其复杂且耗费时间。数字证书通过数字引用用户信息，以加密解密的方法保证信息和数据的安全，公钥加密，私钥解密的特性让数字证书的认证具有独特性。且由于数字证书直接由CA中心打开，使网络的数据信息的安全得到有效保证，十分便捷。

发明内容

针对现有技术的缺点，本发明的目的在于本发明提供了一种基于图像识别数字证书认证方法，所提出的方法实现了更安全、更便捷的网络信息保护功能，具有高安全级、快速认证、一次性认证通过等优点。

本发明针对的是一种数字证书认证方法，更具体的是一种基于图像识别数字证书认证方法，所述方法包括：创建一个图像数据库(IDB)，该数据库包含了描述同种事物，但在表征上又极不相同的大量图像。

用深度学习中的图卷积神经网络算法(GCNA)，抽取IDB中任意图像中的所有像素点作为集合P，使用拉普拉斯矩阵的独特性质将传统的卷积推广到图卷积，通过计算找到谱域中的离散卷积核，构成图卷积神经网络。

图卷积是由P中的每个像素点特征向量的维度D和邻接矩阵A所构成的一个非线性的对称化正则拉普拉斯算子:

同时引用自身度矩阵，解决自传递问题。用deg表示节点的度，对于矩阵中的每个像素点：

将U作为图像的特征向量，f为待卷积函数，h卷积核，用图卷积提取出图像的空间特征集合：

事实上U^Th是可学习的卷积核，在GCN的第l层网络中其隐状态为h^l€R，频域卷积的状态则可自动跟新：

将图像的像素点集合P融入GCN，通过离散卷积核提取P的空间特征，以此得到特征点集合X；此外将IDB中的每个图像的做标注，构成像素标签集合Y。