[发明专利]基于深度学习的非线性光学加密系统攻击方法在审

专利信息
申请号: 202110577652.1 申请日: 2021-05-26
公开(公告)号: CN113313775A 公开(公告)日: 2021-08-27
发明(设计)人: 汪小刚;魏浩宇 申请(专利权)人: 浙江科技学院
主分类号: G06T9/00 分类号: G06T9/00;G06N3/04;G06N3/08;H04N1/44
代理公司: 杭州万合知识产权代理事务所(特殊普通合伙) 33294 代理人: 丁海华;万珠明
地址: 310012 浙*** 国省代码: 浙江;33
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 基于 深度 学习 非线性 光学 加密 系统 攻击 方法
【说明书】:

发明公开了一种基于深度学习的非线性光学加密系统攻击方法,本发明从深度学习的角度,通过选择一系列已知的明文图像和对应的密文图像训练出了一个具有特定参数的DenseNet网络,利用DenseNet网络可以成功破解出了非线性光学加密系统的“等效解密网络”,破译质量高,而且本发明的构建训练和优化的DenseNet网络具有抗剪切和抗噪能力。本发明利用深度学习方法对基于相位恢复算法光学加密系统进行安全性分析,为基于相位恢复算法非线性光学加密系统提供了新的方法。

技术领域

本发明涉及信息安全技术领域,具体涉及一种基于深度学习的非线性光学加密系统攻击方法。

背景技术

光学信息处理技术是图像加密技术中的一类重要方法,以其高速性、并行处理能力以及多参数的控制能力被广泛应用于图像加密领域。自1995年Refregier和Javidi等提出双随机相位编码(DRPE)加密系统以来,光学图像加密技术得到了迅速发展,并在信息安全领域展示出巨大的应用潜力。为了进一步提高系统的安全性,双随机相位编码被应用于许多不同的光学加密系统中。相比于傅里叶域的双随机相位加密方法,基于其他变换域的光学加密方法能够增大密钥空间,但本质上并没有改变加密系统的对称性以及明文和密文之间的线性关系。安全性分析表明,基于DRPE的光学加密方案容易遭受多种类型的攻击,如选择明文攻击、已知明文攻击。此外,研究还发现,它们也容易受到使用深度学习(DL)技术的攻击方法的攻击,通过卷积神经网络获取系统的“等效密钥”,即不需要光学密钥就可以由密文直接破解出明文。

为了消除基于DRPE的密码系统固有的对称性和线性,研究人员提出了几种基于切相傅里叶变换的非线性光学加密方法。然而,进一步的研究表明,这种光学加密系统可被基于迭代振幅-相位恢复算法的特定攻击方法破解,同时还具有“轮廓显现”的问题。为了改进系统安全性并消除轮廓显现问题,研究人员在非线性光学密码系统中引入了相位恢复算法。分析结果表明,基于相位恢复算法的非线性光学加密系统对各种攻击表现出较高的鲁棒性。然而,利用深度学习方法对基于相位恢复算法的非线性加密系统的安全测试并没有开展。

发明内容

本发明的目的在于,提供一种基于深度学习的非线性光学加密系统攻击方法。本发明可以对非线性光学加密系统进行攻击破译,具有良好的解密性能。

为解决上述技术问题,本发明提供的技术方案如下:基于深度学习的非线性光学加密系统攻击方法,包括以下步骤:

a、构建神经网络:基于Unet模型,通过在Unet模型的下采样稠密块和上采样稠密块之间引入跳跃连接,得到具有编码器和解码器结构的DenseNet网络;

b、DenseNet网络训练:获取明文图像和对应的密文图像得到数据集,将密文图像输入至DenseNet网络,首先对密文图像进行卷积和池化操作,再通过编码器提取特征映射,使输入到编码器的密文图像的维数在输出时减少一半,得到特征图;再利用解码器执行像素级回归操作,使得特征图经解码器后输出与密文图像尺寸相同的输出图像;

c、DenseNet网络优化:将输出图像与原始明文图像进行比对,并利用损失函数判断输出图像是否与对应明文图像近似,如果不近似,则继续利用数据集优化DenseNet网络中的各个参数,直到输出图像与对应明文图像近似,完成DenseNet网络优化;

d、利用步骤c中优化后的DenseNet网络进行非线性光学加密系统攻击。

上述的基于深度学习的非线性光学加密系统攻击方法,所述编码器包括六个连续的下采样稠密块,每个下采样稠密块由四个复合卷积层组成,并且每层都以前馈方式跳跃连接到同一模块内的另一复合卷积层,每个复合卷积层执行三个连续的批量归一化、激活函数ReLu和卷积核为3×3的卷积操作;所述下采样稠密执行还包括步长为2的平均池化操作。

前述的基于深度学习的非线性光学加密系统攻击方法,所述解码器包括六个上采样稠密块,上采样稠密块使得输入的特征图维数增加两倍。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于浙江科技学院,未经浙江科技学院许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/202110577652.1/2.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top