[发明专利]一种多类自然语言隐写分析方法

说明书

本发明公开了一种多类自然语言隐写分析方法，包括以下步骤：步骤1.将隐写分析任务数据集表示为词向量矩阵；步骤2.文本的深度多任务隐写分析特征表示获取；步骤3.多任务隐写分析模型的训练；步骤4.使用最优多任务隐写分析模型对测试集文本进行隐写分析；其中，步骤1包括：1.1定义多个隐写分析任务，分别为：(1)生成式隐写文本与正常文本隐写分析任务；(2)生成式隐写文本与自然文本隐写分析任务；(3)嵌入式隐写文本与正常文本隐写分析任务；(4)嵌入式隐写文本与自然文本隐写分析任务；(5)正常文本和自然文本分类任务；1.2将每个隐写分析任务的数据集中的文本通过词向量矩阵进行表示。

技术领域

本发明涉及加密技术领域，尤其涉及一种多类自然语言隐写分析方法。

背景技术

自然语言信息隐藏技术是一种将秘密信息嵌入到自然语言载体(文本)中，使其不被除发送方和接收方外的第三方察觉，以达到隐藏秘密信息目的的信息安全技术。然而事物都有两面性，自然语言信息隐藏技术在提供信息安全保障的同时，也不可避免的成为了犯罪分子的犯罪工具。正因为如此，自然语言隐写分析技术这一自然语言信息隐藏技术的对抗技术得到了人们的重视。自然语言隐写分析技术通过对自然语言文本进行分析，判断自然语言文本中是否存在隐藏信息。

目前自然语言信息隐藏技术主流的方向有两类，一类为嵌入式隐写术，一类为生成式隐写术。其中嵌入式隐写术是通过对已有正常文本进行句法、词汇、语义等方面的修改，在保证文本局部以及全局语义和统计等特性不变、语义正确、句法结构合理的情况下实现隐藏信息的嵌入。而生成式隐写方法，则是随着深度学习在自然语言处理领域的飞速发展，借助神经网络强大的特征学习能力，能够生成高质量的可读文本，而生成式隐写就是在文本生成过程中通过编码嵌入隐藏信息。但是，针对自然语言隐写文本的检测研究，即自然语言隐写分析的研究，主要都是针对型的方法(即单独针对正常文本和相对应某一类隐写文本进行隐写分析)，都是对正常文本和相对应的某一类隐写文本的分类。

在实际的场景中，应该是大量自然文本、正常文本(由生成式隐写术生成的未嵌入秘密信息的文本)、生成式隐写文本和嵌入式隐写文本共存在一起。针对型的方法，泛化能力差，无法推广到其他类隐写文本的分类。

为此，本发明提供了一种多类自然语言隐写分析方法，能够同时对多类隐写文本进行隐写分析，提高了模型性能，同时还提高了隐写分析模型的泛化能力。

发明内容

为实现本发明之目的，采用以下技术方案予以实现：

一种多类自然语言隐写分析方法，包括以下步骤：步骤1.将隐写分析任务数据集表示为词向量矩阵；步骤2.文本的深度多任务隐写分析特征表示获取；步骤3.多任务隐写分析模型的训练；步骤4.使用最优多任务隐写分析模型对测试集文本进行隐写分析；其中，步骤1包括：1.1定义多个隐写分析任务，分别为：(1)生成式隐写文本与正常文本隐写分析任务；(2)生成式隐写文本与自然文本隐写分析任务；(3)嵌入式隐写文本与正常文本隐写分析任务；(4)嵌入式隐写文本与自然文本隐写分析任务；(5)正常文本和自然文本分类任务；1.2将每个隐写分析任务的数据集中的文本通过词向量矩阵进行表示。

所述的多类自然语言隐写分析方法，其中步骤1.2包括：获取每个隐写分析任务数据集，将数据集分为训练集和测试集，数据集包括大量已经进行了分类的文本，所述文本为句子；对数据集中的文本进行分词和预处理，得到数据集的文本的词向量矩阵，如下：

其中D_k表示任务k中包含N_k个文本的数据集，和分别表示任务k中的一个文本表示向量矩阵和对应的分类标签，V表示文本中某个单词的词向量，l表示文本长度，d表示向量的维度；k取1-5之间的自然数。

所述的多类自然语言隐写分析方法，其中步骤2包括：