[发明专利]一种基于神经网络的车联网数据加密方法

权利要求书

1.一种基于神经网络的车联网数据加密方法，其特征在于，包括：

利用伪随机数生成器生成随机序列，并将车联网数据划分为n个数据块，将所述n个数据块与随机序列输入至密钥生成网络模型，生成第一密钥；

将所述车联网数据转换为二进制，并与所述第一密钥进行异或运算；

将异或运算结果输入至初始密文生成网络模型，并利用群体优化算法对所述初始密文生成网络模型进行迭代训练，当初始密文生成网络模型的损失值达到最小时，停止训练，获得密文生成网络模型；

将所述车联网数据输入至所述密文生成网络模型，获得密文；

其中，设置学习率和初始密文生成网络模型的初始权值W，基于所述学习率和初始权值W构建损失函数Loss：

其中，y为初始密文生成网络模型的输出值，y’为初始密文生成网络模型的预测值。

2.如权利要求1所述的基于神经网络的车联网数据加密方法，其特征在于，所述密钥生成网络模型包括：

所述密钥生成网络模型包括一维子网络模型、二维子网络模型和NDDR特征融合层；一维子网络模型的第一输出层和二维子网络模型的第二输出层均与所述NDDR特征融合层连接，分别通过一维子网络模型和二维子网络模型输出第一混沌序列、第二混沌序列，经所述NDDR特征融合层进行融合生成所述第一密钥。

3.如权利要求2所述的基于神经网络的车联网数据加密方法，其特征在于，所述一维子网络模型和所述二维子网络模型包括：

所述一维子网络模型由第一输入层、第一卷积层、第一池化层、第一残差网络层、第一全连接层和第一输出层构成，且第一输入层、第一卷积层、第一池化层、第一残差网络层、第一全连接层和第一输出层依次连接；第一卷积层的卷积核大小为3*3，第一池化层的池化窗口为2*2，通过第一残差网络层将第一池化层输出的特征进行Henon映射，输出第一混沌序列；

所述二维子网络模型由第二输入层、第二卷积层、第二池化层、第二残差网络层、第二全连接层和第二输出层构成；且第二输入层、第二卷积层、第二池化层、第二残差网络层、第二全连接层和第二输出层依次连接；第二卷积层的卷积核大小为5*5，第二池化层的池化窗口为3*3，通过第二残差网络层将第二池化层输出的特征进行Cat映射，输出第二混沌序列。

4.如权利要求2所述的基于神经网络的车联网数据加密方法，其特征在于，NDDR特征融合层包括：

将输入的第一混沌序列和第二混沌序列进行拼接，而后使用1*1*3的卷积核进行卷积，生成所述第一密钥。

5.如权利要求3或4所述的基于神经网络的车联网数据加密方法，其特征在于，包括：

选取交叉熵损失函数作为密钥生成网络模型的目标损失函数，对密钥生成网络模型进行反向传播训练，不断调整网络参数和权值偏差，直至目标损失函数值达到最小。

6.如权利要求2所述的基于神经网络的车联网数据加密方法，其特征在于，所述初始密文生成网络模型包括：

所述初始密文生成网络模型由第三输入层、第一隐含层、第三卷积层、第四卷积层、第五卷积层、第三全连接层和第三输出层构成；且第三输入层、第一隐含层、第三卷积层、第四卷积层、第五卷积层、第三全连接层和第三输出层依次连接；第三卷积层和第四卷积层的卷积核大小为1*3*1，第五卷积层的池化窗口为2*3*2，第一隐含层、第三卷积层、第四卷积层、第五卷积层和第三全连接层的激活函数为tanh函数，第三输出层的激活函数为sigmoid函数。

7.如权利要求6所述的基于神经网络的车联网数据加密方法，其特征在于，包括：

将所述初始权值W作为鲸鱼个体，初始化鲸鱼个体数、最大迭代次数T和初始密文生成网络模型的神经元的个数；

随机生成鲸鱼个体的位置，并计算鲸鱼个体的适应度；

更新鲸鱼个体的位置，计算此时鲸鱼个体的适应度，根据适应度选取最优个体；

当初始密文生成网络模型的损失值达到最小时停止训练，获得最优权值；

其中，鲸鱼个体的适应度包括：

Fit＝1/Loss

式中，Fit为鲸鱼个体的适应度。