[发明专利]一种基于神经网络的车联网数据加密方法

说明书

本发明公开了一种基于神经网络的车联网数据加密方法及系统，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；将车联网数据转换为二进制，并与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；将车联网数据输入至密文生成网络模型，获得密文；本发明根据车联网数据维度设计不同结构的神经网络，将神经网络与群体优化算法结合，极大提高了车联网数据的安全性。

技术领域

本发明涉及数据加密的技术领域，尤其涉及一种基于神经网络的车联网数据加密方法及系统。

背景技术

由于车联网的不断扩展，所产生的数据也越来越多，随之而来的数据安全问题成为智能网联汽车发展中必须解决的关键问题。密码技术作为保障车联网安全的核心技术和基础支撑，在车联网数据加密和认证等方面发挥着不可替代的作用。

现有的车联网数据加密方法加密性不强，并且只能对单一维度的数据进行加密，容易存在安全漏洞，易造成用户的身份信息泄露，甚至篡改数据，严重时会造成交通安全事故，威胁用户的生命安全。

发明内容

鉴于上述现有存在的问题，提出了本发明。

因此，本发明提供了一种基于神经网络的车联网数据加密方法，能够对一维数据和二维数据进行加密，同时通过结合神经网络，极大地提高了数据安全性和加密速度。

为解决上述技术问题，本发明提供如下技术方案，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；将车联网数据转换为二进制，并与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；将车联网数据输入至密文生成网络模型，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。

作为本发明所述的基于神经网络的车联网数据加密方法的一种优选方案，其中：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。

作为本发明所述的基于神经网络的车联网数据加密方法的一种优选方案，其中：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。

作为本发明所述的基于神经网络的车联网数据加密方法的一种优选方案，其中：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。