论文部分内容阅读
随着互联网的发展,网络安全成为了目前关注的焦点,保证信息在信道上的隐蔽传输变得更为重要。相比于传统的图像加密技术,使用数字图像隐写方法可将秘密信息以不可感知的形式嵌入到图像中。但隐写不是绝对安全的,使用隐写分析方法可检测出图像内是否有含密信息,最终导致隐写失败。通过GPU的加速可快速训练深层神经网络,因此基于CNN的隐写分析方法可在较短时间内准确的检测出大量图像是否含密。对隐写产生了巨大的挑战。在图像分类中,对抗性样本技术可在图像上加以细微的扰动,使之分类错误。因此,将对抗性样本技术移植到抗隐写分析上,即在隐写图像上加以微小的改动,使CNN将其识别为未隐写,即可保证隐写图像的安全。在本文的工作中,首先调研了数字图像隐写及数字图像隐写分析的发展现状,接下来详细说明了数字图像隐写相关概念,并给出基于CNN隐写分析的框架。由框架可知,若使用CNN进行隐写分析,需对图像进行预处理,才能显现出隐写图像的特征图。然后使用CNN进行模型训练即可。为保护隐写图像的安全,本文提出了一种基于局部嵌入的抗隐写分析方法,将抗隐写分析的增强型特征与未修改的感知特征融合,增加CNN隐写分析模型的识别错误率。该方法首先选取图像的部分像素,使用对抗性样本的生成方法修改图像的梯度,同时增加嵌入率,以保证嵌入秘密信息的数量。余下部分的像素不进行修改,保留其未隐写的感知特征。为更好的体现工作内容,本文提出了一种抗CNN隐写分析的安全测试平台,平台包含隐写分析与抗隐写分析两个子模块。为更好的将其移植到平台中,在平台的整体结构上使用前后端分离的方式,并使用了当前流行的Vue.js+Django进行开发。在隐写分析模块中,将当前具有代表性的3个CNN隐写分析模型模块化,实现了深度学习工程化。在抗隐写分析模块中,将本文提出的抗CNN隐写方案和通用框架相结合,将其集成到测试平台中。最后对整个平台进行了功能测试和仿真测试。在仿真测试中,首先仿真了3种CNN隐写分析方法,其性能达到了预期的效果。然后将本文提出的两种局部嵌入策略与通用抗隐写分析框架对抗测试平台中的3个CNN隐写分析模型,并将其实验结果进行性能对比。结果表明,选择恰当的局部嵌入策略可提升原有方法的性能,进而实现保护隐写图像的安全性。