[发明专利]一种低误比特率的对抗式神经网络加密训练方法

说明书

本发明涉及人工智能领域，尤其涉及一种低误比特率的对抗式神经网络加密训练方法。本发明通过加入超参数η调整多项式损失函数比例以实现低误比特率的对抗性神经网络加密训练方法。在对抗性神经网络加密训练过程中，加入超参数η调整生成器多项式损失函数每一项所占的比例，通过反复训练和测试择优选择以得到一个低误比特率的训练结果，这种方法简洁易懂，易于实施且效果好。

技术领域

本发明涉及人工智能领域，尤其涉及一种低误比特率的对抗式神经网络加密训练方法。

背景技术

对抗性神经网络是一种深度学习模型，是近年来复杂分布上无监督学习最具前景的方法之一。该神经网络通过两个模块，即生成器和判别器的互相博弈学习来训练一个很好的生成器。

2016年，Google Brain团队的Abadi和Andersen提出了利用对抗性神经网络自主学习加密算法，其中对抗性神经网络由三个神经网络构成，即Alice、Bob和Eve，Eve试图窃听Alice和Bob的通信内容，Alice和Bob试图学习如何保护他们的通信不受Eve的窃听，在不断的对抗学习中，Alice和Bob自主学会了正确的安全加解密方法，同时Eve由窃听的内容破解正确出的明文的正确率为50％。这种做法与传统神经网络加密的做法有所不同，传统神经网络加密是利用神经网络的随机性与传统加密算法相结合，神经网络并没有学习到新的加密算法，而对抗性神经网络可以自主学习加密算法，这种做法为神经网络加密提供了一种全新的思路。

但这种做法也有所不足，首先是训练得到的Alice和Bob加解密网络系统对外显示为黑盒，我们无法得知神经网络自主学到的加密算法是什么形式，然后是Abadi和Andersen给出的神经网络训练完成的考量标准是Alice和Bob加解密网络损失函数的大小以及Eve窃听网络每组恢复的明文与原始明文的差距，没有对最后训练完成的神经网络加密的具体加密效果进行测试，例如神经网络加密的统计特性或者是加解密的误比特率，按照Abadi和Andersen提出的训练方法，训练出的神经网络加解密误比特率较高，这会导致加密过程中加解密双方信息传递的误差较大，从而实用性低。

现有技术在实现低误比特率的对抗性神经网络加密训练方法方面还略显欠缺。

发明内容

针对上述存在问题或不足，为了解决现有对抗性神经网络加密训练方法误比特率较高的问题，本发明提供了一种低误比特率的对抗式神经网络加密训练方法。

技术方案具体如下：

步骤1、首先初始化生成器和判别器的神经网络参数。

步骤2、生成器中的加密网络和解密网络学习安全的加密通信，构建生成器损失函数以使解密网络解密的明文与输入加密网络的原始明文差异为零，同时使得判别器通过加密攻击窃听内容恢复的明文与原始明文相比差异为随机猜测(50％)，然后通过优化算法更新生成器的权值和偏置。

步骤3、判别器根据加密攻击类型窃听加密内容来恢复明文，构建判别器损失函数以使该判别器恢复的明文与原始明文差异为零，然后通过优化算法更新判别器的权值和偏置。

步骤4、在整个神经网络训练过程中步骤2和步骤3为一步训练，生成器和判别器在每一步训练中依次进行，重复训练至少15000次。

步骤5、随机输入至少500000组用于测试的明文密钥对进行加解密，测试解密网络解密的明文与输入加密网络的原始明文的误比特率，同时测试判别器通过加密攻击窃听的内容与原始内容的误比特率。

步骤6、在生成器中加入超参数η调节其多项式损失函数，用超参数η分别乘以多项式损失函数的每一项得到对应项数个的多项式损失函数，然后在得到的调节后的每个多项式损失函数中，超参数η从0至1逐步取值，逐一训练，然后采用步骤5的方法逐一测试误比特率。