[发明专利]基于深层扰动的对抗隐写方法

说明书

本发明公开了一种基于深层扰动的对抗隐写方法，发送方使用隐写嵌入方法，将秘密消息嵌入载体数据中，从而获得载密数据；之后，基于对抗样本原理生成深层扰动，并添加在载密数据中，获得对抗载密数据；接收方接收到对抗载密数据后，使用与隐写嵌入方法配套的隐写提取方法，从对抗载密数据中提取秘密消息。基于上述方法：一方面，该方法将对抗样本攻击与隐写术相结合，在保障完备的隐写流程的前提下，实现对抗样本攻击；另一方面该方法具有较好的泛用性，可以适用于目前典型隐写体系以及典型对抗样本攻击原理。

技术领域

本发明涉及深度学习对抗样本技术与信息隐藏技术领域，尤其涉及一种基于深层扰动的对抗隐写方法。

背景技术

信息隐藏是信息安全领域的研究分支，旨在实现隐蔽通信，又可称为隐写术。隐写术的实现过程主要分为嵌入过程与提取过程：嵌入过程将需要传输的秘密消息嵌入到载体数据之中而不影响载体的正常功能；提取过程从载密数据中提取出在嵌入过程中嵌入的秘密消息。在完备的隐写术流程基础之上，隐写术需要进一步追求嵌入过程的隐蔽性。以数字图像隐写术为例，数字图像隐写术通常将图像像素或系数的修改幅度控制在“正负一”以内以提高隐写术的隐蔽性，而一些先进的隐写编码则可以配合隐写失真定义方法将隐写修改落于图像的纹理复杂区域，从而进一步提高隐写修改的隐蔽性。

隐写分析是对隐写数据及行为进行分析取证的技术。最重要的隐写分析任务即为载密数据的检测任务，即区分载体数据与载密数据。该任务可被视为一种模式识别任务，并且可以运用机器学习的分类技术来解决。传统的隐写分析检测方法通过提取数据隐写特征，并训练分类器来进行载体、载密的分类。近年来，大量基于深度学习的隐写分析方法被提出，这些方法在性能表现以及实用性上已经逐渐超越基于特征的隐写分析方法，并且成为隐写分析的主流方法。以图像隐写分析为例，典型的隐写分析网络有XuNet、YeNet、SRNet等。

然而，深度学习模型会受到对抗样本的攻击。2013年，Szegedy等人发现，在输入样本上添加细微的扰动可以使所攻击的深度学习模型以高置信度输出错误的结果，这种处理过后的样本被称为对抗样本。此后，学术界涌现出了大量的对抗样本攻击及防御的方法。

因此，一个自然的思路就是将对抗样本攻击的思想应用到隐写术中，从而攻击基于深度学习的隐写分析分类器，使隐写分析分类器输出错误的结果。然而，直接在输入端的载密数据上进行对抗样本扰动会破坏载密数据的状态，导致秘密消息提取失败，因此需要发明一种对抗隐写方法在保障正常的隐写流程的前提下实现对抗样本攻击。

发明内容

本发明的目的是提供一种基于深层扰动的对抗隐写方法，通过在载密数据上添加特殊的深层扰动，可以在保障秘密消息提取的同时实现对抗样本攻击。

本发明的目的是通过以下技术方案实现的：

一种基于深层扰动的对抗隐写方法，包括：

发送方使用隐写嵌入方法，将秘密消息嵌入载体数据中，从而获得载密数据；之后，基于对抗样本原理生成深层扰动，并添加在载密数据中，获得对抗载密数据；

接收方接收到对抗载密数据后，使用与隐写嵌入方法配套的隐写提取方法，从对抗载密数据中提取秘密消息。

由上述本发明提供的技术方案可以看出，一方面，该方法将对抗样本攻击与隐写术相结合，在保障完备的隐写流程的前提下，实现对抗样本攻击；另一方面该方法具有较好的泛用性，可以适用于目前典型隐写体系以及典型对抗样本攻击原理。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。

图1为本发明实施例提供的一种基于深层扰动的对抗隐写方法的流程图；