[發(fā)明專利]一種基于遞歸神經(jīng)網(wǎng)絡(luò)的信息隱寫(xiě)方法、裝置及存儲(chǔ)介質(zhì)

在審

• 申請(qǐng)?zhí)枺?/td>: 201910559075.6
• 申請(qǐng)日: 2019-06-26
• 公開(kāi)（公告）號(hào): CN110362683A
• 公開(kāi)（公告）日: 2019-10-22
• 發(fā)明（設(shè)計(jì)）人: 王仕豪;李千目;龍華秋;容振邦
• 申請(qǐng)（專利權(quán)）人: 五邑大學(xué)
• 主分類號(hào): G06F16/35
• 分類號(hào): G06F16/35;G06N3/04;G06N3/08;H04N1/32
• 代理公司: 廣州嘉權(quán)專利商標(biāo)事務(wù)所有限公司 44205
• 代理人: 陳均欽

本發(fā)明公開(kāi)了一種基于遞歸神經(jīng)網(wǎng)絡(luò)的信息隱寫(xiě)方法，包括如下步驟：采集文本，將所述文本輸入到遞歸神經(jīng)網(wǎng)絡(luò)中進(jìn)行分類處理，得到若干個(gè)詞語(yǔ)的連接詞集和組合概率，有效地反映了連接詞集內(nèi)詞語(yǔ)與連接詞語(yǔ)的關(guān)系；根據(jù)所述詞語(yǔ)的連接詞集和組合概率對(duì)所述連接詞語(yǔ)進(jìn)行編碼，得到訓(xùn)練完成的信息隱寫(xiě)模型，能夠?qū)渥又械男畔⑦M(jìn)行隱寫(xiě)處理；采集待隱寫(xiě)文本，通過(guò)發(fā)送端將待隱寫(xiě)文本轉(zhuǎn)換為二進(jìn)制碼，并輸入到信息隱寫(xiě)模型，得到的隱寫(xiě)文本編碼有效地加密了句子中的重要信息，防止隱寫(xiě)文本編碼被破解；利用接收端將隱寫(xiě)文本編碼轉(zhuǎn)換為隱寫(xiě)文本，并將隱寫(xiě)文本輸入到信息隱寫(xiě)模型進(jìn)行解碼，解碼的精確度較高，確保了加密文本的重要信息精確傳達(dá)。

技術(shù)領(lǐng)域

本發(fā)明涉及一種信息安全領(lǐng)域，具體涉及一種基于遞歸神經(jīng)網(wǎng)絡(luò)的信息隱寫(xiě)方法、裝置及存儲(chǔ)介質(zhì)。

背景技術(shù)

隨著信息安全領(lǐng)域技術(shù)的不斷發(fā)展，私密信息的傳輸越來(lái)越受到用戶的重視。現(xiàn)有的信息隱寫(xiě)技術(shù)通常將所有的載體編碼到一個(gè)載體集合中，然后選擇不同的載體用于傳輸，以實(shí)現(xiàn)隱蔽消息的傳遞。但是這種信息隱寫(xiě)技術(shù)存在缺陷，對(duì)文本這類高信息編碼度、低冗余量的載體，生成的加密文本質(zhì)量較差，使得原載體變得難以閱讀，或不能有效地加密重要信息，導(dǎo)致加密文本容易受到攻擊、篡改甚至是破解。

發(fā)明內(nèi)容

為解決上述問(wèn)題，本發(fā)明的目的在于提供一種基于遞歸神經(jīng)網(wǎng)絡(luò)的信息隱寫(xiě)方法、裝置及存儲(chǔ)介質(zhì)，能夠?qū)ξ谋拘畔⑦M(jìn)行隱寫(xiě)處理，得到加密質(zhì)量較高的加密文本，有效地加密重要信息，避免加密文本受到破解；同時(shí)，對(duì)加密文本進(jìn)行解碼的精確度也較高，確保文本的重要信息精確傳達(dá)。

本發(fā)明解決其問(wèn)題所采用的技術(shù)方案是：第一方面，本發(fā)明實(shí)施例提出了一種基于遞歸神經(jīng)網(wǎng)絡(luò)的信息隱寫(xiě)方法，包括如下步驟：

采集文本，將所述文本輸入到遞歸神經(jīng)網(wǎng)絡(luò)中進(jìn)行分類處理，得到若干個(gè)詞語(yǔ)的連接詞集和組合概率，所述連接詞集包含有若干個(gè)連接詞語(yǔ)，所述詞語(yǔ)與所述連接詞語(yǔ)相鄰，且所述連接詞語(yǔ)設(shè)置在所述詞語(yǔ)的后面；

根據(jù)所述詞語(yǔ)的連接詞集和組合概率對(duì)所述連接詞語(yǔ)進(jìn)行編碼，得到訓(xùn)練完成的信息隱寫(xiě)模型；

采集待隱寫(xiě)文本，通過(guò)發(fā)送端將待隱寫(xiě)文本轉(zhuǎn)換為二進(jìn)制碼，并將所述二進(jìn)制碼輸入到信息隱寫(xiě)模型，得到隱寫(xiě)文本編碼；

利用接收端將隱寫(xiě)文本編碼轉(zhuǎn)換為隱寫(xiě)文本，并將所述隱寫(xiě)文本輸入到信息隱寫(xiě)模型，得到解碼文本。

進(jìn)一步，采集文本，將所述文本輸入到遞歸神經(jīng)網(wǎng)絡(luò)中進(jìn)行分類處理，得到若干個(gè)詞語(yǔ)的連接詞集和組合概率，包括如下步驟：

采集文本，利用遞歸神經(jīng)網(wǎng)絡(luò)提取所述文本的首位詞語(yǔ)，并根據(jù)所述首位詞語(yǔ)的頻率選取若干個(gè)首位詞語(yǔ)構(gòu)成關(guān)鍵詞列表；

利用所述遞歸神經(jīng)網(wǎng)絡(luò)對(duì)所述文本進(jìn)行語(yǔ)義空間的映射，得到若干個(gè)含有語(yǔ)義空間的詞語(yǔ)；

將所述詞語(yǔ)輸入到LSTM隱含層進(jìn)行權(quán)重的初步提取，得到所述詞語(yǔ)的初始權(quán)重；

在所述LSTM隱含層的后面連接softmax激活函數(shù)層，將所述詞語(yǔ)和所述詞語(yǔ)的初始權(quán)重輸入到softmax激活函數(shù)層進(jìn)行分類處理，得到若干個(gè)詞語(yǔ)的連接詞集和組合概率。

進(jìn)一步，采集文本，將所述文本輸入到遞歸神經(jīng)網(wǎng)絡(luò)中進(jìn)行分類處理，得到若干個(gè)詞語(yǔ)的連接詞集和組合概率，還包括如下步驟：

利用損失函數(shù)計(jì)算若干個(gè)詞語(yǔ)的組合概率的總損失值，并通過(guò)反向調(diào)整所述遞歸神經(jīng)網(wǎng)絡(luò)使所述總損失值最小，得到若干個(gè)詞語(yǔ)最優(yōu)的組合概率。

進(jìn)一步，根據(jù)所述詞語(yǔ)的連接詞集和組合概率對(duì)所述連接詞語(yǔ)進(jìn)行編碼，得到訓(xùn)練完成的信息隱寫(xiě)模型，包括如下步驟：

利用所述詞語(yǔ)的連接詞集和組合概率構(gòu)建所述詞語(yǔ)的連接哈弗曼樹(shù)，得到所述連接詞語(yǔ)的編碼，則信息隱寫(xiě)模型訓(xùn)練完成。