[發明專利]一種基于深度學習生成對抗網絡的密鑰生成方法

有效

• 申請號: 202010495938.0
• 申請日: 2020-06-03
• 公開（公告）號: CN111654368B
• 公開（公告）日: 2021-10-08
• 發明（設計）人: 丁熠;譚富元;秦臻;曹明生;陳大江;鄧伏虎;秦志光;朱桂欽
• 申請（專利權）人: 電子科技大學
• 主分類號: H04L9/08
• 分類號: H04L9/08;G06N3/04;G06N3/08
• 代理公司: 北京正華智誠專利代理事務所(普通合伙) 11870
• 代理人: 李林合;何凡

1.一種基于深度學習生成對抗網絡的密鑰生成方法，其特征在于，包括以下步驟：

S1、準備訓練集圖像；

S2、構建密鑰生成網絡：根據生成器網絡以及判別器網絡構建密鑰生成網絡，并將所述訓練集圖像輸入至所述密鑰生成網絡；

S3、訓練密鑰生成網絡：利用深度學習方法訓練所述密鑰生成網絡，生成密鑰；

所述步驟S3包括以下步驟：

S301、隨機初始化密鑰生成網絡中每個卷積層的參數；

S302、利用梯度下降法更新密鑰生成網絡的參數，得到更新后的密鑰生成網絡，并根據更新后的密鑰生成網絡生成密鑰；

生成器網絡從源域數據開始生成密鑰并將它們傳遞至判別器網絡；判別器網絡用來判別數據是來自真實目標域的數據還是生成器生成的偽造數據，源域數據為任意一類圖像；目標域是期望生成的密鑰類型，經過訓練的密鑰生成網絡，將學習到源域圖像到混沌圖像的映射，生成具有目標域屬性的密鑰；

所述判別器網絡包括第一卷積層、第二卷積層、第三卷積層、第四卷積層和第五卷積層；

所述第一卷積層、第二卷積層、第三卷積層和第四卷積層的卷積核尺寸均為4x4，卷積核數量分別為64，128，256和512，卷積步幅均為2；

所述第五卷積層的卷積核尺寸為4x4，卷積核數量為1，卷積步幅為1；

所述生成器網絡包括依次連接的下采樣層單元、殘差模塊層單元、轉置卷積層單元和卷積層；

所述下采樣層單元包括三個下采樣層，且所述三個下采樣層的卷積核尺寸分別是7x7，3x3和3x3，卷積核數量分別是64，128和256，卷積步幅分別是1，2和2；

所述殘差模塊層單元包括六個殘差模塊層，且所述六個殘差模塊層的結構均相同；

所述轉置卷積層單元包括兩個轉置卷積層，且所述兩個轉置卷積層的卷積核尺寸分別是3x3和3x3，卷積核數量分別是128和64，轉置卷積步幅分別是2和2；

所述卷積層的卷積核尺寸是7x7，卷積核數量是3，卷積步幅是1。

2.根據權利要求1所述的基于深度學習生成對抗網絡的密鑰生成方法，其特征在于，所述生成器網絡的損失函數表達式為：

L_G＝min_G(E_x～pdata(x)log(1-D(G(x))

其中，L_G表示生成器網絡的損失函數，G表示生成器網絡，D表示判別器網絡，G(·)表示生成器網絡的輸出結果，x表示輸入的源域的訓練集圖像，E_x～pdata(x)表示源域訓練集的分布。

3.根據權利要求1所述的基于深度學習生成對抗網絡的密鑰生成方法，其特征在于，所述判別器網絡的損失函數表達式如下：

其中，L_D表示判別器網絡的損失函數，E_y～pdata(y)表示目標域訓練集的分布，D(y)表示判別器網絡對y的分類結果，y表示輸入的目標域的訓練集圖像，D表示判別器網絡，G(·)表示生成器網絡的輸出結果，x表示輸入的源域的訓練集圖像,E_x～pdata(x)表示源域訓練集的分布。

4.根據權利要求1所述的基于深度學習生成對抗網絡的密鑰生成方法，其特征在于，所述步驟S2中密鑰生成網絡的損失函數表達式如下：

L＝L_G+L_D

其中，L表示密鑰生成網絡的損失函數，L_D表示判別器網絡的損失函數，L_G表示生成器網絡的損失函數。

5.根據權利要求1所述的基于深度學習生成對抗網絡的密鑰生成方法，其特征在于，所述步驟S301中隨機初始化密鑰生成網絡中每個卷積層的參數W_n的表達式如下：

W_n＝random[w_n,1,w_n,2,...,w_n,i]

其中，w_n,i表示密鑰生成網絡的第n卷積層的第i個參數。