[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

本發明提供了一種基于深度學習生成對抗網絡的密鑰生成方法，首先，準備訓練集圖像；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；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。采用本發明生成的密鑰具有較大的密鑰空間，偽隨機性，一次一密和對初值敏感的特性。本申請是嘗試在密鑰生成領域采用深度學習方法的最早研究之一，并且使用生成的密鑰對明文醫學圖像進行加密可以帶來較高的安全性。

技術領域

本發明屬于通信技術領域，尤其涉及一種基于深度學習生成對抗網絡的密鑰生成方法。

背景技術

根據對明文加密方式的不同，密碼體制可分為分組密碼和流密碼。傳統分組密鑰加密方法，如數據加密標準(DES)，國際數據加密算法(IDEA)和高級加密標準(AES)等已被廣泛應用于圖像加密。與分組密碼相比，流密碼的優點是安全程度高、加解密速度快、錯誤擴展小、利于同步、實現成本低。對流密碼而言，其核心問題是流密碼生成器的設計，流密碼的強度完全依賴于流密碼生成器所生成序列的隨機性和不可預測性。目前，能生成具有良好特性的密鑰流序列的流密碼生成器的常見結構有：線性反饋移位寄存器(LinearFeedback Shift Register，LFSR)、非線性移位寄存器(NLFSR)、有限自動機、線性同余發生器以及混沌系統。其中，混沌系統擁有偽隨機性、遍歷性、周期性以及對于初始條件和控制系數極高的敏感性等顯著特點，這些特性使得許多研究者紛紛運用混沌系統生成密鑰序列進行圖像加密。在這些方法中，所有密鑰生成器都是手動設計的。為了獲得良好的加密性能，手動設計過程是困難且耗時的工作，這不僅需要專業的信息安全知識，而且還需要數學理論的先驗知識。另外，在設計密鑰生成器時，我們首先確定要實現哪種加密性能，然后對密鑰生成器進行獨立設計和評估，以查看其是否達到加密目的。這實際上是一個反復無常的過程，而不是解決問題的直接過程。此外，如果我們知道通過采用密鑰可以實現的加密性能，則應該通過學習預期的加密性能，以自動的方式反向設計和生成密鑰生成器。

深度學習是目前機器學習學科發展最蓬勃的分支，也是整個人工智能領域應用前景最為廣闊的技術。卷積神經網絡作為深度學習中極具代表性質的網絡結構，已被廣泛應用于解決計算機視覺任務，圖像到圖像的翻譯是一類視覺和圖形任務，其目標是學習兩個圖像域之間的映射關系，目前，基于生成對抗網絡(Generative Adversarial Network,GAN)的方法能夠更高效地在缺失配對數據的條件下實現圖像到圖像的翻譯。通常，深度學習模型的參數量可以達到上百萬，且在訓練深度學習模型時，會對所有權重參數進行隨機初始化，并會采用一些訓練策略，如正則化、Dropout、異步隨機下降、擴增梯度噪聲，這讓深度學習模型的參數具有極高的隨機性。由此，我們得到了靈感，是否深度學習模型可以作為一個密鑰生成系統并生成混沌序列，同時，域轉移的生成對抗網絡引起了我們的注意，它能學習兩個圖像域的映射，使源域的圖像轉換成目標域的圖像。如果將目標域設置為期望的密鑰類型，那么是否可以通過生成對抗網絡生成一個密鑰序列，且這個密鑰序列是含有期望的密鑰類型的特性的。

發明內容

針對現有技術中的上述不足，本發明提供的一種基于深度學習生成對抗網絡的密鑰生成方法，本發明生成的密鑰具有較大的密鑰空間，偽隨機性，一次一密和對初值敏感的特性，是嘗試在密鑰生成領域采用深度學習方法的最早研究之一，并且使用生成的密鑰對明文醫學圖像進行加密可以帶來較高的安全性。

為了達到以上目的，本發明采用的技術方案為：

本方案提供一種基于深度學習生成對抗網絡的密鑰生成方法，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。