[發明專利]基于深度學習的非線性光學加密系統攻擊方法

在審

• 申請號: 202110577652.1
• 申請日: 2021-05-26
• 公開（公告）號: CN113313775A
• 公開（公告）日: 2021-08-27
• 發明（設計）人: 汪小剛;魏浩宇
• 申請（專利權）人: 浙江科技學院
• 主分類號: G06T9/00
• 分類號: G06T9/00;G06N3/04;G06N3/08;H04N1/44
• 代理公司: 杭州萬合知識產權代理事務所(特殊普通合伙) 33294
• 代理人: 丁海華;萬珠明

1.基于深度學習的非線性光學加密系統攻擊方法，其特征在于：包括以下步驟:

a、構建神經網絡：基于Unet模型，通過在Unet模型的下采樣稠密塊和上采樣稠密塊之間引入跳躍連接，得到具有編碼器和解碼器結構的DenseNet網絡；

b、DenseNet網絡訓練：獲取明文圖像和對應的密文圖像得到數據集，將密文圖像輸入至DenseNet網絡，首先對密文圖像進行卷積和池化操作，再通過編碼器提取特征映射，使輸入到編碼器的密文圖像的維數在輸出時減少一半，得到特征圖；再利用解碼器執行像素級回歸操作，使得特征圖經解碼器后輸出與密文圖像尺寸相同的輸出圖像；

c、DenseNet網絡優化：將輸出圖像與原始明文圖像進行比對，并利用損失函數判斷輸出圖像是否與對應明文圖像近似，如果不近似，則繼續利用數據集優化DenseNet網絡中的各個參數，直到輸出圖像與對應明文圖像近似，完成DenseNet網絡優化；

d、利用步驟c中優化后的DenseNet網絡進行非線性光學加密系統攻擊。

2.根據權利要求1所述的基于深度學習的非線性光學加密系統攻擊方法，其特征在于：所述編碼器包括六個連續的下采樣稠密塊，每個下采樣稠密塊由四個復合卷積層組成，并且每層都以前饋方式跳躍連接到同一模塊內的另一復合卷積層，每個復合卷積層執行三個連續的批量歸一化、激活函數ReLu和卷積核為3×3的卷積操作；所述下采樣稠密還執行包括步長為2的平均池化操作。

3.根據權利要求1所述的基于深度學習的非線性光學加密系統攻擊方法，其特征在于：所述解碼器包括六個上采樣稠密塊，上采樣稠密塊使得輸入的特征圖維數增加兩倍。

4.根據權利要求1所述的基于深度學習的非線性光學加密系統攻擊方法，其特征在于：步驟c中，選擇均方誤差函數為損失函數，其計算表達式為

其中，n代表被預測明文圖像的像素點數，Y_i代表真實值，代表神經網絡的輸出值。

5.根據權利要求1所述的基于深度學習的非線性光學加密系統攻擊方法，其特征在于：步驟b中,在DenseNet網絡訓練過程中采用Dropout正則化技術，用于抑制過擬合現象。