[發(fā)明專利]基于深度學(xué)習(xí)的非線性光學(xué)加密系統(tǒng)攻擊方法

在審

• 申請?zhí)枺?/td>: 202110577652.1
• 申請日: 2021-05-26
• 公開（公告）號: CN113313775A
• 公開（公告）日: 2021-08-27
• 發(fā)明（設(shè)計(jì)）人: 汪小剛;魏浩宇
• 申請（專利權(quán)）人: 浙江科技學(xué)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(chǎn)權(quán)代理事務(wù)所(特殊普通合伙) 33294
• 代理人: 丁海華;萬珠明

本發(fā)明公開了一種基于深度學(xué)習(xí)的非線性光學(xué)加密系統(tǒng)攻擊方法，本發(fā)明從深度學(xué)習(xí)的角度，通過選擇一系列已知的明文圖像和對應(yīng)的密文圖像訓(xùn)練出了一個具有特定參數(shù)的DenseNet網(wǎng)絡(luò)，利用DenseNet網(wǎng)絡(luò)可以成功破解出了非線性光學(xué)加密系統(tǒng)的“等效解密網(wǎng)絡(luò)”，破譯質(zhì)量高，而且本發(fā)明的構(gòu)建訓(xùn)練和優(yōu)化的DenseNet網(wǎng)絡(luò)具有抗剪切和抗噪能力。本發(fā)明利用深度學(xué)習(xí)方法對基于相位恢復(fù)算法光學(xué)加密系統(tǒng)進(jìn)行安全性分析，為基于相位恢復(fù)算法非線性光學(xué)加密系統(tǒng)提供了新的方法。

技術(shù)領(lǐng)域

本發(fā)明涉及信息安全技術(shù)領(lǐng)域，具體涉及一種基于深度學(xué)習(xí)的非線性光學(xué)加密系統(tǒng)攻擊方法。

背景技術(shù)

光學(xué)信息處理技術(shù)是圖像加密技術(shù)中的一類重要方法，以其高速性、并行處理能力以及多參數(shù)的控制能力被廣泛應(yīng)用于圖像加密領(lǐng)域。自1995年Refregier和Javidi等提出雙隨機(jī)相位編碼(DRPE)加密系統(tǒng)以來,光學(xué)圖像加密技術(shù)得到了迅速發(fā)展,并在信息安全領(lǐng)域展示出巨大的應(yīng)用潛力。為了進(jìn)一步提高系統(tǒng)的安全性，雙隨機(jī)相位編碼被應(yīng)用于許多不同的光學(xué)加密系統(tǒng)中。相比于傅里葉域的雙隨機(jī)相位加密方法，基于其他變換域的光學(xué)加密方法能夠增大密鑰空間，但本質(zhì)上并沒有改變加密系統(tǒng)的對稱性以及明文和密文之間的線性關(guān)系。安全性分析表明，基于DRPE的光學(xué)加密方案容易遭受多種類型的攻擊，如選擇明文攻擊、已知明文攻擊。此外，研究還發(fā)現(xiàn)，它們也容易受到使用深度學(xué)習(xí)(DL)技術(shù)的攻擊方法的攻擊，通過卷積神經(jīng)網(wǎng)絡(luò)獲取系統(tǒng)的“等效密鑰”，即不需要光學(xué)密鑰就可以由密文直接破解出明文。

為了消除基于DRPE的密碼系統(tǒng)固有的對稱性和線性，研究人員提出了幾種基于切相傅里葉變換的非線性光學(xué)加密方法。然而，進(jìn)一步的研究表明，這種光學(xué)加密系統(tǒng)可被基于迭代振幅-相位恢復(fù)算法的特定攻擊方法破解，同時(shí)還具有“輪廓顯現(xiàn)”的問題。為了改進(jìn)系統(tǒng)安全性并消除輪廓顯現(xiàn)問題，研究人員在非線性光學(xué)密碼系統(tǒng)中引入了相位恢復(fù)算法。分析結(jié)果表明，基于相位恢復(fù)算法的非線性光學(xué)加密系統(tǒng)對各種攻擊表現(xiàn)出較高的魯棒性。然而，利用深度學(xué)習(xí)方法對基于相位恢復(fù)算法的非線性加密系統(tǒng)的安全測試并沒有開展。

發(fā)明內(nèi)容

本發(fā)明的目的在于，提供一種基于深度學(xué)習(xí)的非線性光學(xué)加密系統(tǒng)攻擊方法。本發(fā)明可以對非線性光學(xué)加密系統(tǒng)進(jìn)行攻擊破譯，具有良好的解密性能。

為解決上述技術(shù)問題，本發(fā)明提供的技術(shù)方案如下：基于深度學(xué)習(xí)的非線性光學(xué)加密系統(tǒng)攻擊方法，包括以下步驟:

a、構(gòu)建神經(jīng)網(wǎng)絡(luò)：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(jié)構(gòu)的DenseNet網(wǎng)絡(luò)；

b、DenseNet網(wǎng)絡(luò)訓(xùn)練：獲取明文圖像和對應(yīng)的密文圖像得到數(shù)據(jù)集，將密文圖像輸入至DenseNet網(wǎng)絡(luò)，首先對密文圖像進(jìn)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(shù)在輸出時(shí)減少一半，得到特征圖；再利用解碼器執(zhí)行像素級回歸操作，使得特征圖經(jīng)解碼器后輸出與密文圖像尺寸相同的輸出圖像；

c、DenseNet網(wǎng)絡(luò)優(yōu)化：將輸出圖像與原始明文圖像進(jìn)行比對，并利用損失函數(shù)判斷輸出圖像是否與對應(yīng)明文圖像近似，如果不近似，則繼續(xù)利用數(shù)據(jù)集優(yōu)化DenseNet網(wǎng)絡(luò)中的各個參數(shù)，直到輸出圖像與對應(yīng)明文圖像近似，完成DenseNet網(wǎng)絡(luò)優(yōu)化；

d、利用步驟c中優(yōu)化后的DenseNet網(wǎng)絡(luò)進(jìn)行非線性光學(xué)加密系統(tǒng)攻擊。

上述的基于深度學(xué)習(xí)的非線性光學(xué)加密系統(tǒng)攻擊方法，所述編碼器包括六個連續(xù)的下采樣稠密塊，每個下采樣稠密塊由四個復(fù)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(nèi)的另一復(fù)合卷積層，每個復(fù)合卷積層執(zhí)行三個連續(xù)的批量歸一化、激活函數(shù)ReLu和卷積核為3×3的卷積操作；所述下采樣稠密執(zhí)行還包括步長為2的平均池化操作。

前述的基于深度學(xué)習(xí)的非線性光學(xué)加密系統(tǒng)攻擊方法，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(shù)增加兩倍。