生成式隐写研究

隐写术通常将秘密信息以不可见的形式隐藏到载体中,从而通过传递含密载体实现隐蔽通信.嵌入式隐写方案通过修改载体将秘密信息嵌入其中,但会不可避免地改变载体的统计特性,因此难以抵抗各类隐写分析工具的检测.为了解决此问题,生成式隐写方案以秘密信息为驱动直接生成含密载体.相比于嵌入式隐写方案,生成式隐写方案针对现有基于统计特征的隐写分析方法具有较好的抗检测性能,因此逐渐成为信息隐藏领域的研究热点.本文首先对四类生成式隐写方案进行详细地描述和分析,包括:(1)图像生成式隐写方案;(2)文本生成式隐写方案;(3)音频生成式隐写方案;(4)社交网络行为生成式隐写方案;其次,通过实验详细分析和对比了各种图像和文本生成式隐写方法的性能;最后,本文分析了当前生成式隐写方案仍然存在的问题,并提出相应的解决方案和展望未来的发展方向.

同态签名研究综述

介绍同态签名的研究背景、意义和当前现状,描述了同态签名方案的基本概念,分析了同态签名方案所具有的安全性等其他相关特性,以及密码学基础.系统地论述了目前同态签名方案的研究现状,针对不同的同态运算函数和用户使用场景,总结了各种类型的同态签名方案,分别是线性同态签名方案、多项式函数同态签名方案、全同态签名方案、同态聚合签名方案以及多钥同态签名方案.并且给出了各种类型中具有代表性的同态签名方案,为具体应用场景提供合适的同态签名方案,最后总结同态签名方案未来的发展方向.

基于BagR-CNN检测模型的物联网网关安全加固方法

物联网(IoT)网关作为多种网络间异构数据传输与交换的关键节点近年来长期遭受大规模攻击,可靠性差,大规模流量处理延时大、抗攻击能力差等问题显著。而现有对物联网网关的可靠性研究主要集中在加密技术和可信认证机制方面,没有解决大规模攻击环境下物联网的可靠性及安全性问题。因此,本文提出了基于BagR-CNN检测模型的物联网网关安全加固方法,设计了可低功耗集成在物联网网关上并能够快速检测出大规模多步骤攻击的模型。首先,不同于传统的单一流量分类,本方法将相关流量聚合到一个包中,并利用基于信息熵相关性的特征增强算法提高检测准确率。其次,区别于传统的特征提取与约简方法,本文提出基于包内相似度的特征扩展方法,挖掘出隐藏的关联信息并能保证包内数据在噪声扰动下的不变性。最后,本文提出基于高斯混合模型(GMM)的特征压缩算法,将聚合包映射为一维向量并由此训练简单的卷积神经网络,以提高检测效率。实验结果表明,基于BagR-CNN检测模型在准确率、召回率和F1值等方面均优于目前对于大规模多步骤攻击的检测方法。同时,在模拟网关上运行时平均CPU利用率(不使用GPU)低于20%,证明该方法适合集成到网关而不影响网关正常的数据传输工作。