基于GAN与分离卷积的高解码精度图像隐写

从提高秘密图像安全性、解码精度和缩短编解码时间3个方面进行考虑,提出一个基于GAN和分离卷积的高解码精度图像隐写方案。在嵌入秘密信息前使用基于Residual-Rep结构、Inception-SCS结构的预处理网络自动学习载体图像高维特征并以数据驱动方式使用特征表示,全面获取通道和空间的特征信息,降低图像失真,引入残差连接,降低秘密信息损失,通过缩短编码和解码时间降低模型复杂度。在基于稠密结构的解码网络引入了纠错层、纠错函数和沃瑟斯坦度量,提升秘密信息恢复精度。在典型环境下,获得了平均0.89的解码精度,结构相似性平均为0.95,在提高解码精度的同时也降低了图像失真,编码时间比SteganoGAN、Hidden方法均缩短一半,可在更短时间内完成编码任务。

疫情下面向大规模直播教学的组网技术研究

针对疫情防控期间线上直播成为在线教学主模式的发展现状,深入分析了大规模线上直播教学对数据承载网络提出了持续大规模高密度同步传输、分组式成员动态管理和资源跨域共享安全控制等组网性能新需求。以需求为导向,提出了将VPN的安全性与组播数据传输的高效性相结合的"VPN+组播"组网技术,具体给出了域内组播、全域组播和域间混合组播等三种方案设计并从数据传输控制层面详细分析了工作过程。在此基础上,基于eNSP仿真平台通过组成员管理、GRE隧道搭建、IPSec安全协商以及安全策略调用等步骤给出"VPN+组播"组网技术的仿真实现,并进一步通过数据测量与性能分析验证该组网技术具有组成员管理、交互式安全协商和数据加密传输等性能,从而为大规模线上直播教学提供了切实可行的关键性基础网络技术支撑。