注意力机制和自编码器构造的零水印算法

零水印技术为保护图像版权的有效手段之一.然而,现有的许多零水印算法大多采用传统的数学理论进行人工提取特征,在结合神经网络进行图片特征提取的零水印方向上并没有广泛研究.目前神经网络在图像特征提取上已经取得了很好的成绩,充分利用卷积自编码器和注意力机制,提出了一种用于构造零水印的深度注意自编码器模型(attention mechanism and autoencoder, AMAE).首先是利用带有注意力的卷积神经网络构建自编码器,然后对自编码器进行训练;其次,利用训练好的编码器输出的特征构造图像的整体特征;最后,将获得的特征图进行二值模式处理得到特征二值矩阵,再与水印图像异或运算得到零水印,并在知识产权信息数据库进行注册,零水印一旦注册,原图像便处于水印技术的保护下.在训练过程中,借鉴对抗训练的思想,对模型进行加噪训练,这提高了模型的鲁棒性.实验结果表明,本文的零水印算法在旋转、噪声和滤波等攻击下,提取水印图像与原水印图像的归一化系数(normalized correlation, NC)值均超过0.9,证明了提出算法的有效性和优越性.

对抗网络下的密钥协商问题研究

机器学习的不断发展对现代密码体制造成的威胁不断增大,如何将神经网络应用到密码学上的研究日益深入,而生成对抗网络的对抗学习机制与密码学中的对抗性质相符,因此,研究了对抗网络与密钥协商相结合的问题。作为初步的概念验证,直接采用神经网络代替通信双方和敌手,利用对抗学习机制为核心思想设计对抗网络下的密钥协商模型(key agreement based on adversarial network,KG-AN),并进行了密钥长度为16 bit和64 bit的训练。实验结果显示,通信双方的协商密钥误差分别在1.5%和2%左右,敌手的破译误差分别保持在95%和91%左右,初步实现了对抗网络下的密钥协商功能,验证了对抗网络应用到密钥协商的可行性。