本发明专利技术提出了一种通过胶囊网络进行多信道秘密信息传输的方法，通过训练同一个胶囊网络嵌入多份不同的秘密信息。针对多个接收者的秘密信息在胶囊网络训练过程中被嵌入在胶囊网络中。之后，接收者可利用自己的密钥在含密胶囊网络中提取对应的信息。而对其他部分的秘密信息，该接收者无法确定秘密信息的存在性，更无法提取。由于秘密信息没有暴露，因此信息隐藏的安全性可得到保证。由于秘密信息在胶囊网络的训练过程中嵌入而不是训练之后用过修改网络权重嵌入，因此信息嵌入对网络原始任务的影响很小。此外，信息提取网络的参数由密钥直接生成，无需通过训练得到，因此也无需向接收者传送信息提取网络。只需持有正确密钥即可提取秘密信息。提取秘密信息。提取秘密信息。
【技术实现步骤摘要】
一种通过胶囊网络进行多信道秘密信息传输的方法
[0001]本专利技术涉及秘密数据传输领域，具体涉及一种通过胶囊网络进行多信道秘密信息传输的方法。针对多个接收者的秘密信息被嵌入在胶囊网络中。之后，接收者可利用密钥在含密胶囊网络中提取对应的信息。而对其他部分的秘密信息，该接收者无法确定秘密信息的存在性，更无法提取。
技术介绍
[0002]近年来，深度学习技术广泛应用于人工智能领域，如图像识别、图像语义分割，自然语言处理等。大量标注的数据与计算资源被用来训练神经网络模型，如卷积神经网络、循环神经网络、生成对抗网络、残差网络、胶囊网络等。除了常规的智能任务外，神经网络模型还可用于信息隐藏，以在不引起怀疑的条件下通过神经网络模型传送秘密信息。
[0003]在某些应用场景中如指令分发等，指挥官(发送者)需要传送不同指令(秘密信息)给不同士兵(接收者)。为保证安全性与传送效率，携带指令的媒体只能传送一次。此种情况下，需将不同指令嵌入到同一媒体中同时传送给不同士兵(多信道)。因此需要多信道的信息隐藏方法。此外，现有神经网络信息隐藏方法均针对卷积神经网络设计。胶囊网络的雏形于2011年提出，之后在2017年通过路由协议得以完善。在胶囊网络中，多个神经元组成一个胶囊用以更好地表征实体的属性例如姿势、视角、速率等。低层胶囊通过转移矩阵将信息汇总，抵达高层胶囊。矩阵元素即为网络权重参数，权重值在训练过程中通过路由协议不断变化，从而引起胶囊连接强度的变化。这样的结构能更好地保持实体的可变特性。目前胶囊网络已在图像分类任务上表现出优异的性能，并且在多目标任务中体现出巨大的潜力。因此，胶囊网络也可用于进行多信道的信息隐藏。
技术实现思路
[0004]本专利技术的技术解决问题是：通过训练同一个胶囊网络嵌入多份不同的秘密信息。为此本专利技术的目的是提供一种通过胶囊网络进行多信道秘密信息传输的方法。本专利技术通过胶囊网络实现了多信道的信息隐藏。如图1所示，针对多个接收者的秘密信息被嵌入在胶囊网络中。之后，接收者可利用密钥在含密胶囊网络中提取对应的信息。而对其他部分的秘密信息，该接收者无法确定秘密信息的存在性，更无法提取。由于秘密信息没有暴露，因此信息隐藏的安全性可得到保证。
[0005]为达到上述目的，本专利技术采用如下技术方案：
[0006]一种通过胶囊网络进行多信道秘密信息传输的方法，在胶囊网络的训练过程中，将多份不同的秘密信息嵌入到胶囊网络中；各接收者利用自己的密钥在含密胶囊网络中提取对应的信息，而对其他部分的秘密信息，该接收者无法确定秘密信息的存在性，更无法提取；此外，信息提取网络的参数由密钥直接生成，无需通过训练得到，也无需向接收者传送信息提取网络，只需持有正确密钥即可提取秘密信息。
[0007]本专利技术在胶囊网络的训练过程中嵌入秘密信息以维持载体网络性能。在本专利技术
中，信息提取网络的参数由密钥直接生成，而非通过训练得到。故无需向接收者传送信息提取网络，接收者可利用正确密钥提取与之对应的秘密信息，但对其他部分的秘密信息一无所知。本专利技术采用的胶囊网络架构如下：
[0008]采用的胶囊网络架构由两个卷积层(Conv1层与PrimaryCaps层)与一个全连接层(DightCaps层)组成。Conv1层包含256个大小为9
×
9的卷积核，步长为1，激活函数为ReLU，用于提取局部像素特征。PrimaryCaps层为胶囊层，包含32个胶囊。各胶囊包含8个大小为9
×
9的卷积核，步长为2，激活函数为ReLU。最后，DightCaps层包含10个16维的胶囊。各胶囊分别表示一个类，均与PrimaryCaps层全连接。胶囊模长表示输入图像属于此类的概率。PrimaryCaps层与DightCaps层间的参数通过路由协议传输与更新，从而增强激活的特征而抑制其余特征。设PrimaryCaps层中第i个胶囊的输出为u
i
，其中i∈{1,2,...,32}，将u
i
与一个大小为8
×
16的权重矩阵W
ij
相乘得到预测向量之后，DightCaps层中第j个胶囊的输出v
j
可由式(1)与(2)计算得到，j∈{1,2,...,10}。
[0009][0010][0011]其中c
ij
为路由系数，通过路由协议得到，如式(3)所示；b
iz
表示参数b
ij
中j＝z的情况，z∈{1,2,...,10}，参数b
ij
,初始状态为0，之后根据路由协议动态更新，如式(4)所示，共进行2次路由协议的迭代。
[0012][0013][0014]DightCaps层中每个输出向量v
j
表示一个类，向量模长表示输入图像属于此类的概率。式(2)中的非线性函数保证了短向量收缩至0而长向量接近于1。
[0015]为叙述方便，上述胶囊网络架构简称为架构A。在架构A的基础上，本专利技术具体步骤如下：
[0016](1)按架构A所述构建用于信息隐藏的胶囊网络架构。
[0017](2)设共有n个接收者，构建n个全连接层分别作为n个接收者的信息提取网络，此n个信息提取网络均连接在架构A的预测向量上，即图3中为叙述方便，将预测向量上连接了n个信息提取网络的架构A简称为架构B。
[0018](3)设{K1,K2,...,K
n
}分别为各接收者的密钥，利用密钥{K1,K2,...,K
n
}分别产生信息提取网络的n个全连接层参数。参数产生后在网络训练过程中保持不变。
[0019](4)设需要向n个接收者传送的秘密信息向量分别为{M1,M2,...,M
n
}，M
r
＝[m
i
(1),m
r
(2),...,m
r
(t)]T
∈{0,1}
t
，r∈{1,2,...,n}，即各秘密信息向量均包含t个任意的二进制比特。设步骤(3)中n个信息提取网络的输出向量分别为{P
M1
,P
M2
,...,P
Mn
}，其中P
Mr
＝[p
mr
(1),p
mr
(2),...,p
mr
(t)]T
∈[0,1]t
,即n个信息提取网络的输出向量均包含t个取值在0到1
之间的小数。
[0020](5)胶囊网络的损失函数由两部分组成，如式(5)与(6)所示。其中L
τ
为原始胶囊网络的损失函数，用于保证网络的分类精度，而L
M
用于促进信息嵌入。参数β＝1.5用于调整两部分损失的比重，其值越大越利于秘密信息的嵌入，但不利于网络分类精度，反之亦然。
[0021]L＝β
·
L
M
+L
τ...
【技术保护点】
【技术特征摘要】
1.一种通过胶囊网络进行多信道秘密信息传输的方法，其特征在于：在胶囊网络的训练过程中，将多份不同的秘密信息嵌入到胶囊网络中；各接收者利用自己的密钥在含密胶囊网络中提取对应的信息，而对其他部分的秘密信息，该接收者无法确定秘密信息的存在性，更无法提取；此外，信息提取网络的参数由密钥直接生成，无需通过训练得到，也无需向接收者传送信息提取网络，只需持有正确密钥即可提取秘密信息；采用的胶囊网络架构由Conv1层和PrimaryCaps层这两个卷积层、以及一个DightCaps层全连接层组成；Conv1层包含256个大小为9
×
9的卷积核，步长为1，激活函数为ReLU，用于提取局部像素特征；PrimaryCaps层为胶囊层，包含32个胶囊，各胶囊包含8个大小为9
×
9的卷积核，步长为2，激活函数为ReLU；最后，DightCaps层包含10个16维的胶囊；各胶囊分别表示一个类，均与PrimaryCaps层全连接；胶囊模长表示输入图像属于此类的概率；PrimaryCaps层与DightCaps层间的参数通过路由协议传输与更新，从而增强激活的特征而抑制其余特征；设PrimaryCaps层中第i个胶囊的输出为u
i
，其中i∈{1,2,...,32}，将u
i
与一个大小为8
×
16的权重矩阵W
ij
相乘得到预测向量然后，DightCaps层中第j个胶囊的输出v
j
由下式(1)与式(2)计算得到，其中，j∈{1,2,...,10}；由下式(1)与式(2)计算得到，其中，j∈{1,2,...,10}；其中，c
ij
为路由系数，通过路由协议得到，如下式(3)所示；b
iz
表示参数b
ij
中j＝z的情况，z∈{1,2,...,10}，参数b
ij
,初始状态为0，之后根据路由协议动态更新，如式(4)所示，共进行2次路由协议的迭代；进行2次路由协议的迭代；DightCaps层中每个输出向量v
j
表示一个类，向量模长表示输入图像属于此类的概率；式(2)中的非线性函数保证了短向量收缩至0而长向量接近于1...
【专利技术属性】
技术研发人员：王子驰，冯国瑞，张新鹏，
申请(专利权)人：上海大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。