通过循环一致性生成对抗网络(Cycle-Consistent GAN)实现云安全的密码空间图像隐写技术

《Signal Processing: Image Communication》:Cryptospace Image Steganography for Cloud Security via Cycle-Consistent GAN

【字体: 大 中 小 】 时间:2026年01月16日 来源:Signal Processing: Image Communication 3.4

编辑推荐:

  加密图像与数据隐藏的云安全混合框架,采用CycleGAN与差分扩展(DE)结合实现无密钥加密和高效信息隐藏,实验嵌入率达0.47bpp且提取准确超91%。

  
许书颖|张振臣|洪志伟|张清春
逢甲大学信息工程与计算机科学系,台中市407号

摘要

密码空间隐写技术作为一种增强云环境中数据安全的有效方法,已受到越来越多的关注。本文提出了一种混合框架,该框架将循环一致性生成对抗网络(CycleGAN)与差异扩展(DE)技术相结合,以实现图像加密和数据隐藏服务。在所提出的框架中,设计了图像加密网络和数据加密网络分别用于加密数字图像和秘密数据,从而实现了无需密钥的架构。进一步引入了dropout驱动策略,以支持共享云平台上多个用户组的安全和隔离访问控制。实验结果表明,所提出的方法实现了超过0.47 bpp的嵌入率和超过91%的秘密数据提取准确性,表现出优于现有方法的性能。

引言

近年来,为了保护开放环境中的敏感信息,已经提出了许多安全技术[[1], [2], [3], [4], [5], [6], [7], [8]]。其中,图像隐写技术成为一种有效的手段,可以在数字图像中隐藏秘密数据,使得嵌入数据的存在难以察觉。在过去几十年中,开发了多种图像隐写方法,包括直方图平移[6]、差异扩展(DE)[7]和基于无损压缩的技术[8]。
在某些情况下,数字图像本身可能包含敏感信息,例如面部照片或医学扫描图像。然而,传统的图像隐写技术无法保护这些覆盖图像的内容。为了解决这一限制,开发了密码空间图像隐写技术,也称为加密图像中的可逆数据隐藏(RDH-EI)。除了嵌入秘密数据外,这种方法还在上传到云端之前对数字图像进行加密,从而确保了隐私保护。根据秘密数据和图像加密的顺序,现有的密码空间图像隐写方法可以分为三类:加密前预留空间(RRBE)[[9], [10], [11], [12]]、通过加密释放空间(VRBE)[[13], [14], [15]]以及加密后释放空间(VRAE)[[16], [17], [18], [19], [20]]。然而,这些方法大多数依赖于密钥,这本身存在几个挑战。密钥的泄露可能导致未经授权的访问、数据泄露和敏感信息的潜在滥用。此外,随着云用户数量的增加,密码密钥的管理和分发变得越来越复杂和低效,从而限制了这类系统的可扩展性。
卷积神经网络(CNN)[[21], [22], [23]]的快速发展激发了人们对隐写技术的浓厚研究兴趣。基于CNN的隐写技术大致可以分为基于覆盖图像的方法和无覆盖图像的方法。在基于覆盖图像的方法中,提供一个覆盖图像,目标是生成一个在视觉上类似于给定覆盖图像的隐写图像,同时嵌入秘密数据[24]。相比之下,无覆盖图像的方法直接从秘密数据本身生成隐写图像,无论是通过特征映射[25,26]还是直接生成[[27], [28], [29], [30]]。在基于CNN的方案中,最简单的配置通常包括一个编码网络和一个解码网络[[24], [25], [26]]。训练完成后,发送者使用编码网络将秘密数据嵌入到隐写图像中,而接收者使用解码网络提取秘密数据。这些方案旨在最小化隐写图像和覆盖图像之间的视觉差异,并最大化秘密数据提取的准确性。一些基于GAN的方法通过引入额外的判别器来进一步提高真实性,生成与自然数字图像在视觉上无法区分的隐写图像[[27], [28], [29], [30]]。为了提高对抗隐写分析的能力,通常会集成一个隐写分析网络来帮助生成更安全的隐写内容[31,32]。尽管基于CNN的方法可以生成逼真的隐写图像,但它们通常具有有限的嵌入容量。
循环一致性生成对抗网络(CycleGAN)[33]是一种无监督的CNN模型,旨在将输入图像转换为满足特定应用要求的输出,然后从这些输出中重建原始图像。由于其能够在没有配对训练数据的情况下执行复杂的图像到图像的转换,CycleGAN已广泛应用于艺术风格转换、医学成像、对象变形和面部图像编辑等领域。差异扩展(DE)是一种经典的图像隐写技术,通过扩展像素值对之间的差异来嵌入秘密数据。
为了解决现有基于CNN的隐写方法的局限性,我们提出了一种结合CycleGAN和差异扩展(DE)优势的密码空间图像隐写方案。所提出的框架使用CycleGAN将原始图像转换为适合DE嵌入的加密域,而无需加密密钥。通过适当配置训练数据集和损失函数,可以通过逆变换准确地将加密图像重建为其原始形式。为了进一步提高数据安全性,在嵌入之前使用另一个CycleGAN对秘密数据进行加密。此外,在图像网络和数据网络的训练过程中加入了dropout机制,以提高泛化能力并支持共享应用平台内的多用户服务。实验结果表明,我们的方案实现了安全加密、高保真解密和高嵌入容量。此外,该方法非常适合基于云的数据保护应用。图1展示了一个示例应用,其中云数据中心充当电子商务平台。当消费者注册会员时,他们的身份(ID)图像被加密并存储在云数据库中。每次交易后,加密的交易记录会被嵌入到消费者的加密ID图像中。授权人员可以检索这些记录以提供个性化推荐,而面部识别系统可以在支付处理过程中进行身份验证。
本文的主要贡献总结如下:
  • (1)
    开发了一种无需密钥的密码空间图像隐写方案。
  • (2)
    引入了一种dropout策略,使得隔离的处理网络能够在共享应用平台上运行。
  • (3)
    所提出的方案在保持解密图像高视觉质量的同时实现了高嵌入容量。
  • (4)
    所提出的方案可以应用于基于云的应用,例如电子商务平台。
  • 本文的其余部分组织如下。第2节简要介绍了所应用的DE技术。第3节介绍了所提出的密码空间图像隐写系统的配置和工作流程。第4节详细解释了图像和数据处理网络的CycleGAN训练。第5节评估了我们系统的性能。第6节总结了本文。

    相关工作

    差异扩展(DE)方法最初由Tian提出[7]。在过去二十年里,它激发了关于明文域中水印和数据隐藏技术的广泛研究。本节提供了DE及其属性的简要介绍。

    要应用DE,首先将覆盖图像的像素分成像素对。然后,通过连续处理这些像素对来执行数据嵌入。考虑一对像素值(x,y)0≤x,y≤255

    系统配置和工作流程

    传统的密码空间图像隐写方案通常使用流密码来加密图像或数据。然而,在基于云的应用中,共享加密密钥需要额外的安全通道,这在涉及动态用户成员和频繁数据交换的场景中往往不切实际。因此,无需密钥的加密机制非常受欢迎,可以简化通信并提高可扩展性。为了解决这个问题,采用了CycleGAN来设计无需密钥的

    加密和解密网络

    我们采用CycleGAN作为所提出的加密和解密网络的核心,因为它能够执行图像到图像的转换并提供逆映射以进行重建。本节简要回顾了CycleGAN的操作原理,介绍了我们设计中使用的损失函数,并介绍了两个网络对的训练策略,一个用于图像,另一个用于数据。

    实验结果

    在我们的实验中,使用了四个数据集,包括“Bossbase”、“BOW-2 [38]”、“UCID [39]”和“CelebA [40]”。数据集“Bossbase”中的10,000张图像被分为四部分:500张用于“Bossbase-A”,500张用于“Bossbase-B”,4,500张用于“Bossbase-C”,4,500张用于“Bossbase-D”。如第4.3节所述,“Bossbase-A”和“Bossbase-B”被用作图像和数据处理的训练集A。数据集“Bossbase-C”、“BOW-2”、“UCID”和“CelebA”也被用于

    结论

    本文提出了一种结合CycleGAN模型和DE嵌入的密码空间图像隐写框架。所提出的方法消除了对秘密密钥管理的需求,从而提高了系统的可扩展性。通过引入dropout策略,生成了多对加密和解密网络,使得在共享云平台上能够进行隔离但协作的操作。实验结果表明,所提出的系统实现了高嵌入容量和

    作者贡献

    概念化:许书颖;方法论:许书颖;形式分析和研究:洪志伟;撰写 - 原始草案准备:许书颖;撰写 - 审阅和编辑:洪志伟;资源:张振臣;监督:张振臣。

    数据可用性

    本研究生成或分析的所有数据都包含在本文中。

    CRediT作者贡献声明

    许书颖:撰写 – 原始草案,可视化,方法论,数据管理,概念化。张振臣:监督,资源,项目管理。洪志伟:撰写 – 审阅与编辑,验证,研究,形式分析。张清春:验证。

    利益冲突声明

    作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。
    相关新闻
    生物通微信公众号
    微信
    新浪微博
    • 搜索
    • 国际
    • 国内
    • 人物
    • 产业
    • 热点
    • 科普

    热点排行

      今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

      版权所有 生物通

      Copyright© eBiotrade.com, All Rights Reserved

      联系信箱:

      粤ICP备09063491号