《Journal of Cyber Security and Mobility》：Distributed Storage and Privacy Protection for Educational Blockchain Data
编辑推荐：
在大数据环境中，海量图像共享与云存储显著增加了隐私泄露、未授权篡改及不安全传输的风险。为解决上述问题，本研究提出了一种融合加密前预留空间（reserved room before encryption，RRBE）与加密后腾出空间（vacating room a
在大数据环境中，海量图像共享与云存储显著增加了隐私泄露、未授权篡改及不安全传输的风险。为解决上述问题，本研究提出了一种融合加密前预留空间（reserved room before encryption，RRBE）与加密后腾出空间（vacating room after encryption，VRAE）的可逆加密域图像数据隐藏（reversible data hiding in encrypted images，RDHEI）框架，用于安全的图像信息保护。该方法结合高比特平面预测压缩、密钥控制的图像加密以及密文域自适应嵌入，同时实现了高容量数据隐藏、严格的权限分离与无损图像恢复。此外，研究引入误差反向还原机制以抑制像素失真并提升恢复稳定性。实验在包含1338幅未压缩彩色图像的UCID公共图像数据集上进行评估，该数据集涵盖自然场景、城市建筑、人物肖像、车辆、植物、动物及室内环境等丰富纹理与结构特征。UCID数据集上的实验结果表明，所提方法实现了0.99 bpp的嵌入率、524000比特的载荷容量、52.14 dB的峰值信噪比（Peak Signal-to-Noise Ratio，PSNR）以及0.994的结构相似性指数（Structural Similarity Index Measure，SSIM）。同时，误码率降低至0.028，信息熵达到7.999，像素变化率（Number of Pixels Change Rate，NPCR）达到99.37%，表明该方法具有较强的加密随机性与抗差分攻击能力。与基于卷积神经网络的可逆数据隐藏（Convolutional Neural Network-based Reversible Data Hiding，CNN-RDH）及基于生成对抗网络的可逆数据隐藏（Generative Adversarial Network-based Reversible Data Hiding，GAN-RDH）方法相比，所提框架在嵌入效率、恢复精度、视觉质量及计算效率方面均表现出更优性能。该RDHEI框架为大规模大数据环境下的安全图像存储、隐私保护传输及加密多媒体应用提供了有效且可扩展的解决方案。
论文解读：面向大数据环境的可逆加密域图像信息隐藏框架研究
一、研究背景与问题提出
随着移动互联网和云计算环境的普及，图像数据呈现爆炸式增长。海量图像在社交媒体、远程医疗等场景中被频繁采集、存储和传输。在开放网络环境中，图像包含身份信息等敏感内容，一旦泄露或被篡改，将严重影响个人隐私和社会安全。然而，传统图像加密技术依赖置乱和扩散机制增强数据机密性，却无法在加密状态下灵活嵌入认证或溯源信息。数字水印方法虽能实现版权保护和完整性验证，但会对图像造成不可逆失真，难以满足无损恢复的应用需求。
现有研究虽在一定程度上提升了图像加密安全性和可逆嵌入性能，但多数方法仍存在嵌入灵活性有限、密文域可操作性不足、恢复过程中误差传播以及计算复杂度高等问题。此外，许多传统方法仅侧重于加密安全或嵌入性能的单一维度，缺乏对嵌入容量、恢复精度、加密随机性和计算效率之间的均衡优化。这些局限性制约了其在大规模复杂大数据图像环境中的适应性。因此，本研究旨在解决加密图像环境中嵌入容量、可逆恢复精度、加密安全性与计算效率之间的均衡优化问题。
二、研究内容与核心结论
针对上述问题，研究人员提出了一种融合加密前预留空间（reserved room before encryption，RRBE）与加密后腾出空间（vacating room after encryption，VRAE）策略的可逆加密域图像数据隐藏（reversible data hiding in encrypted images，RDHEI）框架。该框架通过高比特平面预测压缩构建冗余空间，并借助密文域重构机制实现自适应嵌入，旨在提升图像加密随机性、降低恢复误差并优化计算效率，为大规模图像安全应用提供可扩展的解决方案。
该研究的核心创新在于构建了联合RRBE与VRAE的双阶段可逆数据隐藏（reversible data hiding，RDH）框架。与传统RDH或独立RDHEI方法不同，所提模型在加密域内同时实现高容量嵌入、严格的密钥分离访问控制和无损图像恢复。研究还引入了高比特平面预测压缩和密文域自适应嵌入策略，在提升嵌入效率的同时减少像素失真和误差传播。实验结果表明，该框架在嵌入率、载荷容量、峰值信噪比（PSNR）、结构相似性指数（SSIM）、误码率、信息熵和像素变化率（NPCR）等指标上均优于基于卷积神经网络的可逆数据隐藏（CNN-RDH）和基于生成对抗网络的可逆数据隐藏（GAN-RDH）方法，实现了安全性、嵌入能力、可逆性和计算效率之间的更均衡优化。
三、关键技术方法概述
研究人员主要采用了以下几项关键技术方法。其一，高比特平面预测压缩技术，将像素分解为高阶有效信息和低阶冗余部分，通过对高阶平面进行预测建模和统计压缩来生成可逆嵌入冗余。其二，密钥控制的图像加密技术，在加密密钥控制下对图像块进行置乱，同时保留低阶结构冗余用于后续嵌入。其三，密文域自适应嵌入机制，在信息隐藏密钥控制下，将秘密比特嵌入加密图像的预留空间中，实现数据隐藏与内容隔离。其四，RRBE-VRAE双阶段空间预留策略，在加密前保留嵌入冗余并在加密后释放额外嵌入空间，联合提升嵌入灵活性和恢复可靠性。实验在UCID公共数据集上进行，该数据集包含1338幅未压缩彩色图像，分辨率为512×384像素，涵盖自然风光、城市建筑、室内场景、人物、车辆、植物、动物和日常物品等多种内容类型。
四、研究结果分析
4.1 基于RDHEI的图像信息安全保护模型性能
研究人员在Windows 11操作系统、32 GB内存、Intel Corei5-6300 CPU的计算环境下，使用UCID数据集对模型性能进行了系统评估。实验设置最大迭代次数为80，当连续两次迭代的损失值变化小于10-5时提前终止。对比模型包括CNN-RDH和GAN-RDH，所有模型在相同硬件和数据集条件下训练和测试以保证公平性。
嵌入率与均方误差分析方面，随着迭代次数从10增加到80，三种方法的嵌入率均呈稳定上升趋势。RDHEI始终保持最高水平，嵌入率从约0.83 bpp提升至接近1.0 bpp；GAN-RDH从约0.61 bpp提升至0.91 bpp；CNN-RDH从约0.64 bpp提升至0.87 bpp。在均方误差方面，RDHEI从约0.10降至约0.02，降幅最大；GAN-RDH从约0.20降至0.03；CNN-RDH从0.13降至约0.06。RDHEI误差较低的原因在于其嵌入过程基于可逆误差建模和冗余构建，能够精确控制像素修改范围。
误码率与统一平均变化强度分析方面，RDHEI的误码率最低，基本稳定在0.03左右；GAN-RDH的误码率大多在0.04至0.05之间；CNN-RDH一般在0.055至0.065之间。RDHEI误码率低的原因是其嵌入和恢复过程基于可逆结构建模和密钥分离机制，数据提取依赖确定性映射，误差传播较小。在统一平均变化强度方面，GAN-RDH整体最低（约0.27至0.31），RDHEI处于中等水平（约0.32至0.35），CNN-RDH最高（约0.38至0.43）。RDHEI在保持较高变化强度的同时仍具有低误码率，表明其像素变化分布更均匀可控，有利于提升加密随机性和抗差分能力。
综合性能对比方面，RDHEI在嵌入能力、图像质量、恢复可靠性、安全强度和计算效率方面均表现优异。嵌入率达到0.98 bpp，比GAN-RDH高约7.7%，比CNN-RDH高约12.6%；载荷容量增至512000比特。PSNR达到51.62 dB，SSIM达到0.992，MSE仅为0.021。误码率仅为0.031，信息熵达到7.998，接近理论理想值8，NPCR达到99.24%。处理时间仅需0.82秒，快于两种对比方法。
4.2 仿真性能分析
为进一步验证模型性能，研究人员进行了仿真分析。在结构相似性指数方面，RDHEI在六组测试样本中基本最优，大部分测试值高于0.97；GAN-RDH的SSIM在0.85至0.95之间；CNN-RDH的SSIM分布在0.80至0.92之间。在恢复误差率方面，RDHEI在所有测试中均低于0.05，最低接近0.02；GAN-RDH的误差率在0.12至0.23之间；CNN-RDH的误差率在0.20至0.30之间。RDHEI在结构保持和恢复精度方面表现出更强的鲁棒性。
研究人员还选取了六种代表性图像数据类型进行测试，包括自然景观图像（A类）、城市建筑图像（B类）、人物肖像图像（C类）、车辆图像（D类）、动植物图像（E类）和室内场景图像（F类）。在信息熵方面，RDHEI在所有数据类型中均取得最高值，在E类数据中接近7.98±0.03，五种类型数据的信息熵均稳定在7.50±0.05以上；而CNN-RDH和GAN-RDH大多分布在5.50±0.14至7.00±0.10之间。在像素变化率方面，RDHEI在所有数据类型中均保持高水平，在C类和D类数据中接近0.90±0.02，显著高于CNN-RDH（C类约0.40±0.05）和GAN-RDH（约0.70±0.03）。
仿真性能测试结果显示，RDHEI的嵌入容量达到0.99 bpp，总载荷增至524000比特；PSNR达到52.14 dB，SSIM达到0.994，MSE降至0.018；误码率仅为0.028，恢复精度达到100%；信息熵达到7.999，像素变化率达到99.37%；处理时间仅需0.79秒。
五、讨论与结论
本研究所提出的RDHEI框架通过融合RRBE和VRAE策略，结合高比特平面预测压缩、密钥控制图像置乱、密文域自适应嵌入和反向误差恢复机制，在加密域内实现了高容量嵌入、严格权限分离、安全传输和无损图像重建。实验与仿真结果表明，该框架在嵌入率（0.99 bpp）、载荷容量（524000比特）、PSNR（52.14 dB）、SSIM（0.994）、MSE（0.018）、误码率（0.028）、信息熵（7.999）和NPCR（99.37%）等指标上均显著优于CNN-RDH和GAN-RDH方法，同时保持了较低的计算复杂度（处理时间0.79秒）。
研究结论表明，所提方法在嵌入容量、图像质量、恢复可靠性、加密安全性和计算效率之间实现了更均衡的优化，为大规模大数据应用中的安全图像存储、隐私保护云传输、加密多媒体共享和敏感图像管理提供了有效解决方案。然而，当前研究主要聚焦于静态图像场景，框架在超大规模数据集和实时多媒体传输环境下的适应性仍需进一步探究。未来工作将结合轻量级优化、并行计算策略和多模态安全保护机制，以提升实时处理能力，并将框架扩展至视频、医学影像和跨平台智能数据安全应用。此外，不同图像分辨率、压缩传输环境和真实噪声场景可能影响嵌入稳定性和可逆恢复性能，未来将在更多公共数据集上评估框架，并纳入噪声扰动、图像压缩、遮挡和传输失真条件下的鲁棒性测试，以全面验证其在实际安全多媒体通信环境中的适用性。
