一种适用于工业物联网(IIoT)的强大图像加密算法,该算法结合了禁忌学习神经网络(Tabu Learning Neural Network)和混沌机制(Chaos Mechanism)

《Expert Systems with Applications》:A robust industrial image encryption algorithm for IIoT fusing a Tabu learning neural network and chaos mechanism

【字体: 大 中 小 】 时间:2026年04月30日 来源:Expert Systems with Applications 7.5

编辑推荐:

  林海荣|段晨星|邓小恒|张少华 中南大学电子信息学院,长沙,410083,中国 **摘要** 随着智能制造的快速发展,不同企业和部门之间安全共享工业图像数据的需求显著增加。在工业物联网(IIoT)中确保此类数据的保密性和完整性仍然是一个关键挑战。为了解决这个问题,本

  林海荣|段晨星|邓小恒|张少华
中南大学电子信息学院,长沙,410083,中国

**摘要**
随着智能制造的快速发展,不同企业和部门之间安全共享工业图像数据的需求显著增加。在工业物联网(IIoT)中确保此类数据的保密性和完整性仍然是一个关键挑战。为了解决这个问题,本文提出了一种基于禁忌学习神经网络和混沌机制的强大工业图像加密方案。首先,开发了一种由两个神经元和两个忆阻器组成的新型双忆阻器禁忌学习神经网络(DM-TLNN),并系统地研究了其复杂的动态行为。理论和数值分析表明,所提出的DM-TLNN表现出极其丰富的混沌动态特性,包括复杂的多蝴蝶吸引子和初始增强的共存蝴蝶吸引子。此外,实现了DM-TLNN的数字硬件平台,实验结果验证了观察到的多蝴蝶吸引子现象的正确性和物理可行性。基于这些动态特性,设计了一种新的基于DM-TLNN的IIoT工业图像加密方案,利用混沌多蝴蝶吸引子的高复杂性和不可预测性。全面的安全性和性能分析表明,该方案在密钥空间大、像素相关性低、信息熵高以及对差分攻击的强抵抗性方面表现出优异的加密性能。这项工作为保护IIoT环境中的工业图像隐私提供了一种新颖而有效的解决方案,同时提供了强有力的理论支持和实际应用性。

**引言**
作为智能制造的核心基础设施,工业物联网(IIoT)的特点是设备连接量大、实时数据传输要求严格以及开放异构的网络环境(如图1所示)。这些特性虽然使工业应用成为可能,但也使IIoT系统面临严重的安全威胁(Ahmad, Li, Wu, Rehman, & Huang, 2026),包括窃听、数据篡改和伪造,特别是针对工业图像数据等敏感信息。然而,许多现有的IIoT导向的加密方案存在固有局限性,如密钥空间受限、对加密攻击的抵抗力不足以及适应资源受限的边缘和终端设备的能力较差(Zolanvari, Yang, Khan, Jain, & Meskin, 2021)。工业图像的特点是数据量大且实时传输要求严格,而大多数传输节点是资源极其有限的嵌入式设备。在这种情况下,AES的具体局限性主要包括:实时性能不足、资源消耗超过节点限制、能耗过高以及耐久性受损。传统的AES加密采用块密码机制,需要将图像数据分割成固定长度的块进行顺序处理。对于工业图像,块加密的串行处理模式会导致显著的延迟累积,无法满足实时传输的需求(National Institute of Standards & Technology, 2023)。与AES加密相比,混沌加密在时钟周期、每字节能耗和内存占用方面有显著降低(S. A. El-Rahman & Alkady, 2025)。在兼容性方面,轻量级AES采用先压缩后加密的模式,而混沌加密则可以实现压缩和加密的并行操作,其中混沌序列生成和图像压缩同步进行。混沌加密在计算效率、内存占用、集成兼容性和流水线性能等可量化维度上具有明显优势,使其更适合资源受限场景下的实时加密传输需求(Mingyi Huo, 2025)。在这种情况下,基于混沌的加密技术作为解决IIoT安全挑战的有希望的方案受到了越来越多的关注(Munir, Lin, & Hwang, 2026)。由于其固有的高随机性、对初始条件的极端敏感性和复杂的非线性动态特性,混沌系统非常适合构建轻量级且强大的加密机制(Zhou, Chen, Tan, & Wu, 2026)。这些优势使得基于混沌的方法在IIoT环境中的安全图像传输中特别有吸引力,其中安全强度和实现效率至关重要。

人工神经网络本质上是非线性系统,能够表现出丰富和复杂的动态行为(Ma, Tang, 2017, Ressi, Romanello, Rossi, Piazza, 2024),这使得它们在信息处理和优化等领域得到广泛应用(Deng et al., 2025)。1991年,Beyer和Ogier(Beyer & Ogier, 1991)将禁忌学习引入Hopfield神经网络以解决非凸优化问题。通过使网络能够逃离局部最小值,禁忌学习显著增强了其探索能量景观的能力。随后,他们进一步开发了一个二维禁忌学习模型,为研究禁忌学习神经系统的动态特性奠定了基础。从那时起,禁忌学习神经元的非线性动态特性吸引了越来越多的研究关注。基于这一框架,Li等人(Li, Chen, Liao, & Yu, 2005)证明了单个禁忌学习神经元可以通过Hopf分岔在稳定状态和不稳定状态之间转换。同样,Min及其同事(Min, Zhu, Cheng, & Xu, 2024)采用离散隐式映射方法揭示了禁忌学习神经元系统中亚临界叉形分岔的存在。近年来,这一研究领域发展迅速。Bao等人(Bao, Hou, Zhu, Wu, & Chen, 2020)研究了一种能够接收外部刺激的非自治禁忌学习神经元,并在该框架内揭示了复杂的尖峰行为。Doubla等人(Doubla et al., 2021)提出了一种具有双曲正切激活函数的双神经元禁忌学习网络,并展示了其双稳态动态。最近,在2024年,Yu及其同事(Yu, Gu, Shi, & Wang, 2024)开发了一种新的分数阶禁忌学习模型,并进一步构建了一个由两个耦合的分数阶禁忌学习神经元组成的网络。他们的结果表明,分数阶禁忌学习系统中可以发生Hopf分岔和正切分岔。尽管取得了这些进展,现有的禁忌学习神经元仍然主要局限于简单的网络架构,如单神经元或双神经元模型,并且通常在理想化条件下进行研究。因此,它们在捕捉真实的生物神经机制和扩展到大规模实际应用方面存在明显局限性。

近年来,使用忆阻器技术的混沌神经网络在许多基于混沌的应用中显示出巨大潜力,尤其是在混沌图像加密方面(An, Liu, Xiong, Zhang, Li, 2024, Gonzalez, de Jesus Rangel-Magdaleno, Munoz-Pacheco, 2025, Lin, Deng, Zhang, Chen, Min, Xue, 2025, Wan, Chen, Yang, Liu, Sun, 2023)。这一进展极大地促进了忆阻器禁忌神经元的研究,例如,Hou等人(Hou, Bao, Xu, Chen, & Bao, 2021)将忆阻器集成到忆阻器禁忌学习神经元中,从而发现了无限多的非混沌吸引子。同样,Njitacke等人(Njitacke et al., 2022)也提出了一种更简单的忆阻器禁忌学习神经元模型,可以生成同时存在的无限多个混沌吸引子。2024年,Ding等人(Ding, Bao, Wang, Wu, & Xu, 2024)用忆阻器电流替换了外部输入,开发了一种新的禁忌学习神经元模型,可以生成多卷曲混沌吸引子;同年晚些时候,Deng等人(Deng, Wang, Sun, Deng, & Yang, 2024)将忆阻器集成到单个禁忌学习神经元中,通过调整忆阻器的状态,可以形成蝴蝶形和可调的蝴蝶形混沌吸引子。具有多个吸引子的混沌神经网络,特别是那些表现出多卷曲、多翼或多蝴蝶结构的神经网络,具有极其丰富和复杂的动态特性(Lai, Wan, Kuate, 2022, Lin, Li, Zhang, Deng, Chen, Min, 2026, Yu, Shen, Yu, Kong, Sharma, Cai, 2022a, Zhang, Chen, Zhang, Cai, Wang, Zeng, 2024)。这种复杂性不仅对于深入理解神经网络动态至关重要,而且对于提高混沌图像加密的安全性也非常有利(Jin, Li, 2025, Leng, Wang, Du, Ren, Zeng, 2025, Li, Feng, Zhou, Zhang, et al., 2025, Zhang, Yang, Zuo, Lv, Wei, Cheng, et al., 2025)。然而,据我们所知,尚未有能够生成多蝴蝶吸引子的混沌禁忌学习神经网络的报道。为了解决这一空白,本文提出了一种能够产生高度复杂多蝴蝶吸引子的新型忆阻器禁忌学习神经元。首先,构建了两种具有分段非线性状态函数的新忆阻器模型,并通过数值模拟验证了它们的基本特性。然后将这些忆阻器集成到双禁忌学习神经元框架中,从而开发出DM-TLNN。所提出的模型不仅生成多蝴蝶吸引子,还表现出丰富的初始增强共存动态。由于其高复杂性、大密钥空间和强敏感性,DM-TLNN非常适合图像加密。最后,基于所提出模型开发了一种实用的加密方案,并应用于IIoT环境,以增强图像传输和存储的安全性。

**主要贡献**
1) 提出了一种新型的双忆阻器禁忌学习神经网络(DM-TLNN),其中生成了丰富的多蝴蝶吸引子。据我们所知,这是首次在禁忌学习神经网络中报告多蝴蝶型吸引子,显著扩展了这类模型的动态行为和应用潜力。
2) 通过全面的非线性动态分析,系统地研究了所提出的DM-TLNN的复杂混沌特性,包括多蝴蝶吸引子和初始增强的共存蝴蝶吸引子,从而更深入地了解了潜在的混沌生成机制。
3) 开发了一个专用的基于MCU的硬件平台,用于实验验证所提出的DM-TLNN。成功的硬件实现证明了该模型的实际可行性和工程价值,弥合了理论神经动态与实际应用之间的差距。
4) 利用DM-TLNN的强大混沌特性,设计了一种新的图像加密方案。所提出的密码系统具有大密钥空间、高密钥敏感性和对各种加密攻击的强抵抗力,有效确保了工业图像在传输和存储过程中的安全性。

**部分摘要**
**忆阻器模型**
忆阻器是一种基本电路元件,其核心关联量是电荷和磁通量,其最典型的特征是其伏安特性表现出独特的夹心迟滞环(Ren, Mou, Banerjee, & Zhang, 2023)。根据忆阻器理论,广义磁通量控制忆阻器定义为{i=W(φ)vφ˙=f(φ,v)。

**双忆阻器禁忌学习神经网络模型的动态**
在本节中,我们研究了新提出的DM-TLNN的复杂动态行为,结合了理论分析和计算机仿真。我们使用了一些数值分析方法,如分岔图、李雅普诺夫指数(LE)、相图、时域图和吸引盆来描述该系统的复杂动态。在MATLAB仿真中,初始时间、时间步长和仿真持续时间分别设置为500、0.01和5000。

**在IIoT数据隐私保护中的应用**
混沌信号具有几个固有特性,如遍历性、对初始条件的敏感性和强随机性,因此非常适合生成加密密钥。一般来说,如果混沌系统的吸引子轨迹更加混沌并且高度依赖于初始条件,则生成的密钥将更加随机,加密性能也会更好。禁忌学习混沌系统不同于普通的混沌模型,它结合了...

**结论**
本文提出了一种新型的双忆阻器禁忌学习神经网络(DM-TLNN),表现出丰富和复杂的混沌动态。首次在禁忌学习神经网络中发现了多蝴蝶吸引子和初始增强的共存蝴蝶吸引子,显著扩展了这类系统的动态范围。进行了全面的非线性动态分析,以揭示潜在的混沌生成机制和稳定性特性。

**作者贡献声明**
林海荣:监督、验证、撰写——审稿与编辑、资金获取。
段晨星:方法论、调查、撰写——原始草案。
邓小恒:撰写——原始草案、审稿与编辑、资金获取。
张少华:撰写——审稿与编辑。

**利益冲突声明**
作者声明没有潜在的利益冲突。
相关新闻
生物通微信公众号
微信
新浪微博

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