《Future Generation Computer Systems》:FALSAx-IWS: Framework for accuracy and logic synthesis (LS) estimation of approximate adders on image watermarking systems
编辑推荐:
## 摘要专业翻译
图像水印系统(IWS)通过将不可感知的水印嵌入宿主图像来保护数字内容,从而支持版权执法、真实性验证和数据完整性。本工作提出FALSAx-IWS,一个用于估计基于Haar的图像水印中近似加法器精度和逻辑综合的框架。其目标在于弥合水印鲁棒性研
## 摘要专业翻译
图像水印系统(IWS)通过将不可感知的水印嵌入宿主图像来保护数字内容,从而支持版权执法、真实性验证和数据完整性。本工作提出FALSAx-IWS,一个用于估计基于Haar的图像水印中近似加法器精度和逻辑综合的框架。其目标在于弥合水印鲁棒性研究(通常仅强调视觉质量和攻击抵抗力)与硬件导向设计探索(要求在实现前评估面积、功耗和精度权衡)之间的鸿沟。FALSAx-IWS探索了近似离散Haar小波变换(AxDHWT)、其逆变换(AxIDHWT)以及优化变换(AxODHWT)的多个近似级别,集成十六种近似加法器架构和一种随机森林回归器以估计每种配置的影响。评估考虑了105幅宿主图像和若干攻击类别,包括加性高斯噪声、JPEG压缩、中值滤波、斑点噪声和椒盐噪声。修订后的统计分析表明,所提出的近似感知选择保持了接受的归一化互相关区间0.7???≤1,同时将综合复杂度降低高达82.29倍。最佳低功耗三级配置在65 nm、1.25 V和200 MHz下达到0.00364 mW,同时保持鲁棒的水印恢复。这些结果表明,FALSAx-IWS可以通过降低算术复杂度同时保持对相关图像处理攻击的抵抗力,支持实时和嵌入式水印场景。因此,所提出的方法被定位为用于安全的、资源受限的、基于Haar的图像处理系统的通用近似计算(AxC)驱动设计流程。
## 论文解读
### 一、研究背景与问题
随着互联网的迅速普及,大规模信息传播日益频繁,版权侵权问题(包括未经授权的复制、分发和修改数字作品)日趋严重。数字水印作为最成熟的保护机制之一,被广泛用于多媒体版权执法。水印通过不可感知地修改图像、视频或音频信号,将一段信息嵌入另一段信息中,以保护敏感数据。不可见性和鲁棒性是评估水印性能的基本标准,据此可将水印方案分为鲁棒水印、脆弱水印和半脆弱水印三类:鲁棒水印在抵抗广泛攻击的同时保持视觉质量,主要用于版权保护和所有权验证;脆弱水印侧重于完整性验证,能检测任何未经授权的操作但容易被破坏;半脆弱水印则结合两者特性,可识别未经授权的篡改同时容忍允许的变换。
在鲁棒水印中,水印信息常直接嵌入空间域修改像素值,但这种方法对几何失真和常见图像处理操作的鲁棒性受限。为克服这些限制,许多工作采用变换域嵌入,使用离散余弦变换(DCT)、离散傅里叶变换(DFT)、离散小波变换(DWT)和奇异值分解(SVD)等。变换域水印通过识别适合嵌入的频率系数实现更受控的插入过程,从而提高鲁棒性。基于DWT的方案在多分辨率表示、压缩效率和视觉质量方面具有优势。
然而,现有大多数水印方法主要在算法层面优化鲁棒性、不可见性或重构质量,很少在水印攻击精度与综合后硬件成本(如面积和功耗)之间提供系统性的联系。这一空白对实时多媒体保护、智能传感和嵌入式安全系统尤为重要,因为这些场景中水印算法必须在严格的资源约束下持续运行。因此,本工作的目标是评估近似感知的算术运算是否能降低基于Haar的水印硬件成本,同时保持可靠水印恢复所需的鲁棒性水平。为此,研究人员提出了FALSAx-IWS,一种近似计算(AxC)技术,将先前的精度与逻辑综合估计框架FALSAx扩展到实用的隐写应用中。
### 二、研究内容与主要贡献
FALSAx-IWS框架集成了三个关键组成部分。框架对精度质量(FrAQ)评估和预测AxA精度,采用归一化互相关(NC)、平均相对误差(MRE)、平均绝对误差(MAE)和结构相似性指数(SSIM)等指标;功耗与输入逻辑综合估计(PILSE)组件引入了“稳定点”概念,即功率估计结果达到稳定所需的最小输入向量数量;逻辑综合估计框架(FELSE)扩展了动态功率、总泄漏功率和面积估计,并支持VHDL代码自动生成。FALSAx精度与逻辑综合估计数据集(FALED)整合了所有AxA配置的性能数据,为机器学习模型提供支撑。
这些组件共同支持了IWS的设计与评估。所提出的IWS采用AxDHWT进行三级近似配置,在正向和逆向配置中嵌入和提取水印。嵌入步骤中,宿主图像(灰度图像,尺寸为M×N)使用AxDHWT 2D进行最高二级分解,产生四个细节子带(LL
H2低频近似、LH
H2水平、HL
H2垂直和HH
H2对角),水印被策略性插入包含中频的LH
H2系数中。恢复步骤使用优化变换AxODHWT分解含水印图像并比较提取水印。
### 三、主要技术方法
该研究在FrAQ模型中使用Python和MATLAB语言描述IWS,对AxDHWT、AxIDHWT和AxODHWT的所有近似级别进行建模。评估使用105幅宿主图像,其中5幅来自标准图像数据库(Barbara、Boat、Mandrill、Cameraman和Pepper),100幅来自另一公开数据库。FALSAx-IWS采用随机森林回归器,基于FALED数据集训练,预测任意候选AxA配置的逻辑综合和精度数值,无需完整综合和硬件模拟。综合使用65 nm CMOS标准单元库,频率200 MHz,供电电压1.25 V。攻击测试涵盖加性高斯噪声(AGN)、JPEG压缩、中值滤波(MF)、斑点噪声(SK)和椒盐噪声(SP)五类,每类包含9个攻击强度轨迹(AIT)。每个鲁棒性场景分析1152个数据点,对应16种AxA变体、K比特近似范围1至8和9个AIT值。
### 四、研究结果
**(一)预测值精度评估。**随机森林回归器在三个近似级别均表现出高预测精度。大多数AxA在嵌入、恢复和整体IWS步骤中的R2值接近1.00,MSE值极低(范围约10?1?至10?1?)。AxPPA在几乎所有配置中R2为0.98,略低于其他AxA,但整体性能依然稳健。这一结果验证了基于机器学习的设计空间快速探索方法的可靠性。
**(二)带攻击的水印系统精度驱动结果。**在AGN攻击下,级别1和2支持全部16种AxA,级别3仅支持ETA、TRUNC、LOA和AxPPA,其中仅AxPPA和LOA支持K=8。JPEG压缩攻击下,级别3仅支持K≤4的AxA。MF攻击的结果与JPEG压缩类似。SK和SP攻击下,所有近似级别均满足NC≥0.7阈值,但级别3仅支持K≤4。实验表明,AxPPA在高近似级别下表现出最显著的攻击抵抗力,而级别1和2在支持更大K值范围方面更具优势。
**(三)FALSAx-IWS估计的逻辑综合结果示例。**综合结果显示,AxPPA在K<5或K<6时总功耗最优,而COPY在K≥5时更优;TRUNC在电路面积方面始终排名前列。级别3近似实现了最大的功耗和面积节省:嵌入步骤中AxPPA(K=4)总功耗仅2.98×10?? W,COPY(K=8)总功耗1.54×10?? W,TRUNC(K=4)面积为983 μm2,相比级别1分别实现1.79倍、3.03倍和3.08倍改进。恢复步骤中TRUNC(K=4)面积仅69 μm2,实现10.10倍缩减。整个IWS中AxPPA(K=4)实现3.65×10?? W总功耗和2.02倍效率提升,COPY(K=8)为1.59×10?? W和3.09倍改进,TRUNC(K=4)面积1035 μm2,缩减3.56倍。
**(四)精度、面积和功耗质量权衡。**在各类攻击下,最佳配置因攻击类型和近似级别而异。AGN攻击下级别1最佳为COPY(K=8,AIT=1),功耗4.77×10?? W,面积3588 μm2,NC=0.96;级别2最佳为M-HERLOA(K=7,AIT=1),NC=0.74;级别3最佳为AxPPA(K=8,AIT=1),功耗2.57×10?? W,面积1928 μm2,NC=0.84。JPEG、MF、SK和SP攻击下的级别3最佳配置均为AxPPA(K=4,AIT=1),功耗3.64×10?? W,面积2639 μm2,NC约0.86。综合缩减方面,MF攻击在级别3实现了最大82.29倍缩减,JPEG在级别3达到41.14倍缩减。
### 五、讨论与结论
讨论部分指出,所提框架的适用范围应理解为基于Haar的灰度水印场景,扩展到彩色图像、视频序列或其他变换域需要额外验证。直接硬件等效比较并非总是可行,因此研究将鲁棒性导向比较与综合导向分析分开。级别3近似虽在面积和功耗方面最具优势,但对误差和攻击的抵抗力最弱;级别1是次优选择。最佳配置取决于具体应用、攻击类型、AxA选择和K比特近似宽度。FALSAx-IWS并非主张近似算术普遍替代精确算术,而是建立一种受控设计方法,仅在所得到的实现满足鲁棒性和可恢复性要求时使用近似算术。
**研究结论:**本工作提出了FALSAx-IWS,一个用于探索基于Haar的图像水印系统中近似加法器的综合感知框架。实验结果表明,近似可以大幅降低算术复杂度同时保持水印可恢复性。在包括加性高斯噪声、JPEG压缩、中值滤波、斑点噪声和椒盐噪声的评估攻击场景中,所选配置保持了0.7