基于像素交换的无损信息隐藏

提出一种无损信息隐藏方法,接收端不但可以提取额外嵌入的秘密信息,而且可以无损恢复原始图像。该方法利用了相邻像素变化趋势往往一致的特性,对刻划这种特性的数据进行压缩以产生冗余空间用于携带额外的秘密信息,并使用像素值互换操作将额外信息及用于图像恢复所需数据一同嵌入到载体图像中。由于该方法顾及了人眼视觉特性,仅将数据嵌入在纹理区域,因此含密图像具有较好的视觉效果。     

抗统计分析的LSB密写方案

由于通过RS统计分析和Chi—square统计分析，可以察觉以LSB方法密写的秘密信息的存在，因此为提高密写方案的安全性，提出了一种改进的LSB密写方案，即如果被嵌入的秘密比特与原始灰度的最低位相同，便不作改动；否则根据周围像素作增1或减1的调整，而在接收方，只需将载体图象的最低位取出即可恢复秘密信息．大量图象的模拟实验结果说明，该方案不仅可以抵抗RS分析和Chi—square分析，而且不增加失真度．并可保持计算量小、提取方便的优点．并表明改进方案对抵抗这两种密写分析是有效的．     

结合集成比例训练的彩色JPEG图像隐写分析

该文提出一种YCbCr颜色空间的彩色JPEG图像隐写分析方法。该方法中的特征包括通道内特征和通道间特征,首先从Y通道提取Markov特征,扩展DCT特征以及共生矩阵特征构成通道内特征集合,通道内特征可以有效捕捉到Y通道内DCT系数之间的相关性;然后对Y通道进行下采样,从采样平面与CbCr平面相互之间的差分平面上提取特征构成通道间特征集合,通道间特征可以捕捉到两两通道之间的相关性。由于通道内特征和通道间特征在分类性能上有着较大差别,在分类阶段由通道内特征和通道间特征分别训练子分类器,通过调整两类子分类器的比例,使用多数投票方式来合成集成判决结果,最终获得最佳的检测性能。实验结果表明,该方法不仅适合小嵌入率的彩色JPEG图像,而且在性能上优于已有的JPEG图像隐写分析方法。     

基于代理重签名的支持用户可撤销的云存储数据公共审计方案

针对用户动态可撤销需要新的数据管理员对其前任所管理的数据进行完整性验证的问题,基于单向代理重签名技术提出了具有隐私保护的支持用户可撤销的云存储数据公共审计方案。首先,该方案中所采用的单向代理重签名算法,其代理重签名密钥由当前用户私钥结合已撤销用户公钥生成,不存在私钥泄露问题,能够安全实现数据所有权的转移;其次,该方案证明了恶意的云服务器不能产生伪造的审计证明响应信息来欺骗第三方审计者（TPA）通过审计验证过程;更进一步,该方案采用了随机掩饰码技术,能够有效防止好奇的第三方审计者恢复原始数据块。和Panda方案相比较,所提方案在增加抗合谋攻击功能的基础上,其审计过程中通信开销与计算代价仍全部低于Panda方案。     

图像及音频信号中隐蔽嵌入信息存在性的统计检验

作为对信息隐藏攻击和反攻击研究的一个环节,正确判断数字图像和音频信号中是否存在隐蔽嵌入信息具有重要意义。该文提出一种统计分析方法,基于数据的时(空)域局部相关特性给出3个性能互补的判别准则,用来对视听觉无差异的两个样本进行检验,以辨别其中哪一个可能携带有隐蔽信息。实验结果表明,判别准确率令人满意。     

基于DCT域相关性的非对称JPEG隐写

目前用于JPEG隐写的失真代价函数对同一DCT系数的加一与减一操作分配相同的代价值。但由于JPEG图像中DCT域的相关性,加一与减一修改对图像内容的影响不同,因此其对应的代价值也理应不同。文中基于DCT域相关性,提出了一种适用于JPEG隐写的通用代价值优化方法,主要考虑JPEG图像中相邻DCT块相同位置上系数的相关性。利用八邻域块中相同位置的DCT系数求平均的方法给出当前DCT系数的预测值。对现有的JPEG失真代价函数,按照向预测值靠拢的原则区分加一和减一的代价值。经过调整的代价值能引导隐写修改后的DCT系数最大程度地向预测值靠拢,增强DCT域相关性,从而提高隐写的安全性。该方法可以与任何现有的JPEG隐写失真代价函数结合使用。实验表明,所提方法几乎不增加原始算法的时间复杂度,同时能有效提高现有JPEG隐写方法的安全性,可使当前隐写分析工具的测试误差平均提升2.4%。     

某地起重机械安全现状及监管措施分析

起重机械作为施工现场的重大危险源,一直以来都是监督和检查的重点部位和环节。文章以近三年的抽检数据为基础,从建设行政主管部门视角对起重机械的安全现状进行了深入分析,并在监管层面提出了建议,以期提高起重机械安全管理水平。     

一种隐私保护的卷积神经网络预测方案

机器学习在图像目标识别、语音识别和图像处理等领域有广泛的应用.卷积神经网络是机器学习领域中广为流行的架构,训练模型所需计算代价对资源受限的用户来说难以负担,因此越来越多的模型所有者将预测服务托管在云平台上以供用户按需使用.在现有方案中,云端处理数据时可能会泄露用户数据和模型参数,预测准确度不高,且用户与云服务器交互需要大量通信开销.本文提出隐私保护的卷积神经网络预测方案,服务器基于密文模型对用户提供的密文数据进行预测,同时保护用户的隐私数据以及模型参数.而且,用户在上传加密数据之后即可离线等待预测结果,在预测任务执行期间与服务器间无需交互.理论和实验表明,所提方案提高了CNN预测方案的安全性,降低了用户的通信代价,最高可达到93%的预测准确率,与明文数据预测准确率近似相等.     

人工智能模型水印研究进展

以神经网络为代表的人工智能技术在计算机视觉、模式识别和自然语言处理等诸多应用领域取得了巨大的成功,包括谷歌、微软在内的许多科技公司都将人工智能模型部署在商业产品中,以提升服务质量和经济效益。然而,构建性能优异的人工智能模型需要消耗大量的数据、计算资源和专家知识,并且人工智能模型易于被未经授权的用户窃取、篡改和贩卖。在人工智能技术迅速发展的同时,如何保护人工智能模型的知识产权具有显著学术意义和产业需求。在此背景下,本文主要介绍基于数字水印的人工智能模型产权保护技术。通过与传统多媒体水印技术进行对比,首先概述了人工模型水印的研究意义、基础概念和评价指标;然后,依据水印提取者是否需要掌握目标模型的内容细节以及是否需要和目标模型进行交互,从“白盒”模型水印、“黑盒”模型水印、“无盒”模型水印3个不同的角度分别梳理了国内外研究现状并总结了不同方法的差异,与此同时,对脆弱模型水印也进行了分析和讨论;最后,通过对比不同方法的特点、优势和不足,总结了不同场景下模型水印的共性技术问题,并对发展趋势进行了展望。     

抗随机几何失真攻击的音频水印方案

随机几何失真攻击是指在数字音频中恶意地插入跳跃,或通过重采样等手段使相位等特性发生随机抖动,从而对音频数字水印构成严重威胁的行为。为防止这种攻击提出了一种利用音频信号采样点之间的相关性,同时根据信号局部特征生成水印信号并进行自同步嵌入的新方案。实验表明,该方案不仅对一般信号处理具有稳健性,也能够很好地抵御随机几何失真攻击。