敌手能力有限时基于生成对抗网络的保密增强

保密增强是指通信双方在共享一个部分保密的串S且敌手只知道该串的部分信息的情况下,通过在公共信道上进行协商来提取一个更短的但是保密度更高的串S',使敌手得知关于S '的信息几乎可以忽略.近期人们使用生成对抗网络(GANs)实现了存在敌手的安全通信.主要研究了敌手能力有限时,利用生成对抗网络实现保密增强的问题.首先提出了保密增强的实现场景,通信双方利用交流信息产生密钥,敌手监听交流信息.然后参考Abadi等人的基本加密通信模型中的神经网络结构,设计了保密增强的通信模型.实验测试了在敌手获知部分信息或敌手计算能力较弱时的保密增强通信.经过修改激活函数和过滤器,以及增加模型复杂度,最终结果表明,在敌手获知70％的通信信息时,或者通信方比敌手模型复杂时,通信双方均能协商出一个安全的密钥,完成保密增强的功能.     

基于生成对抗网络的模糊密钥加密通信研究

解决模糊密钥加密通信问题,并利用生成对抗网络的方法初步实现对称密钥下的模糊密钥加密通信方案。首先利用神经网络实现两方模糊密钥加密通信,实现16 bit特密钥对称加密通信中6 bit密钥差异的模糊密钥加密通信。在此基础上考虑敌手存在的模糊密钥加密通信模型,利用GAN思想对通信双方与敌手进行对抗训练,实现16 bit密钥对称加密通信中4 bit密钥差异的模糊密钥通信,实验所得模型中通信双方可正常通信而敌手在可获取密文情况下无法获取明文信息。实验证明了利用神经网络与生成对抗网络解决模糊密钥加密通信问题的可行性。     

基于生成对抗网络的抗泄露加密算法研究

生成对抗网络（Generative Adversarial Networks,GANs）是一种深度学习模型,通过与辨别模型的对抗获得逐渐完善的生成模型,用以产生真假难辨的数据,而利用生成对抗网络实现加密算法是一个新的研究方向。在16位密钥对称加密方案下,对Abadi等人的基本加密通信模型做了抗泄漏加密通信测试,发现了利用生成对抗网络实现抗泄露加密通信的可能性。对通信双方和敌手的神经网络模型进行了改进,通过修改系统的激活函数,获得3比特密钥泄露情况下的加密算法模型,通过增加解密方和敌手模型的复杂度可提高通信的稳定性。在模型中增加批规格化处理,进一步提升了抗泄露加密通信能力。最终可以在8位泄漏的情况下,保证通信双方正常通信且敌手无法获取秘密信息。为抗泄露加密通信问题提供了一种全新的解决方案,并通过实验证明了方案的可行性。