[发明专利]一种基于CNN和RNN融合模型的网络异构并发隐写信道的检测方法

权利要求书

1.一种基于CNN和RNN融合模型的网络异构并发隐写信道的检测方法，其特征在于，该方法包括以下步骤：

①基于深度学习的多维并发隐蔽信道的检测特征的提取：首先使用卷积神经网络作为特征学习的第一层次，将循环神经网络作为特征学习的第二层次，采用LSTMs模型(LongShort-Term Memory，长短时记忆模型)逐层训练的方法，更好地对长短时依赖进行表达，同时表达流媒体数据的时空特性；

②对步骤①中提取的检测特征进行学习：通过深度学习分别获取同一流媒体中不同隐写算法在不同数据域所实现的不同隐蔽信道检测特征向量，利用这些特征向量作为检测是否存在隐蔽信道的依据输入分类器，同时，进一步获取2路并行隐蔽信道的检测特征向量，进而利用这些并发隐蔽信道的检测特征向量构建多维并发隐蔽信道检测器；

③构建多维并发隐蔽信道检测器并进行检测：将提取到的隐蔽信道的特征向量表示为F∈R^l,其中F_i表示第i个特征，即

F＝[F₁ F₂ F₃...F_L]

通过定义一组检测权重E∈R^l，对所有特征进行线性加权求和，即其中检测权重E_i反映第i个特征的重要程度，b_i为偏置项，并将输出y利用sigmoid函数归一化到[0,1],归一化的结果Y为判断该隐蔽信道包含隐蔽信息的置信水平，然后设置一个置信阈值τ，则最终的检测结果可以表示为：

当同时有不同隐写算法在同一流媒体的不同数据域进行异构并发隐藏时，通过抽取隐蔽信道特征，基于这些特征分别判断是否有对应隐写算法在进行隐蔽信息嵌入，从而实现对异构并发隐藏信道的检测。

2.如权利要求1所述的一种基于CNN和RNN融合模型的网络异构并发隐写信道的检测方法，其特征在于，步骤①中所述的采用卷积神经网络提取多维并发隐蔽信道的检测特征过程中，在隐蔽信道的数据处理方面，首先要将网络流媒体多维结构中所有的并发隐蔽通信数据域，包括协议头部和载荷编码码元，映射为二维数据表示，其转换的主要思路是将网络流媒体中的每个域的数据简单组合在一起，经过上述方法转换后，每个网络数据通信的数据可以作为卷积神经网络的输入。