[发明专利]一种使用AI生成图像的无载体机密分享方法

说明书

本发明公开了一种使用AI生成图像的无载体机密分享方法。首先，机密拥有者先使用两个训练好的AI模型，分别用于生成两张伪装图像以及两张在伪装图像中嵌入认证码的机密份额图像。之后机密拥有者将含有认证码的机密份额图像分别发给两位参与者保管；最后，要提取机密信息时，参与者将各自的机密份额图像发给第三方，第三方利用认证模型对两张机密份额图像做一个图像认证，如果认证通过，两个参与者才能一起利用提取器模型提取各自份额中的嵌入序列并恢复机密信息。相比于其他现有的方法，本发明不仅继承了视觉密码计算复杂度低，安全性高的优点，而且在深度学习的帮助下，生成的机密份额图像和自然图像并没有区别，并且可以抵抗多种隐写分析。

技术领域

本发明属于信息安全之图像内容安全领域，具体涉及使用AI生成图像的无载体机密分享方法

背景技术

随着互联网的快速发展，通过社交媒体进行交流已经成为我们日常生活中的一项常规活动。网络安全以及数据保护，已经成为人们关注的重点。针对信息安全的问题，很多学者都提出了不同的框架以及论文。作为一种常见的信息安全技术，(k.n)-机密分享的概念是由Shamir和Blakley在1979年首次提出的。他们的方案将机密信息分配到n个份额中，并将其分配给n个参与者。当恢复机密信息时，任何k(k＜n)个参与者都可以通过组合他们的份额来重建完整的机密数据。这一概念被应用于互联网上机密信息的安全传输。此后，许多学者对这一领域进行了深入研究，提出了视觉机密分享、可验证机密分享等。

随着计算机硬件的更新，基于深度学习的隐写分析方案得到越来越多学者的关注。这种技术可以通过学习自然图像的数据分布模式来检测被篡改的图像。虽然传统的机密分享方案提供了高质量且有意义的份额图像，但这些份额图像是由原始图像修改而成的，因此无法逃脱基于深度学习的隐写分析的检测。基于以上的原因，许多学者致力于将深度学习与隐写术相结合，开发出一种可以对抗隐写分析的新型隐写术。这类方案的本质是将机密数据直接嵌入到图像中，同时不会改变后者；这也被称为无载体隐写术。基于深度学习的快速发展，我们希望将无载体隐写术的概念引入机密分享中，从而进一步提高机密分享的安全性。

发明内容

本发明公开了使用AI生成图像的无载体机密分享方法。首先，机密拥有者先使用两个训练好的AI模型，分别用于生成两张伪装图像以及两张在伪装图像中嵌入认证码的机密份额图像。之后机密拥有者将含有认证码的机密份额图像分别发给两位参与者保管；最后，要提取机密信息时，参与者将自己的机密份额图像发给第三方，第三方使用认证模型对两张机密份额图像做一个图像认证，如果认证通过，两个参与者才能一起利用提取器模型提取各自的份额中的嵌入序列并恢复机密信息。本发明将深度学习，机密分享和视觉密码相结合，实现了高创新性以及高安全性的机密分享。相比于其他现有发方法，本发明不仅继承了视觉密码计算复杂度低，安全性高的优点，而且在深度学习的帮助下，生成的机密份额图像和自然图像并没有区别，并且可以抵抗多种隐写分析。

本发明的技术方案步骤如下：

一种使用AI生成图像的无载体机密分享方法，其具体步骤如下：

S1：获取基于DCGAN模型训练的伪装图像生成模型，用于将待嵌入的序列转成伪装图像；获取基于SRGAN模型训练的认证码嵌入器，用于生成在伪装图像中嵌入认证码的机密份额图像；获取基于U-Net训练的认证模型，用于对机密份额图像进行认证；获取基于深度卷积网络训练的提取器，用于恢复机密份额图像中的嵌入序列；

S2：机密拥有者对待分享的机密信息进行拆分和编码，将一条机密信息编码为两条含有待嵌入序列信息的噪声；

S3：机密拥有者将两条噪声分别输入伪装图像生成模型中，得到两张伪装图；

S4：机密拥有者将两张伪装图分别输入认证码嵌入器中，得到最终的机密份额图像，将最终的机密份额图像发送给两个参与者；