[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

摘要

本发明属于信息技术安全领域，具体涉及一种基于CNN和RNN融合模型的网络异构并发隐写信道的检测方法。该方法包括：基于深度学习的多维并发隐蔽信道的检测特征的提取，对提取的检测特征进行学习，构建多维并发隐蔽信道检测器并进行检测，该方法避免了基于经验或启发性知识的人工设计特征所带来的特征维度大及无法表达多层数据复杂关联的缺陷，利用深度学习的自动挖掘特征关联的自动表示方法实现了网络流媒体多维度并发隐蔽通信的检测。

主权项

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(Long Short‑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。