一、基于模型的信息隐藏检测研究(论文文献综述)
康慧娴,易标,吴汉舟[1](2021)在《文本隐写及隐写分析综述》文中研究说明梳理了文本隐写与隐写分析的发展脉络,将文本隐写算法分为两类:修改式文本隐写和生成式文本隐写。归纳了两类算法的实现过程,并从率失真性能和安全性等方面分析主流算法的优势与不足。针对两类文本隐写算法,总结了对应的隐写分析算法实现过程,并对文本隐写与隐写分析的发展趋势进行了展望。
郝伟[2](2021)在《基于PHM技术的高速动车组关键部件智能检修理论与方法研究》文中研究指明随着我国高速动车组运行速度的提高和运用规模的增长,动车组运营安全和保障技术挑战日趋突出。故障预测与健康管理(Prognostics and Health Management,PHM)作为一种设备健康管理技术,可以实现设备状态监控、异常预测、故障诊断、维修预测和维修决策等功能。为了提升高速动车组安全保障能力、降低检修成本、提高检修效率,本文将高速动车组检修业务和PHM技术深度融合,探索基于PHM技术的高速动车组关键部件智能检修理论与方法。重点研究基于风险预判防范的部件状态预测、故障诊断技术,以及基于固定修程计划预防的部件维修预测和维修决策技术,为动车组检修模式从“计划修”向“计划修+预测性维修”转变提供理论依据和技术支撑。主要研究内容包括以下四个方面:(1)针对高速动车组关键部件服役环境复杂、故障模式多样背景下的状态异常预测问题,提出一种在线监测与多隐藏层神经网络预测相结合的方法。该方法对高速动车组关键部件轴承开展状态在线监测,采集动车组齿轮箱轴承、牵引电机驱动端轴承等8类关键位置累计约30000公里样本数据,分析不同温度条件、不同运行状态各区间的轴承温度变化规律,研究轴承温度与时间、行驶特征的相关性,通过多隐藏层神经网络预测方法预判部件健康状况。实验结果表明,与常见方法相比,轴承温度预测精度提升显着,MAPE均在3%以内,RMSE在1以内。(2)针对高速动车组关键部件故障样本数据少导致的识别精度问题,提出一种面向非均衡数据的优化在线序贯极限学习机故障诊断方法。该方法采用K-Means SMOTE方法和基于欧氏距离的欠采样方法重构样本数据集,并利用非均衡数据分类评价函数作为适应度函数,全局寻优故障诊断模型参数,构建故障诊断模型。同时,准确分类的数据作为序贯样本持续更新诊断模型。以实际运营的动车组轴箱轴承数据为样本进行验证,结果表明,与已有方法相比,G-mean值提高了6.9%以上,F1-measure值提高了9%以上。(3)针对高速动车组高级修计划中的运行里程难以预测的问题,提出一种基于经验模态分解与优化深度学习的里程预测算法。该方法采用经验模态分解方法将里程时间序列分解为高低频时间序列,通过构建优化深度置信网络预测模型计算里程预测结果,实现对高级修时间窗的预测。以动车组3年的运行数据为样本,分析样本周期对预测结果的影响,确定里程预测模型的样本周期,实验结果表明,所提方法相对于传统预测方法,MSE降低23.9%以上,MAE降低22%以上,RMSE降低12.7%以上,可作为编制动车组高级修计划的有效依据。(4)针对检修需求非均衡导致的检修资源空置和挤兑、动车组利用率低等问题,提出一种基于粒子群算法的高级修计划优化方法。该方法综合分析动车组高级修计划的影响因素,建立基于损失里程、检修能力和节假日检修天数的高级修计划评价指标,并将评价指标作为粒子群算法适应度函数,构建高级修计划优化模型,全局寻优检修计划方案。实验结果表明,所提方法与传统高级修计划编制方法相比,评价指标降低35.9%,编制耗时大幅减少。本文从关键部件安全保障和能力保持两个方面展开研究,构建智能检修模型,通过动车组实际运营数据和真实业务场景,验证了所提方法的有效性。本文包含图70幅,表35个,参考文献153篇。
刘海,彭长根,吴振强,田有亮,田丰[3](2021)在《基因组数据隐私保护理论与方法综述》文中研究表明基因组数据已广泛应用于科学研究、医疗服务、法律与取证和直接面向消费者服务.基因组数据不但可以唯一标识个体,而且与遗传、健康、表型和血缘关系密切关联.此外,基因组数据具有不随时间而变化的稳定性.因此,基因组数据管理不当和滥用将会带来人类所担心的隐私泄露问题.针对此问题,除了相关法律法规的监管以外,隐私保护技术也被用于实现基因组数据的隐私保护.为此,本论文对基因组数据的隐私保护理论与方法进行综述研究.首先,本论文根据基因组测序到应用归纳基因组数据的生态系统,并依据基因组数据特点分析其存在的隐私泄露问题.其次,分类总结和对比分析基因组数据存在的隐私威胁,并陈述重识别风险与共享基因组数据的价值之间的均衡模型.再次,分类概述和对比分析量化基因组数据隐私和效用的度量.然后,分析基因组数据生态系统中测序与存储、共享与聚集及应用的隐私泄露威胁.同时,分类介绍和对比分析用于基因组数据的隐私保护方法.针对基因组数据生态系统中存在的隐私泄露问题,根据所使用的隐私保护方法,分类概括和对比分析目前基因组数据隐私保护的研究成果.最后,通过对比分析已有的基因组数据隐私保护方法,对基因组数据生态系统中基因隐私保护的未来研究挑战进行展望.该工作为解决基因组数据的隐私泄露问题提供基础,进而推动基因组数据隐私保护的研究.
吴萍[4](2021)在《基于数字图像载体的信息隐藏技术应用研究》文中指出近年来,信息在传递、存储过程中的安全性变得极为重要。起初,研究者提出用加密技术对秘密信息进行保护,针对加密后凌乱无序的密文容易引起攻击者的注意这一问题,研究者提出用信息隐藏技术来保护秘密信息的安全。信息隐藏技术主要分为嵌入秘密信息和提取秘密信息两个阶段,根据嵌入率和峰值信噪比衡量两个阶段的算法效果。本文通过对现有的SMSD图像信息隐藏算法进行研究,并在其基础上进行改进,在保证载体图像质量良好的前提下,提高信息隐藏的嵌入容量。主要研究内容如下:(1)本文总结了信息隐藏技术的基本概念,概括了其主要模型、特点以及用途。同时,对现有的图像信息隐藏算法的嵌入阶段和提取阶段进行深入的了解和整合,分析了这些算法的优缺点,并以这些不足之处为切入点进行优化改进,为本文提出的算法做好相关准备工作。(2)为了提高信息隐藏的嵌入容量,本文在SMSD图像信息隐藏算法的基础上提出了一种改进算法,来提高单位像素内能够隐藏数据的容量。在一组含有n个像素的载体图像中,SMSD信息隐藏算法能够嵌入的数据量为Tn,其中所有数据均可用SMSD表示法生成。本文通过修改SMSD表示法,得到一种增强的SMSD表示法EMSD。在载体像素n一定的情况下,通过找到Mn(Mn>Tn)个连续整数都能用EMSD表示法生成,从而提高信息隐藏的嵌入容量。最后,采用数学归纳法和实验对提出的改进算法进行了证明,结果显示,相比于SMSD算法,在保证隐写图像和载体图像无明显差异的前提下,改进算法进一步提高了信息隐藏的嵌入容量。(3)针对现有的分段信息隐藏算法,本文在SMSD信息隐藏算法和改进的算法上运用分段思想,提出了一种分段信息隐藏算法。将n像素的载体图像分为两个子像素组,并将秘密信息用两个整数代替,分别嵌入到两个子像素组中。实验结果表明分段思想进一步提高了嵌入容量,并且在改进的SMSD信息隐藏算法上使用分段思想的嵌入容量更高。
刘甜梦[5](2021)在《基于深度对抗网络的数字图像隐写方法研究》文中提出隐写作为信息隐藏领域一个重要的研究方向,是网络化时代信息隐蔽通信的重要手段。传统的数字图像隐写方法人工设计隐藏位置和隐藏策略,同时隐藏容量普遍较低。近年来,随着人工智能技术的发展,研究人员尝试利用深度学习进行自动化信息隐藏方法的设计,但现有方法仍然在不可感知性、隐藏容量和鲁棒性等方面存在不足。针对此问题,本文利用生成对抗网络(Generatative Adversarial Networks,GAN),结合自编码器(Autoencoder,AE)、注意力机制(Attention Mechanism)以及隐写分析等理论与方法,设计了鲁棒而安全的图像隐写方案。本文的主要工作如下:(1)首先阐述了通用的图像隐写流程,对隐写的信息嵌入和提取过程分别进行了建模,然后分析和总结了现有的数字图像隐写方法存在的问题,例如在图像视觉质量和隐写容量之间达成均衡性的问题,载密图像遭受不同攻击(裁剪、缩放、像素丢失和JPEG压缩等)时重构秘密信息的鲁棒性等问题。(2)针对现有数字图像隐写方法嵌入容量与不可感知性难以取得平衡的问题,提出了一种基于自编码器和生成对抗网络的数字图像隐写模型。通过预训练自编码器将实际秘密图像转换到潜在特征空间,所嵌信息是真实秘密图像的样本特征信息,有助于实现高嵌入的隐写模型。利用一种经过优化的生成对抗网络将秘密图像嵌入到载体图像中,得到较高感知质量的载密图像,同时设计了包含对抗性训练的提取模型从载密图像中重建秘密图像,保证提取的秘密图像的视觉质量。为了更符合人类视觉系统,本文设计了一种结合L1、L2、MSE和SSIM的混合损失函数,并利用基于VGG-19的感知损失,提高了载密图像和提取图像的真实性。实验结果表明,本模型在LFW、PASCAL-VOC 2012和COCO等公开数据集上的不可感知性和嵌入容量方面表现良好,实现了 44.17db的嵌入效率和39.11db的提取效率,保证了载密图像和提取的秘密图像的真实性。此外,与目前基于载体合成的图像隐写算法相比,本方法不需要创建载体图像库,得到的载密图像更加接近真实的自然图像,且实现了较高的隐写容量。(3)针对现有利用深度学习将秘密数据与载体图像进行融合的隐写方法鲁棒性弱的问题,提出了一种结合注意力机制和对抗学习思想的高鲁棒性数字图像隐写方法。通过注意力机制学习载体图像每个像素数据的概率分布选择嵌入的比特量,将低强度和高强度的消息分别嵌入到图像视觉显着区和视觉不显着区,有助于增强模型的鲁棒性,以抵抗各种图像失真。同时加入了判别器网络和噪声层,将裁剪、缩放、像素丢失和JPEG压缩等噪声引入到编解码架构中,使模型在遭受各种攻击情况下仍能对秘密信息进行鲁棒重构,且模型更容易训练。实验结果表明,在保证载密图像质量的前提下,本算法有更强的鲁棒性,载密图像在裁剪、缩放和像素丢失等多种攻击下仍能以较高的准确率提取出秘密信息,特别是针对缩放和像素丢失攻击下的平均误码率可达0.008。
谭杰[6](2019)在《无线通信物理层信息隐藏的检测算法研究》文中研究表明随着人们对通信安全越来越重视,信息隐藏技术也开始受到研究者的关注。信息隐藏技术是将隐秘信息嵌入到正常通信载体中且不被攻击者发觉的一种隐秘通信技术。而信息隐藏检测技术是信息隐藏的逆过程,用于检测隐秘信息存在的概率。本学位论文主要研究物理层信息隐藏方案的检测算法,应用价值主要有两个:可以用来对信息隐藏方案的安全级别进行评估;可以用于检测不法者利用信息隐藏技术进行非法信息传输的概率。目前信息隐藏技术和信息隐藏检测技术的研究,大多集中在数字媒体等上层领域中。物理层由于信道衰落和接收机噪声,为观测信号引入了随机性,所以要比上层的信息隐藏方案更加难以检测。现有用于检测基于物理层信息隐藏的方法主要有两类:启发式检测和基于机器学习的检测。但存在以下缺陷:基于启发式的检测方法缺乏完整的理论分析框架,无法给出定量的理论分析;基于机器学习方法的检测方法是在某特定环境训练出来的检测模型,无法直接适用其他环境,缺乏鲁棒性。本学位论文研究物理层信息隐藏方法中两种嵌入策略的检测算法,两种嵌入策略包括:替换法和叠加法。本学位论文首先研究替换法,假设秘密通信双方共享密钥,通过密钥约定隐秘信号的嵌入位置。如果载体信号与隐秘信号对应的比特信息不同时,秘密发送方直接用隐秘信息的比特信息替换掉载体信号的比特信息。物理层信息隐藏方法在嵌入隐秘信号后,难免会增加对载体信号的正常接收产生的负面影响,比如接收解调误码率增加。但是可行的物理层信息隐藏方法不能增加解码误码率,否则上层协议将发现异常,暴露隐秘信号的存在。我们假设监视方不知道密钥,也不知道秘密发送方是否有嵌入隐秘信号,但是可以探测出正常载体信号的通信参数。利用物理层信息隐藏方法不破坏解码性能的条件,我们对均衡器输出的信号通过解调、解码、重新编码、重新调制恢复出完整的载体信号。比较恢复后的载体信号和接收信号,通过匹配法得到针对替换法的最优检测算法。但最优检测算法在执行时,面临两个挑战:准确估计接收机噪声方差和信道状态信息(channel state information,CSI)。针对接收机噪声方差估计,我们利用噪声和替换操作对载体信号的影响不同,设计了分组估计法可以低复杂性的估算接收机噪声方差。针对CSI估计,我们设计了两种检测算法:基于噪声分组检测算法;基于星座点距离检测算法。两种检测算法都允许有CSI估计误差存在。通过实验发现:基于噪声分组检测算法有更好的检测性能,但是基于星座点距离检测算法还可以实现对隐秘信号替换位置的定位。由于叠加法会将隐秘信号伪装成噪声的分布特性,所以比替换法具有更高的检测难度。本学位论文通过机器学习方法来设计叠加法的检测算法,即支撑向量机(support vector machine,SVM)检测算法。机器学习方法的关键是设计模型训练所需的特征序列。本学位论文构建两种特征序列:基于均衡器输出信号和基于匹配法输出信号。通过模型训练得到分类器,对叠加法所产生的信号进行检测。通过实验发现:基于匹配法输出信号的SVM检测算法具有更好的性能。
杨婉霞[7](2019)在《网络语音流中的隐信道实时检测关键问题研究》文中进行了进一步梳理计算能力的飞速发展对传统的以密码和编码学为基础的信息安全技术提出了巨大挑战—如何在隐藏机密信息内容的同时,还能隐藏机密信息传输的行为?为此,基于信息隐藏技术的网络隐蔽通信技术应用而生。根据目前公开报道的研究成果,以网络语音流媒体为载体的网络隐蔽通信技术研究受到学术界的高度重视,已经在金融、商业、国防和国家安全等国计民生领域得到广泛应用。然而,网络隐蔽通信技术是一把“双刃剑”,在给社会稳定和国家安全带来保障的同时,也会被非法分子利用来盗取信息或进行违法犯罪活动。因此,如何及时和准确地检测网络隐蔽通信行为成为信息安全领域的前沿课题。网络隐信道的研究主要包括模型的建立,隐信道的构建及检测。隐信道的普适模型已成功建立,因此,基于该模型的各载体的隐信道构建方法层出不穷。由于隐信道的检测方法总是在构建之后,相比网络隐信道的构建研究而言,流媒体隐信道实时检测还存在理论模型缺乏等问题,诸多关键技术有待进一步突破。基于研究背景和现状分析,论文以提高网络语音流媒体中的隐信道检测的实时性和准确性为目标,主要从网络隐蔽通信的实时检测模型、实时传输协议(RTP)隐写分析算法和网络语音VoIP流中的压缩语音隐写分析算法等3个方面开展研究。论文创新研究内容和贡献点如下:(1)建立了一种网络语音流媒体隐信道的实时检测模型。与以图像或音视频为代表的静态存储型多媒体文件为载体的隐写检测结构和体系完全不同,网络语音流媒体载体具有多维度结构以及实时性等特点,所以不能将已有的基于静态载体的隐写检测理论模型直接应用于流媒体。为解决该问题,论文创建了一种网络语音流媒体隐信道的多维隐写空间下的实时检测模型。该模型不仅能支持网络流媒体的实时采集、分析和检测,还能解决异构隐写分析算法的集成问题,填补了网络流媒体隐蔽信道的实时检测模型的空白。(2)提出了2种不同特征的网络语音流协议域的隐写分析方法。RTP/RTCP作为VoIP流媒体的主要传输协议之一,由于其头部冗余充足,为隐信道构建创造了良好条件。因此,论文通过分析RTP协议的时间戳最低有效位的不敏感性的存储型隐写算法,提出了一种基于模型拟合曲线面积差异度聚类的检测方法。实验结果表明,该算法的检测精准率达到100%。同时,针对基于发包数量的RTP/RTCP时分型隐写算法,提出了一种基于发包数量的直方图相似度匹配检测方法,实验结果表明在虚警率为10%时,检测准确率超过65%。(3)提出了2种不同语音编码的网络语音流高效隐写分析方法。网络语音流媒体多维结构中的负载域是隐信道构建的主要空间之一,另外,由于网络语音有多种编码形式,且不同编码形式有不同的隐写算法。针对网络语音流媒体载体检测算法中多项悬而未决的难点问题,如PCM语音编码中低嵌入率LSB的隐写检测问题,论文结合小波变换和导数等信号处理技术,将传统的Markov模型拓展为具有更确切表达相关性的Markov双向转移概率模型,实现了在嵌入率仅为3%时,准确率达到68.5%的检测准确率。而对低速率语音编码的高隐蔽性QIM-CNV隐写检测问题,采用QIM隐写会改变码字分布的特点,并充分考虑了码字序列各个元素之间的时序信息及相关性特性,设计了具有时间记忆、可抗梯度消失,并能表达“过去”和“未来”信息的BiLSTM模型,结合滑窗算法,实现了在时长为3秒,嵌入率为50%时准确率达96.9%地准确快速检测。论文开展的研究内容的3个方面是相互关联,互为支撑,围绕着解决网络流媒体隐信道检测的核心技术问题,构成了有机研究整体,体现研究的系统性。其中,模型是检测算法集成的理论基础,而检测算法是模型应用价值的实现与验证。
唐涵[8](2019)在《基于文本情感特征的信息隐藏及其分析》文中研究表明信息隐藏作为信息安全研究领域的一个重要分支,主要研究在视频、图像、音频和文本等载体中隐藏秘密信息,达到隐秘通信的目的。与其他类型的载体相比,文本具有直观处理,数据量大等优点,但同时由于文本冗余度低导致难以在文本中隐藏更多信息。目前,国内外研究较多的是基于语义的文本信息隐藏,基于语义的文本信息隐藏方法是一种通过变换字词本身而不改变语义的隐藏方法,其中以同义词替换的方法目前取得成果较多。传统的基于同义词替换方法依赖同义词词典,目前使用最多的同义词词典是《同义词林》。但是随着语言环境的改变,《同义词林》中很多词语已经不能很好的适应当前研究环境。随着互联网用户原创内容的快速发展(UGC),大量的网络新词被发明,基于网络新词语的扩展也逐渐发展成为一个研究热点。基于同义词替换信息隐藏主要思想是寻找出载体文本存在于词典中的同义词,根据需要嵌入的比特信息对载体文本的词语做修改,达到嵌入秘密信息的目的。但嵌入的信息越多对载体操纵和编码次数就越频繁,会导致嵌入率较低,同时容易被统计隐写分析工具检测到。基于上述问题,本文提出了一种动态扩展情感词典的方法,采用特定规则识别语料中的情感词,通过词语向量工具word2vec学习出语料库中的词语上下文语义关系,采用余弦相似度算法将最相似的两个情感词组合成情感词对。最后将情感词对与矩阵编码算法相结合,通过计算出最小修改单元从而减少对载体的改写,增加了文本隐藏的嵌入率。本文采用文本困惑度作为隐写算法的评价指标,同时将支持向量机对隐写文本的检测结果作为算法性能指标。通过实验分析表明:扩展后的情感词典与矩阵编码相结合,能够提高隐写算法的嵌入效率,可以降低被统计分析工具检测到的可能性,从而提高秘密信息的安全性。
王科人[9](2014)在《视频隐藏分析关键技术研究》文中研究指明作为大容量信息隐秘通信的有效手段,视频信息隐藏技术引起人们的关注。为了有效检测以视频为载体的有害隐秘通信行为,视频隐藏分析具有重要的研究价值和应用前景。本文研究以数字视频为载体的隐藏分析技术,针对多种作用域的隐藏算法提出了相应的检测算法,.并将领域适应与通用隐藏检测相结合,分析其在解决载体分布失配问题上的适用性。本文主要工作与创新包括以下6个方面:1、在压缩视频空域隐藏分析方面,提出将时域相关性和空域相关性相结合的SPEAM统计特征,用于检测压缩视频的空域扩频隐藏。在非压缩视频的隐藏检测性能方面,该特征与只考虑空域相关性的图像隐藏分析特征相当,且优于现有视频隐藏分析特征;但在压缩视频的检测性能方面,该特征优于已有的视频隐藏分析特征和图像隐藏分析特征,且具有较低的运算复杂度。2、在压缩域运动矢量隐藏分析方面,针对现有运动矢量隐藏检测方法或者检测性能差且无法适应多种视频编码格式,或者因重压缩参数与原始编码参数不同而失效的缺点,提出基于运动矢量局部最优假设的AoSO特征。该特征在检测性能上明显优于现有的两类特征,且适用范围较广,在多种复杂视频编码条件下均表现出较好的检测性能。3、在H.264帧内预测模式隐藏分析方面,结合H264视频压缩编码标准,提出以SATD作为编码代价的帧内预测模式校准机制及其相应的CIPM隐藏检测特征。该特征在隐藏检测性能上明显优于现有特征,且计算复杂度比较低。4、在改善载体分布失配条件下的隐藏分析算法性能方面,针对其中的隐藏算法失配问题,对领域适应中的特征迁移算法——TCA算法开展研究,并将TCA算法用于解决隐藏算法失配条件下的运动矢量隐藏检测问题。最后通过实验验证其可能带来失配条件下隐藏检测性能的提升,并结合实验中遇到的问题,对TCA等领域适应算法的适用性进行了探讨,并指出领域适应算法在隐藏检测应用中的局限性。5、在视频空域隐藏软件MSU StegoVideo的隐藏分析方面,.针对现有隐藏分析方法仅考虑隐藏信息的检测且检测性能不理想的问题,对MSU StegoVideo隐藏的三个指纹特征进行了分析,包括特殊的颜色空间转换公式、棋盘状掩膜图案以及嵌入强度控制机制,提出基于MSU StegoVideo指纹的非压缩视频隐藏检测与隐藏参数估计方法——MP算法。该算法在检测性能上远优于已有算法,且可对隐藏参数"noise level"以及隐藏信息序列进行初步的估计。6、在格式隐藏软件OpenPuff的隐藏分析方面,针对该软件支持的MPEG、VOB、 FLV、MP4、3GP等格式视频,结合相应的视频容器标准,通过分析隐藏操作引入的文件差异,提出相应的隐藏分析方法,能够实现高精度的盲检测与部分隐藏信息的提取。
孟朋[10](2012)在《自然语言信息隐藏与检测研究》文中进行了进一步梳理信息隐藏是一门古老的技术,也是一门年轻的学科。早在古希腊战争中,就已经使用信息隐藏进行通信。我国古代也有很多信息隐藏通信的记载,如藏头诗、藏尾诗等。然而,直到计算机网络发展起来以后,信息隐藏才真正被重视而获得广泛的研究。计算机网络的发展应用,在极大便利了人们获取和分发信息的同时,也带来新的挑战。如何保护互联网内容版权?如何检测互联网内容是否被篡改?如何安全的在互联网传输信息?如何防止恐怖分子利用互联网传输秘密信息?一系列问题的提出,使得人们重新思考和研究信息隐藏技术。通过信息隐藏技术,在互联网内容中嵌入作者版权等信息,可以有效解决版权保护问题。通过信息隐藏技术,在互联网内容中嵌入控制信息,可以有效检测互联网内容是否被篡改。通过信息隐藏技术,将秘密信息嵌入互联网载体之中,可以使得传输信息更安全。通过信息隐藏检测技术,可以有效防止恐怖分子或敌对分子等进行秘密通信。信息隐藏技术与信息隐藏检测技术之间的关系,如同加密和解密之间的关系,是一种对立统一,既互相竞争又互相促进的关系。信息隐藏技术的发展,必然导致信息隐藏检测技术的研究;信息隐藏检测技术的进步,也必然促使更安全的信息隐藏技术的设计。信息隐藏技术有多种分类方式,其中按照载体类型,可以分为基于图像的信息隐藏技术、基于音频的信息隐藏技术、基于视频的信息隐藏技术和基于文本的信息隐藏技术等。基于文本的信息隐藏包含基于格式的隐藏、基于字体的隐藏、基于行或字符间距的隐藏以及基于自然语言本身的隐藏等。因为文本使用的广泛性,对文本信息隐藏与检测的研究将对国家安全和社会稳定有重大意义。鉴于此,本文对基于自然语言的信息隐藏与检测算法深入研究,设计了多种检测算法。另外,在自然语言信息隐藏检测研究成果的基础上,设计了更安全的自然语言信息隐藏算法。具体研究成果如下:1)设计了一种使用统计语言模型的文本信息隐藏检测算法,该检测算法可以对不同的文本信息隐藏系统(如NICETEXT、TEXTO和基于马尔可夫链的信息隐藏系统)进行检测。对不同大小的文本进行检测实验表明,本文算法对检测文本大小的要求远远低于以往算法,而且算法的检测精确度比以往算法高约10%。2)基于翻译的信息隐藏(Translation-Based Steganography,简称TBS)是一类较新的具有代表性的信息隐藏算法。在本文研究成果发表之前,尚没有有效的检测方法。本文设计了一种在知道TBS算法所使用的翻译机集合条件下的检测算法,并且对算法的有效性进行了理论分析和实验验证。结果皆表明:算法不仅可以用来分类自然语言文本和含有隐藏信息的文本(或叫隐写文本、载密文本),也可以用来区分不同翻译机的翻译文本。3)设计了一种针对TBS算法的盲检测算法一—STBS。 STBS不需要知道任何TBS的信息,包括翻译机集合、语言对等,仅需根据测试文本中单词以及词组的频率就可以区分正常文本和隐写文本。另外,本文还给出了STBS的性能优化方法以及实验测试结果。本部分内容发表在2010年国际信息隐藏大会(IH2010)上。4)构建了一种新的更安全的TBS算法(Novel Translation Based Steganography, NTBS)。本文不仅通过实验说明NTBS的安全性,并且探索了通过数学建模计算NTBS的安全性。就本文作者所了解,通过数学计算验证文本信息隐藏算法安全性尚属首次。计算结果表明,对于NTBS产生的大小为1000个句子的隐写文本,理论上最大分类准确度小于59%。本部分内容已发表在2011年国际信息隐藏大会(IH2011)上。5)设计了基于哈希的信息嵌入算法(HashHide).使用HashHide,通信双方仅需共享密钥信息,大大减少了通信双方需要共享的信息量,因此增加了系统的安全性。算法嵌入效率比同类算法提高约20%。6)根据中文文本特征,设计了基于字体的信息隐藏算法,给出了三种秘密信息嵌入方法,并对三种嵌入方式的嵌入率和嵌入效率等进行了分析比较。最后对算法的安全性进行了分析,并给出了增强安全性的手段。上述成果1)是一种通用的信息隐藏检测算法,大大提高了目前算法的检测准确率,属于方法创新;成果2)和3)是针对基于机器翻译的信息隐藏算法的检测分析,将统计自然语言处理的部分理论引入到自然语言信息隐藏检测上来,分别给出了知道隐藏系统部分信息和完全不知道任何信息情况下的检测算法,属于应用创新;成果4)设计了一种更安全的信息隐藏算法,并且通过数学计算验证算法的安全性,属于理论创新;成果5)是一种通用的信息嵌入方法,可以广泛应用于文本信息隐藏;成果6)专门针对中文特性设计的信息隐藏算法,算法比较实用且简单。
二、基于模型的信息隐藏检测研究(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于模型的信息隐藏检测研究(论文提纲范文)
(1)文本隐写及隐写分析综述(论文提纲范文)
1 文本隐写算法分类与分析 |
1.1 修改式文本隐写 |
1.1.1 基于文本格式的算法 |
1.1.2 基于文本内容的算法 |
1.2 生成式文本隐写 |
1.2.1 基于马尔可夫模型的算法 |
1.2.2 基于深度学习的算法 |
2 现有文本隐写算法对比 |
3 文本隐写的主要问题及解决办法 |
4 文本隐写分析算法分类与分析 |
5 结语 |
(2)基于PHM技术的高速动车组关键部件智能检修理论与方法研究(论文提纲范文)
致谢 |
摘要 |
ABSTRACT |
主要符号对照表 |
1 绪论 |
1.1 研究背景与意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 国内外研究现状 |
1.2.1 动车组关键部件状态检测和故障诊断研究现状 |
1.2.2 动车组检修计划与检修决策研究现状 |
1.2.3 主要存在的问题 |
1.3 研究内容 |
1.4 组织结构 |
2 高速动车组关键部件检修业务与PHM技术分析 |
2.1 高速动车组关键部件检修业务 |
2.1.1 计划修 |
2.1.2 预测性维修 |
2.1.3 关键部件检修业务分析 |
2.2 PHM技术 |
2.2.1 PHM体系结构 |
2.2.2 极限学习机 |
2.2.3 支持向量机 |
2.2.4 神经网络 |
2.2.5 深度学习 |
2.2.6 PHM技术分析 |
2.3 本章小结 |
3 高速动车组轴承温度信息在线监测与预测 |
3.1 问题背景 |
3.2 相关研究 |
3.3 动车组轴承温度在线监测 |
3.4 动车组轴承温度预测模型 |
3.4.1 多隐藏层神经网络 |
3.4.2 轴承温度预测模型 |
3.5 实验与分析 |
3.5.1 数据描述 |
3.5.2 评价指标 |
3.5.3 实验结果分析 |
3.6 本章小结 |
4 基于优化极限学习机的非均衡数据故障诊断 |
4.1 问题背景 |
4.2 相关研究 |
4.3 基于优化极限学习机的非均衡数据故障诊断模型 |
4.3.1 优化的极限学习机 |
4.3.2 非均衡数据处理策略 |
4.3.3 优化的故障诊断模型 |
4.4 实验与分析 |
4.4.1 数据描述 |
4.4.2 评价指标 |
4.4.3 实验结果分析 |
4.5 本章小结 |
5 基于优化深度学习的动车组高级修计划预测 |
5.1 问题背景 |
5.2 相关研究 |
5.3 高级修计划时间模型及里程预测分析 |
5.3.1 高级修计划时间模型 |
5.3.2 里程预测分析 |
5.4 基于EMD与优化深度学习的动车组里程预测模型 |
5.4.1 经验模态分解 |
5.4.2 优化的深度学习预测模型 |
5.4.3 动车组里程预测模型 |
5.5 实验与分析 |
5.5.1 数据描述 |
5.5.2 评价指标 |
5.5.3 时序数据分解 |
5.5.4 实验结果分析 |
5.6 本章小结 |
6 基于粒子群算法的动车组高级修计划优化 |
6.1 问题背景 |
6.2 相关研究 |
6.3 高级修计划模型 |
6.3.1 模型设计难点 |
6.3.2 模型设计思路 |
6.3.3 数学模型 |
6.4 基于粒子群算法的高级修计划模型优化 |
6.4.1 粒子群算法 |
6.4.2 基于粒子群算法的高级修计划模型 |
6.5 实验与分析 |
6.5.1 数据描述 |
6.5.2 实验结果分析 |
6.6 本章小结 |
7 结论与展望 |
7.1 主要结论 |
7.2 主要创新点 |
7.3 工作展望 |
参考文献 |
作者简历及攻读博士学位期间取得的研究成果 |
学位论文数据集 |
(3)基因组数据隐私保护理论与方法综述(论文提纲范文)
1 引言 |
2 基因组数据隐私威胁 |
2.1 个体识别 |
2.2 链接攻击 |
2.3 基因型推断 |
2.4 贝叶斯推断 |
2.5 重识别风险博弈 |
3 基因组数据隐私与效用度量 |
3.1 基因组数据隐私度量 |
3.2 基因组数据效用度量 |
4 基因组数据隐私保护 |
4.1 基因组数据隐私泄露威胁 |
4.2 基于密码学的基因组数据隐私保护 |
4.2.1 基于对称和非对称加密的基因隐私保护 |
4.2.2 基于安全多方计算的基因隐私保护 |
4.2.3 基于同态加密的基因隐私保护 |
4.2.4 基于模糊加密的基因隐私保护 |
4.2.5 基于蜂蜜加密的基因隐私保护 |
4.2.6 基于SGX的基因隐私保护 |
4.2.7 基因隐私保护的密码学方法比较与分析 |
4.3 基于匿名的基因组数据隐私保护 |
4.4 基于差分隐私的基因组数据隐私保护 |
4.5 基于混合方法的基因组数据隐私保护 |
5 基因隐私保护方法分析与展望 |
6 总结 |
(4)基于数字图像载体的信息隐藏技术应用研究(论文提纲范文)
摘要 |
ABSTRACT |
1 绪论 |
1.1 研究背景和研究意义 |
1.2 图像信息隐藏的研究现状 |
1.3 本文的主要研究内容 |
1.4 本文章节安排 |
2 相关理论概述 |
2.1 信息隐藏概述 |
2.1.1 信息隐藏的分类 |
2.1.2 信息隐藏的基本模型 |
2.1.3 信息隐藏的特点及应用 |
2.2 数字图像信息隐藏技术 |
2.2.1 数字图像信息隐藏模型 |
2.2.2 数字图像信息隐藏特征 |
2.2.3 性能评价指标 |
2.3 本章小结 |
3 改进的SMSD(EMSD)图像信息隐藏算法 |
3.1 基于像素分组的图像信息隐藏算法 |
3.1.1 EMD信息隐藏算法 |
3.1.2 GEMD信息隐藏算法 |
3.1.3 SMSD信息隐藏算法 |
3.2 EMSD图像信息隐藏算法 |
3.2.1 研究动机 |
3.2.2 算法介绍 |
3.2.3 案例论证 |
3.3 正确性分析 |
3.4 安全性分析 |
3.5 实验结果及其分析 |
3.6 本章小结 |
4 分段图像信息隐藏算法改进 |
4.1 研究动机 |
4.2 分段EMSD图像信息隐藏算法 |
4.2.1 算法介绍 |
4.2.2 案例论证 |
4.3 正确性分析 |
4.4 实验结果及其分析 |
4.5 本章小结 |
5 总结与展望 |
5.1 本文总结 |
5.2 工作展望 |
致谢 |
参考文献 |
攻读硕士学位期间主要研究成果 |
(5)基于深度对抗网络的数字图像隐写方法研究(论文提纲范文)
摘要 |
abstract |
1 绪论 |
1.1 研究背景与意义 |
1.2 国内外研究进展 |
1.2.1 传统隐写算法 |
1.2.2 基于深度学习的图像隐写算法 |
1.3 主要研究内容和论文结构安排 |
1.4 本章小结 |
2 相关理论基础 |
2.1 图像隐写术的基本原理与框架 |
2.2 图像隐写分析 |
2.3 隐写算法的评价准则 |
2.3.1 隐写性能指标 |
2.3.2 评估指标 |
2.4 深度学习相关理论 |
2.4.1 生成对抗网络 |
2.4.2 自编码器 |
2.4.3 VGG-19模型 |
2.4.4 注意力机制 |
2.5 本章小结 |
3 基于自编码器和生成对抗网络的图像隐写算法 |
3.1 设计思路 |
3.2 算法框架设计 |
3.2.1 算法流程 |
3.2.2 网络模型结构 |
3.2.3 训练过程 |
3.2.4 损失函数设计 |
3.3 实验结果与分析 |
3.3.1 实验设置 |
3.3.2 不可感知性分析 |
3.3.3 提取图像质量分析 |
3.3.4 隐写容量分析 |
3.4 本章小结 |
4 基于注意力机制和对抗学习的图像隐写算法 |
4.1 设计思路 |
4.2 算法流程 |
4.3 网络模型设计 |
4.3.1 生成模型 |
4.3.2 提取模型 |
4.3.3 判别模型 |
4.3.4 噪声层 |
4.3.5 损失函数与训练过程 |
4.4 实验结果与分析 |
4.4.1 实验设置 |
4.4.2 鲁棒性分析 |
4.4.3 载密图像质量分析 |
4.5 本章小结 |
5 总结与展望 |
5.1 工作总结 |
5.2 本文的主要贡献 |
5.3 未来研究展望 |
致谢 |
参考文献 |
攻读学位期间主要研究成果 |
(6)无线通信物理层信息隐藏的检测算法研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 课题研究背景及意义 |
1.1.1 动机 |
1.1.2 系统模型 |
1.1.3 现有方案的限制 |
1.1.4 提议的方案 |
1.1.5 技术挑战以及我们的解决方案 |
1.2 研究现状简介 |
1.3 论文的主要贡献 |
1.4 符号定义 |
1.5 全文的结构安排 |
第2章 物理层信息隐藏技术和检测技术的研究现状 |
2.1 信息隐藏技术 |
2.2 物理层信息隐藏技术 |
2.3 物理层信息隐藏检测技术 |
2.4 本章小结 |
第3章 物理层信息隐藏检测算法 |
3.1 物理层信息隐藏方案的系统模型 |
3.2 对物理层信息隐藏方案的使用的检测 |
3.2.1 算法描述 |
3.2.2 算法性能分析 |
3.2.3 新的接收机噪声方差估算方法 |
3.2.4 算法的数字结果 |
3.3 两种基于物理层的信息隐藏检测算法 |
3.3.1 基于噪声分组的检测算法 |
3.3.2 基于星座点距离的检测算法 |
3.4 各种检测算法的性能比较 |
3.5 基于星座点距离的检测算法的定位结果 |
3.5.1 定位嵌入位置的性能指标 |
3.5.2 基于星座点距离的检测算法的定位结果 |
3.6 本章小结 |
第4章 基于机器学习方法对物理层叠加法信息隐藏方案的检测 |
4.1 物理层叠加法信息隐藏方案 |
4.2 机器学习方法 |
4.3 性能比较 |
4.4 本章小结 |
第5章 全文总结与展望 |
5.1 总结 |
5.2 展望 |
参考文献 |
致谢 |
攻读硕士学位期间的研究成果 |
(7)网络语音流中的隐信道实时检测关键问题研究(论文提纲范文)
作者简历 |
摘要 |
abstract |
第一章 绪论 |
1.1 研究意义和背景 |
1.2 网络语音流隐信道构建技术的研究现状与分析 |
1.3 网络语音流隐信道的检测技术研究现状与挑战问题 |
1.3.1 网络语音流隐信道的检测技术研究现状 |
1.3.2 网络语音流隐信道检测的挑战问题 |
1.4 主要工作及论文组织结构 |
第二章 相关技术分析 |
2.1 网络语音流常用的语音编码 |
2.1.1 线性预测编码 |
2.1.2 合成分析法 |
2.2 隐写分析基础理论与技术 |
2.2.1 马尔科夫链 |
2.2.2 支持向量机 |
2.2.3 深度学习 |
2.2.4 多项式拟合 |
2.3 本章小结 |
第三章 网络语音流中的隐信道实时检测模型 |
3.1 网络语音流隐信道实时检测模型 |
3.2 网络语音流分组的实时捕获方法 |
3.2.1 实时捕获原则 |
3.2.2 捕获方式分析 |
3.2.3 快速捕获算法 |
3.3 网络语音流实时识别和流归并方法 |
3.3.1 网络语音流识别方法分析 |
3.3.2 网络语音流准确识别算法 |
3.3.3 流归并方法 |
3.3.4 语音流的解析 |
3.4 网络语音流媒体多维隐写检测空间 |
3.4.1 多维载体空间隐写检测结构 |
3.4.2 异子空间的隐写检测算法同步运行 |
3.4.3 同一子空间采用多特征融合以提高检测准确率 |
3.4.4 网络语音流隐信道检测模型特点 |
3.5 本章小结 |
第四章 网络语音流协议域的隐写分析方法 |
4.1 RTP/RTCP协议的隐写特征分析 |
4.2 面向RTP协议的时戳域隐写分析算法 |
4.2.1 模型拟合 |
4.2.2 聚类特征的选择和提取 |
4.2.3 聚类算法实现 |
4.2.4 实验结果与分析 |
4.3 面向RTP/RTCP的时分型隐写分析算法 |
4.3.1 基于RTP/RTCP包的时序隐写方法 |
4.3.2 基于RTP/RTCP包直方图相似度匹配方法 |
4.3.3 实验过程与结果分析 |
4.4 本章小结 |
第五章 网络语音流负载域的隐写分析方法 |
5.1 VoIP常见语音编码的隐写特征分析 |
5.1.1 语音编码方式 |
5.1.2 语音编码的LSB隐写特点 |
5.1.3 语音编码的QIM隐写特点 |
5.2 PCM语音编码低嵌入率的隐写分析方法 |
5.2.1 基于直方图频域矩的LSB低嵌入率语音隐写检测 |
5.2.2 基于Markov双向转移矩阵的低嵌入率LSB匹配隐写检测 |
5.3 低速率语音编码的QIM隐写分析方法 |
5.3.1 循环神经网络模型设计 |
5.3.2 码本的相关性模型 |
5.3.3 基于BiLSTM的隐写检测及实验结果分析 |
5.4 本章小结 |
第六章 总结与展望 |
6.1 论文的主要工作 |
6.2 未来工作展望 |
致谢 |
参考文献 |
(8)基于文本情感特征的信息隐藏及其分析(论文提纲范文)
摘要 |
abstract |
第1章 引言 |
1.1 研究背景与意义 |
1.2 文本信息隐藏研究现状 |
1.2.1 基于文本格式的信息隐藏 |
1.2.2 基于文本语法的信息隐藏 |
1.2.3 基于文本语义的信息隐藏 |
1.3 本文主要研究内容 |
1.4 论文组织结构 |
第2章 文本信息隐藏及其分析相关原理 |
2.1 文本信息隐藏编码方法和性能分析 |
2.1.1 普通编码算法 |
2.1.2 矩阵编码算法 |
2.1.3 文本信息隐藏算法性能 |
2.2 词语表示方法 |
2.2.1 独热编码 |
2.2.2 分布式向量表示方法 |
2.3 语言模型 |
2.3.1 统计语言模型 |
2.3.2 N元语法模型 |
2.3.3 神经网络语言模型 |
2.3.4 基于循环神经网络的语言模型 |
2.4 词语向量学习模型 |
2.4.1 神经网络语言模型 |
2.4.2 连续词袋模型 |
2.5 文本信息隐藏检测研究 |
2.5.1 基于支持向量机隐藏文本检测方法 |
2.5.2 基于深度学习检测方法 |
2.6 本章小结 |
第3章 基于文本情感特征的信息隐藏模型及算法 |
3.1 实验设置 |
3.2 情感词典扩展总体思路 |
3.3 语料预处理及语料库的构建 |
3.4 情感词扩展方法及其算法 |
3.4.1 生成种子情感词典 |
3.4.2 识别候选情感词 |
3.5 语料库词语向量模型学习及生成情感词对 |
3.5.1 模型参数 |
3.5.2 生成情感词词对 |
3.6 基于情感词替换的矩阵编码隐写算法 |
3.6.1 嵌入算法 |
3.6.2 提取算法 |
3.7 结果示例 |
3.8 本章小结 |
第4章 实验结果及其分析 |
4.1 情感词扩展及实验结果 |
4.2 文本评价模型对隐写算法对比结果及分析 |
4.2.1 文本困惑度定义 |
4.2.2 算法性能对比结果 |
4.3 分类算法对隐写文本检测结果及分析 |
4.3.1 基于支持向量机的隐写文本检测分析 |
4.3.2 ROC曲线图 |
4.4 隐写算法性能分析 |
4.4.1 载体利用率、嵌入效率指标 |
4.4.2 隐藏容量指标 |
4.5 本章小结 |
第5章 总结与展望 |
参考文献 |
攻读硕士学位期间发表的论文 |
致谢 |
(9)视频隐藏分析关键技术研究(论文提纲范文)
摘要 |
ABSTRACT |
术语列表 |
第一章 引言 |
1.1 研究背景与意义 |
1.2 信息隐藏的研究现状 |
1.3 隐藏分析的研究现状 |
1.4 论文主要工作与结构 |
1.4.1 本文研究思路及内容 |
1.4.2 本文结构安排 |
第二章 视频信息隐藏与隐藏分析技术概述 |
2.1 视频信息隐藏技术概述 |
2.1.1 信息隐藏技术概述 |
2.1.2 视频信息隐藏技术分类 |
2.1.3 视频信息隐藏技术特性 |
2.1.4 视频信息隐藏技术发展现状 |
2.2 视频隐藏分析技术概述 |
2.2.1 隐藏分析技术概述 |
2.2.2 视频隐藏分析技术分类 |
2.2.3 视频隐藏分析技术特性 |
2.2.4 视频隐藏分析技术发展现状 |
2.3 本章小结 |
第三章 针对空域扩频隐藏的压缩视频隐藏分析算法研究 |
3.1 空域扩频隐藏原理与方法 |
3.1.1 扩频隐藏通信系统结构 |
3.1.2 扩频隐藏建模 |
3.1.3 压缩视频空域扩频隐藏 |
3.2 现有空域隐藏分析算法简介 |
3.3 基于相邻残差差值统计特性的隐藏检测特征——SPEAM特征 |
3.3.1 共谋与残差帧的关系分析 |
3.3.2 帧间相关与帧内相关的对比分析 |
3.3.3 SPEAM特征 |
3.4 实验验证 |
3.4.1 实验设置 |
3.4.2 运动搜索范围实验结果 |
3.4.3 非压缩视频空域隐藏检测结果与分析 |
3.4.4 MPEG2视频空域隐藏检测结果与分析 |
3.4.5 H.264视频空域隐藏检测结果与分析 |
3.5 本章小结 |
第四章 针对压缩域的视频隐藏分析算法研究 |
4.1 视频运动矢量隐藏及分析算法研究 |
4.1.1 运动矢量隐藏原理与方法 |
4.1.2 现有运动矢量隐藏分析算法 |
4.1.3 基于运动矢量局部最优假设的视频隐藏检测特征——AoSO特征 |
4.1.4 实验验证 |
4.1.5 小结 |
4.2 H.264帧内预测模式隐藏及分析算法研究 |
4.2.1 H.264帧内预测模式隐藏原理与方法 |
4.2.2 现有H.264帧内预测模式隐藏分析算法 |
4.2.3 基于校准的H.264帧内预测模式隐藏检测特征——CIPM特征 |
4.2.4 实验验证 |
4.2.5 小结 |
4.3 本章小结 |
第五章 用于通用检测的领域适应算法研究 |
5.1 领域适应概述 |
5.1.1 迁移学习概述 |
5.1.2 领域适应概述 |
5.2 特征迁移算法——TCA |
5.2.1 TCA相关理论基础 |
5.2.2 TCA算法 |
5.3 基于TCA的AoSO特征 |
5.3.1 不同MV隐藏算法条件下AoSO特征分布 |
5.3.2 基于TCA的AoSO特征在跨隐藏算法检测中的应用 |
5.4 实验结果与分析 |
5.4.1 实验设置 |
5.4.2 实验结果 |
5.4.3 TCA+AoSO适用性分析 |
5.5 本章小结 |
第六章 针对软件隐藏的视频隐藏分析算法研究 |
6.1 针对MSU STEGOVIDEO软件隐藏的检测与隐藏参数估计算法 |
6.1.1 MSU StegoVideo简介 |
6.1.2 现有针对MSU Stego Video的隐藏分析算法 |
6.1.3 MSU StegoVideo指纹 |
6.1.4 基于MSU Stego Video指纹的隐藏分析算法 |
6.1.5 实验验证 |
6.2 针对OPENPUFF软件隐藏的检测与提取算法 |
6.2.1 OpenPuff简介 |
6.2.2 MPEG、 VOB视频隐藏检测与提取 |
6.2.3 FLV视频隐藏检测与提取 |
6.2.4 MP4、3GP视频隐藏检测与提取 |
6.2.5 实验验证 |
6.3 本章小结 |
第七章 隐藏信息检测系统实验验证 |
7.1 隐藏信息检测系统简介 |
7.2 实验验证 |
7.2.1 实验方法 |
7.2.2 测试数据 |
7.2.3 测试指标 |
7.2.4 隐藏检测结果 |
7.2.5 隐藏信息提取结果 |
7.2.6 小结 |
7.3 本章小结 |
第八章 结束语 |
8.1 全文总结 |
8.2 下一步工作 |
致谢 |
参考文献 |
作者简历 |
(10)自然语言信息隐藏与检测研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 信息隐藏简介 |
1.2 信息隐藏研究现状 |
1.2.1 国内外研究现状 |
1.2.2 信息隐藏技术的分类 |
1.3 文本信息隐藏研究现状 |
1.3.1 基于格式的文本信息隐藏 |
1.3.2 基于语法的自然语言信息隐藏 |
1.3.3 基于语义的自然语言信息隐藏 |
1.3.4 基于自然语言统计特征的信息隐藏 |
1.4 文本信息隐藏检测技术研究进展 |
1.5 本文的主要工作及意义 |
第二章 基础知识介绍 |
2.1 统计自然语言处理基础 |
2.1.1 Zipf法则 |
2.1.2 N元语法模型 |
2.2 信息论基础 |
2.2.1 熵 |
2.2.2 联合熵和条件熵 |
2.2.3 互信息 |
2.2.4 相对熵 |
2.2.5 交叉熵 |
2.2.6 混乱度 |
2.3 统计机器翻译介绍 |
第三章 自然语言信息隐藏盲检测研究 |
3.1 自然语言信息隐藏算法介绍 |
3.1.1 TEXTO算法 |
3.1.2 NICETEXT算法 |
3.1.3 基于马尔可夫链的自然语言信息隐藏算法 |
3.2 自然语言信息隐藏盲检测算法思想 |
3.2.1 N元语法模型与最大似然估计 |
3.2.2 点态熵、文本的熵和混乱度 |
3.3 检测流程 |
3.4. 实验结果 |
3.5 本章小结 |
第四章 基于机器翻译信息隐藏检测算法 |
4.1 基于翻译的信息隐藏算法介绍 |
4.1.1 LiT算法 |
4.1.2 LiJtT算法 |
4.2 概念定义 |
4.3 算法思想 |
4.3.1 正常文本的机器可逆度分布规律 |
4.3.2 正常文本的机器生成度计算 |
4.3.3 隐藏文本的机器生成度计算 |
4.3.4 用机器倾向度检测TBS的有效性分析 |
4.4 实验和TBS安全性改进 |
4.4.1 检测过程和实验结果 |
4.4.2 TBS安全性分析 |
4.5 本章小结 |
第五章 基于机器翻译信息隐藏的高效盲检测算法 |
5.1 基于机器翻译信息隐藏分析 |
5.1.1 正常文本和隐写文本单词频率对比 |
5.1.2 通过精炼文本扩大单词频率对比 |
5.1.3 一对一单词产生方法 |
5.1.4 正常文本和隐写文本的N元组频率差别 |
5.2 特征提取 |
5.3 实验过程和结果分析 |
5.4 本章小结 |
第六章 安全高嵌入率的信息隐藏系统设计 |
6.1 背景介绍 |
6.2 统计机器翻译简介 |
6.3 高效信息嵌入算法 |
6.3.1 HashHide的基本嵌入思想 |
6.3.2 改进HashHide的嵌入率 |
6.3.3 HashHide执行过程 |
6.4 NTBS安全性和嵌入率实验 |
6.4.1 HashHide嵌入率实验 |
6.4.2 HashHide安全性实验 |
6.5 NTBS安全性分析 |
6.6 本章小结 |
第七章 中文字符信息隐藏系统设计 |
7.1 背景介绍 |
7.2 算法描述 |
7.2.1 简单替换的嵌入算法(SSE) |
7.2.2 高效替换的嵌入算法(ESE) |
7.2.3 基于模板的嵌入算法(TBE) |
7.3 嵌入率和安全性分析 |
7.3.1 嵌入率分析 |
7.3.2 安全性分析 |
7.4 本章小结 |
第八章 总结 |
8.1 本文主要工作和创新点 |
8.2 下一步工作展望 |
参考文献 |
致谢 |
攻读学位期间发表的学术论文 |
参加的科研项目与获奖情况 |
四、基于模型的信息隐藏检测研究(论文参考文献)
- [1]文本隐写及隐写分析综述[J]. 康慧娴,易标,吴汉舟. 应用科学学报, 2021
- [2]基于PHM技术的高速动车组关键部件智能检修理论与方法研究[D]. 郝伟. 北京交通大学, 2021
- [3]基因组数据隐私保护理论与方法综述[J]. 刘海,彭长根,吴振强,田有亮,田丰. 计算机学报, 2021(07)
- [4]基于数字图像载体的信息隐藏技术应用研究[D]. 吴萍. 西安理工大学, 2021(01)
- [5]基于深度对抗网络的数字图像隐写方法研究[D]. 刘甜梦. 西安理工大学, 2021(01)
- [6]无线通信物理层信息隐藏的检测算法研究[D]. 谭杰. 深圳大学, 2019(01)
- [7]网络语音流中的隐信道实时检测关键问题研究[D]. 杨婉霞. 中国地质大学, 2019(02)
- [8]基于文本情感特征的信息隐藏及其分析[D]. 唐涵. 广州大学, 2019(01)
- [9]视频隐藏分析关键技术研究[D]. 王科人. 解放军信息工程大学, 2014(07)
- [10]自然语言信息隐藏与检测研究[D]. 孟朋. 中国科学技术大学, 2012(01)