基于混沌和神经网络图像加密研究.docVIP

基于混沌和神经网络图像加密研究 　　摘 要：为保证信息传输过程中图像的安全性和可靠性，文中提出了一种基于混沌和神?网络的图像加密算法。该算法应用改进型Henon映射产生的混沌序列，通过BP神经网络进行训练，得到基于混沌神经网络的非线性序列。利用该隐式的非线性序列，结合图像加密算法，对图像进行加密。经实验测试和安全性分析，该加密算法安全性高，稳定性较好。 　　关键词：混沌；神经网络；改进型Henon映射；序列训练；图像加密 　　中图分类号：TP309.7 文献标识码：A 文章编号：2095-1302（2018）04-00-03 　　0 引 言 　　随着互联网技术的高速发展，人们越来越重视信息安全问题，其中图像作为信息传递的重要载体，对安全性和保密性要求尤其高。传统的加密算法（如DES或者RSA）虽然可以用于图像加密，但效率不高，易被破解，因此寻求一种安全高效的图像加密技术十分必要[1]。分析目前几种常见的图像加密方法，如图像像素空间置乱、灰度值变换、空间位置与灰度值双重变化[2]，这种只通过像素置乱对图像加密的方法易被统计学分析所破解，而图像灰度值变换主要利用密钥产生伪随机序列，因此其核心是生成难以破解的伪随机序列。 　　混沌系统对初值极为敏感，其产生的混沌信号能够生成伪随机序列，可作为保密系统中的密钥流[3]。但由于混沌映射参数和状态模拟精度的限制，在一定程度上，混沌序列表现出局部线性和强相关等缺点，因此单纯利用混沌序列产生的伪随机序列进行加密存在一定的局限性[4]。神经网络[5]是一种高度非线性动力学系统，K.Aihara等人首次将生物神经元的混沌行为概念引入神经网络理论中，并用来预测复杂非线性系统。文献[6]提出了一种基于Hopfield混沌神经网络的图像加密算法，设计了一种基于混沌控制参数的置乱扩散结构；文献[7]针对流密码对明文变化不敏感的缺陷，提出了一种基于细胞神经网络（CNN）的图像加密算法。这些算法启发我们利用神经网络来训练混沌序列（本文选择了改进型Henon混沌映射[8]）。经训练后得到的非线性序列不仅具有更加随机和无序性等特点，还保持了混沌系统的敏感性，增强了抗线性攻击和差分攻击的能力[9]。本文根据此训练结果，结合图像加密算法，设计了一种基于混沌神经网络的图像加密算法，经实验分析得，该算法加解密效果好，密钥敏感性强，抗统计分析能力强，提高了图像信息的安全性。 　　1 混沌映射选择 　　Henon混沌系统的系统方程见式（1）： 　　当b=0.3，a∈[1.07，1.4]时，系统处于混沌状态。但该Henon映射产生混沌的参数区间较小，为了增大混沌参数区间，本设计采用改进型Henon映射[7]产生训练前样本，改进的Henon系统方程见式（2）： 　　当a=3.3，b=0.3时，系统处于混沌状态。图1（a）～（c）分别为改进型Henon映射的参数分岔图和吸引子图，可以得出系统在混沌状态时的具体参数范围。当a=3.3时，系统的混沌范围为b∈[-0.027，0.56]；当b=0.3时，系统的混沌范围在a∈[1.8，2]∪[2.4，2.7]∪[3，3.6]区间。通过Jacobi方法计算可得，该系统的李雅普诺夫指数为L1=1.172 0，L2= -3.061 6。相比较Henon映射的李雅普诺夫指数，改进后的系统李雅普诺夫指数明显提升，映射范围加大，系统的不可预测性更强，可采用该混沌序列作为神经网络的非线性序列训练样本。 　　2 神经网络对混沌序列的训练 　　将x，y的初始值代入式（2），同时，取a=3.3，b=0.3，循环迭代M×N次后，产生非线性混沌序列{x（i）}，{y（i）}，本文取{x（i）}作为神经网络的输入训练样本。采用三层BP神经网络对改进型Henon混沌序列进行训练，即将x （1）， x（2），…， x（N）构成的序列作为神经网络的输入，以产生x（N+1）， x（N+2）， x（N+n）构成的序列，利用训练后的序列进行加密。本文采用的神经网络训练参数设置如下：输入层到隐含层神经元权值设置为1，隐含层到输出层权值设置为wi=0.5，神经网络中阈值设置为0（简化网络结构），激励函数采用Laguerre函数： 　　学习训练过程采用递归法，每次训练只学习一步，再不断加上训练学习出的新序列作为神经网络的输入，得到下一步学习的结果，以此循环，将改进型Henon映射产生的混沌序列隐式化，产生最终的学习训练样本，学习训练的递归流程如图2所示。 　　3 图像加密算法 　　普通灰阶图像对应M行N列的数字矩阵，矩阵中每一点对应 [0，255]之间的一个像素值，本文设计的图像加密算法利用神经网络训练过的非线性混沌序列作为加密密钥，序列随机性和无序性更强，算法具有较高的安全性，加密流程如图3所示。