公开(公告)号：CN115002291B

公开(公告)日：2023-07-25

申请号：CN202210577089.2

申请日：2022-05-25

Applicant: 北京邮电大学

Inventor： 彭海朋 ,  王兰兰 ,  李丽香 ,  暴爽 ,  梁俊英 ,  张卓群 ,  任叶青

IPC: H04N1/32 ,  H04L9/08 ,  H04L9/00

Abstract: 本发明公开了一种基于P张量秘密共享和多个数据隐藏器的信息隐藏方法，通过压缩感知技术处理原始图像以尽可能地减小影子图像的大小，并为信息隐藏者嵌入额外信息提供了便利，且由于压缩感知能够在采样的同时对信号压缩，因此，可实现较高的嵌入率。另外，将P张量积理论应用到矩阵运算当中，使用较小维数的测量矩阵同样可以处理高维信号，避免内存浪费，且P变换的矩阵是随机矩阵，可根据需求灵活地选择，所以经过P张量积运算的结果也更加多样，可以表示的矩阵也更多。在信息隐藏阶段，我们使用多个数据隐藏器进行信息嵌入，避免因单个信息隐藏器遭到损坏而不能恢复原始图像，提高信息隐藏模型的安全性。

公开(公告)号：CN115002291A

公开(公告)日：2022-09-02

申请号：CN202210577089.2

申请日：2022-05-25

Applicant: 北京邮电大学

Inventor： 彭海朋 ,  王兰兰 ,  李丽香 ,  暴爽 ,  梁俊英 ,  张卓群 ,  任叶青

IPC: H04N1/32 ,  H04L9/08 ,  H04L9/00

Abstract: 本发明公开了一种基于P张量秘密共享和多个数据隐藏器的信息隐藏方法，通过压缩感知技术处理原始图像以尽可能地减小影子图像的大小，并为信息隐藏者嵌入额外信息提供了便利，且由于压缩感知能够在采样的同时对信号压缩，因此，可实现较高的嵌入率。另外，将P张量积理论应用到矩阵运算当中，使用较小维数的测量矩阵同样可以处理高维信号，避免内存浪费，且P变换的矩阵是随机矩阵，可根据需求灵活地选择，所以经过P张量积运算的结果也更加多样，可以表示的矩阵也更多。在信息隐藏阶段，我们使用多个数据隐藏器进行信息嵌入，避免因单个信息隐藏器遭到损坏而不能恢复原始图像，提高信息隐藏模型的安全性。

公开(公告)号：CN114944911A

公开(公告)日：2022-08-26

申请号：CN202210570594.4

申请日：2022-05-24

Applicant: 北京邮电大学

Inventor： 彭海朋 ,  梁俊英 ,  李丽香 ,  仝丰华 ,  梁卫波 ,  暴爽 ,  王兰兰 ,  任叶青 ,  赵猛猛

IPC: H04L9/00 ,  H04L9/08 ,  G06F21/62 ,  G06F21/60

Abstract: 本发明公开了一种基于并行压缩感知和秘密共享的图像加密方法，首先利用性能良好的测量矩阵作为密钥对图像进行并行压缩，不仅实现了加密，而且减少了图像的大小，具有更低的存储和计算复杂度。其次对于非方阵图像引入分块Arnold变换加密，使图像显得杂乱无章，从而实现对并行压缩后的图像加密。然后，为了进一步提高系统的可靠性和保密性，防止秘密过于集中，利用(k,n)‑门限秘密共享技术对分块Arnold变换后的秘密图像进行处理，不仅实现了秘密图像的加密，而且分散了风险，容忍了入侵。最后，利用Zigzag混淆对由秘密共享技术生成的影子图像进行处理，干扰元素在影子图像中的位置，实现影子图像加密。

公开(公告)号：CN114282596A

公开(公告)日：2022-04-05

申请号：CN202111409648.0

申请日：2021-11-25

Applicant: 北京邮电大学

Inventor： 彭海朋 ,  赵洁 ,  李丽香 ,  任叶青 ,  赵珊珊 ,  李思睿 ,  暴爽 ,  范琳萱 ,  孟寅

IPC: G06K9/62 ,  G06N3/02

Abstract: 本发明公开了一种基于类明确表示的一分类对抗性诈骗检测方法，采用改进的自编码器和改进的生成对抗网络，包括四个阶段：第一阶段：基于正常行为数据提取初步特征，利用改进后的自编码器提取其数据特征；第二阶段：修改原始生成对抗网络的目标函数得到改进的生成对抗网络，利用改进的生成对抗网络生成伪异常行为数据；第三阶段：将正常用户行为数据和伪异常行为数据输入改进的自编码器中一同训练，用训练完成后的编码器对正常行为数据提取最终特征；第四阶段：用最终提取好的正常行为数据特征对改进的生成对抗网络进行训练，训练完成后得到的判别器作为诈骗检测器对诈骗进行检测。本发明的方法在诈骗检测的准确率和稳定性方面都有显著提高。

公开(公告)号：CN114065193A

公开(公告)日：2022-02-18

申请号：CN202111393890.3

申请日：2021-11-23

Applicant: 北京邮电大学

Inventor： 彭海朋 ,  暴爽 ,  李丽香 ,  张卓群 ,  李思睿 ,  梁俊英 ,  任叶青 ,  王兰兰

IPC: G06F21/55 ,  G06F21/62 ,  G06N3/04 ,  G06N3/08 ,  G06F9/50

Abstract: 本发明公开了一种应用于边缘云环境下图像任务的深度学习安全方法，包括以下步骤：对AMP‑Net+模型进行训练，将AMP‑Net+应用于深度学习安全模型的图像重建过程；训练完成后整个AMP‑Net+通过结构化多重哈希映射对网络模型进行压缩减小后部署到边缘云网络设备中；当第三方用户需要获得边缘云上的数据时，第三方用户发出数据请求，通过用户认证后与边缘云建立通信；而后根据数据请求，通过提前部署的网络模型来恢复获得原始数据。本发明引入结构化多重散列方法对训练好的AMP‑Net+网络模型压缩，同时提出了一个新的用户认证和隐私保护安全协议，深度学习安全模型保证在图像任务中边缘云系统安全性的同时，在不影响图像恢复质量的前提下进一步降低了边缘云网络设备的开销。