论文总字数：28739字

目 录

1 绪论 1

1.1 研究背景与意义 1

1.2课题的国内外研究现状 1

1.3 本文的结构与内容 2

2 相关技术介绍 3

2.1 隐写与隐写分析 3

2.1.1 信息隐藏研究介绍 3

2.1.2 基于深度学习的隐写分析研究介绍 4

2.2 生成式对抗网络 7

2.2.1 深度学习的相关结构和算法 8

2.2.2 生成式对抗网络的原理和结构 9

2.3 隐写术与生成式对抗网络的比较 11

3 隐写对抗网络的设计 11

4 隐写对抗网络模型的构建 13

4.1 TensorFlow的介绍 13

4.2 CelebA数据集介绍 13

4.3 网络模型结构 15

4.4 实验环境 15

4.5 训练隐写对抗网络 15

4.6 隐写分析模型的建立与训练 16

5 实验结果与分析 16

5.1 模型的训练过程 16

5.2 模型训练后的结果 17

5.3 抗检测性分析 21

6 全文总结与展望 22

6.1 全文总结 22

6.2 工作展望 22

参考文献 23

致谢 27

基于生成式对抗网络的隐写算法设计与实现

孟若涵

，China

Abstract： The generative adversarial network (GAN) aims to utilize the mutual confrontation between the generative network and the discriminative network to achieve the purpose of generating relatively natural data with high quality. Considering that its adversarial thought is similar to the adversarial thought of steganography and steganalysis, it can be applied to the information hiding field, that is, designing a steganography algorithm to make it against the steganalysis method adaptively. This paper proposes that by adding a structure for hiding information in the generative network and adding a steganalysis network in generative adversarial network. This means that in this method, not only is there an adversarial relationship between the discriminative network and the generative network but also there is a confrontation relationship between the steganalysis network and the generative network, which is in order to achieve the purpose of efficient adaptive steganography. The experimental results show that in this paper, using the proposed network, the obtained stego images can resist the steganalysis detection to a certain extent.

Key words：Generative Adversarial Network；Steganography；CNN；Steganalysis

1 绪论

1.1 研究背景与意义

随着科技的快速发展，计算机网络、多媒体技术和个人移动通信技术已经被大家广泛使用。大量的多媒体信息在网络中更为方便和快捷的被人们传输，方便于大家的通信和交流，但是多媒体信息在给人们生活带来便利的同时，个人隐私被窥探、传播等信息安全问题也逐步引起了人们的高度关注。这几年来，部分信息安全的问题被信息隐藏技术在一定程度上解决了。该方法通过将秘密信息隐藏到含有一定意义的载体媒介（图像、视频、文本、声音等）中，利用载体信息的冗余性，使秘密信息不被发觉，加密后的载体被称为含密载体，将含密载体传输给接收方后，接收方通过一定的方法提取秘密信息。在这个过程中，含密载体与普通载体以肉眼看来是无法区分开的，通过降低人们对含密载体关注从而更加安全和隐蔽的传递秘密信息。

早期，在空间域信息隐藏技术中，最简单和有代表性的方法主要是利用图像的最低有效位（LSB）算法进行信息隐藏。但这些算法鲁棒性不强，给隐写后的图像留下明显的统计特征，从而让攻击者可以根据统计检测方法准确地估计出嵌入长度，其中典型的检测算法有：RS（Regular and Singular Groups）方法[1]， JPEG兼容性分析[2]和SPA （Sample Pair Analysis）方法[3]等。近几年提出的HUGO、SUNIWARD、WOW等内容自适应隐写术可以自动的将秘密信息嵌入到纹理、噪声丰富的图像区域，从而保持复杂的高阶统计特性[4]。

目前，深度学习已经众人皆知了，生成式对抗网络作为深度学习领域的应用也成为一个热门的研究方向。目前，生成式对抗网络已经被广泛的应用于图像与计算机视觉、棋类比赛、信息安全、自然语言处理等方面，具有极大的应用前景。由于隐写与隐写分析的过程可作为一种博弈，所以通过应用GAN使隐写与隐写分析互相对抗，从而生成更加鲁棒的含密载体，使得信息隐藏更为安全。

剩余内容已隐藏，请支付后下载全文，论文总字数：28739字