基于深度对抗学习的隐蔽通信新方法研究

Covert communication as a new means of secret communication has been widely concerned. However, with the rapid development of detection technology, its security is increasingly challenged. When people design covert communication algorithm, they often make use of the characteristics of the detection side, thereby enhancing its security. However, this off-line, heuristic algorithm designing does not take full advantage of information on the detection side, but also vulnerable to new detection methods. Hence, in this project, we will study the covert communication in the confrontational environment, focusing on the convert communication system based on deep adversarial learning, to solve its security problem. By equipping the modern adaptive steganography algorithm with adversarial learning, its security will be marginally improved. In addition, the study of coverless covert communication with adversarial learning can also rich the way of secret communication and develop its theory. Finally, the Nash equilibrium of the asymmetric information game of covert communication will be studied, and the optimal covert communication algorithm will be designed to meet the important application requirements in the field of information security.

隐蔽通信作为一种新兴的通信保密手段受到广泛关注。然而，随着检测技术的快速发展，其安全性日益受到挑战。正因如此，隐蔽通信算法在设计时，常会分析利用检测方所使用的特征，从而提高其安全性。这种离线的、启发式的设计并未充分利用检测方信息，同时也容易被新的检测方法攻击。本项目中，我们将在对抗环境下研究隐蔽通信方法，重点研究基于深度对抗学习的隐蔽通信框架，解决互联网大数据环境下的隐蔽通信安全问题。结合对抗学习理论与现代自适应隐写算法，提高自适应隐写算法的安全性。此外，研究对抗学习理论框架下无载体隐蔽通信技术，丰富通信伪装手段，完善隐蔽通信理论。在此基础上，研究隐蔽通信非对称信息博弈的纳什均衡求解问题，设计最优的隐蔽通信算法，以期满足信息安全领域的重大应用需求。

随着无线通信传输速率的飞速提升，信息安全问题逐渐受到人们的重视。隐蔽通信作为一种新兴的通信保密手段受到广泛关注。然而，随着检测技术的快速发展，其安全性日益受到挑战。本项目瞄准当前大数据背景下，传输数据更加异质多样化问题，针对目前最先进的隐写分析技术，为新型隐写术设计更合理的隐写失真函数，甚至学习到最优的失真函数，以增强隐写安全性能。首先构建具有多样代表性的海量载体样本库，结合对抗学习理论与现代自适应隐写算法，重点研究在对抗环境下，自适应隐写算法的安全性能；研究对抗样本的生成模型和攻击模型，不断提高模型安全性；同时研究对抗环境下的隐蔽通信方法，设计隐蔽通信对抗学习方案中的判别网络，对网络进行优化设计，增加了隐写领域知识的约束，引入正则约束，提高了网络的泛化能力解决互联网大数据环境下的隐蔽通信安全问题；最后设计隐蔽通信对抗学习框架，提出深度对抗学习的隐蔽通信新方法，有望解决互联网大数据环境下的隐蔽通信安全问题。同时结合视觉伪造技术生成的各种多媒体数据，在隐蔽通信的同时实现在复杂互联网环境中传输数据的可信鉴别关键技术成为下一步研究重点。