一种结合量子密钥分发的视频加密系统的制作方法

本公开涉及信息安全技术领域，尤其涉及一种结合量子密钥分发的视频加密系统。

背景技术：

目前保障信息安全广泛使用的手段是现代密码技术，其可以分成三个部分：算法、协议、密钥。现代密码技术中，算法和协议都是可以公开的，一切秘密都包含于密钥之中。因此，保障密钥分发的安全是用密码技术保障通信安全的关键。由于量子具有测量的随机性和不可复制的特性，因此量子密钥分发具有理论上的无条件安全性。也就是说，任何人进行窃听，即使是利用量子计算机，也不能破解量子密钥分发，窃取密钥。这样，使用量子密钥分发技术可以帮助实现通信安全中机密性、真实性和完整性的无条件安全，保证通信加密无法破译，保证对方身份真实可靠，保证信息无法被篡改。

量子密钥分发在光纤的最远安全距离能做到404公里，“墨子号”也已经能做到星地1200公里，已经成功实现商业化。量子密钥分发技术目前已经被广泛的应用在需要高级别安全的领域。虽然应用正在落地，但是量子密钥生成的码率(成码率)还比较低，目前最高的成码率在100公里左右仅为每秒3-10kbits。而近年来最常见的网络相机的分辨率为720p(1280*720)，原始视频码率在632.8mbits。也就是说如果基于目前量子密钥分发技术对分辨率为720p的视频进行一次一密级别的加密，需要加密比例达到10的负5次方量级，即加密的内容码率占原始视频码率的10^-5。

目前较成熟的视频加密方案是基于感兴趣区域的的选择加密方案，即利用视频压缩技术进行压缩后，在压缩后的码流域，选择认为包含重要隐私信息的区域进行加密。目前采用最新的视频压缩标准hevc对720p的视频进行压缩后的码率为8000kbps左右，假设感兴趣区域占整个画面的十分之一左右，那么需要加密的内容码率大约占原始视频码率的10^-3。因此，如果基于量子密钥分发实施这个视频加密方案，需要100次一密才能满足加密码率的需求，但同时密钥被破解的风险也大大增加。

技术实现要素：

(一)要解决的技术问题

为了解决以上问题，本公开提出了一种结合量子密钥分发的视频加密系统，能够极大的减少需要加密的明文长度，在量子密钥分发成码率为每秒3-10kbits的条件下，实现对视频内容的一次一密加密。

(二)技术方案

本公开提供了一种结合量子密钥分发的视频加密系统，包括：量子密钥分发子系统，用于通过量子信道传送量子密钥；视频加密子系统，包括：发送端，用于对原始视频进行深度码流域分解、以及编码，得到编码后的深度码流域公开码流和编码后的深度码流域加密码流；利用量子密钥对编码后的深度码流域加密码流进行量子加密，并将编码后的深度码流域公开码流、量子加密的编码深度码流域加密码流发送至接收端；接收端，用于合并编码后的深度码流域公开码流和量子加密的编码深度码流域加密码流，得到量子加密的编码深度特征码流，解码量子加密的编码深度特征码流，得到量子加密的深度特征码流，生成加密视频。

在本公开的一些实施例中，所述发送端还用于对原始视频进行空间域分解，得到加密区域和非加密区域，对非加密区域进行压缩，得到压缩空间域公开码流，对加密区域进行深度码流域分解、以及编码；还将压缩空间域公开码流一并发送至接收端；所述接收端还用于对压缩空间域公开码流解压，得到空间域公开码流，还将空间域公开码流和量子加密的深度特征码流合并，生成加密视频。

在本公开的一些实施例中，所述接收端利用量子密钥对量子加密的编码深度码流域加密码流解密，将编码后的深度码流域公开码流、编码后的深度码流域加密码流合并，得到编码深度特征码流，并解码编码深度特征码流，得到深度特征码流，生成重建视频。

在本公开的一些实施例中，所述接收端利用量子密钥对量子加密的编码深度码流域加密码流解密，将编码后的深度码流域公开码流、编码后的深度码流域加密码流合并，得到编码深度特征码流，并解码编码深度特征码流，得到深度特征码流，并将空间域公开码流和深度特征码流合并，生成重建视频。

在本公开的一些实施例中，所述发送端包括：基于深度神经网络的编码器，用于对原始视频进行深度码流域分解、以及编码；所述接收端包括：基于深度神经网络的解码器，用于解码量子加密的编码深度特征码流。

在本公开的一些实施例中，所述发送端包括：基于深度神经网络的编码器，用于对原始视频进行深度码流域分解、以及编码；所述接收端包括：基于深度神经网络的解码器，用于解码编码深度特征码流。

在本公开的一些实施例中，所述发送端包括：基于深度神经网络的编码器，用于对加密区域进行深度码流域分解、以及编码；所述接收端包括：基于深度神经网络的解码器，用于解码量子加密的编码深度特征码流。

在本公开的一些实施例中，所述发送端包括：基于深度神经网络的编码器，用于对加密区域进行深度码流域分解、以及编码；所述接收端包括：基于深度神经网络的解码器，用于解码编码深度特征码流。

在本公开的一些实施例中，所述神经网络编码器和神经网络解码器均为全卷积网络。

在本公开的一些实施例中，所述压缩空间域公开码流、编码后的深度码流域公开码流、量子加密的编码深度码流域加密码流通过光纤信道进行传输。

(三)有益效果

从上述技术方案可以看出，本公开至少具有以下有益效果：

视频加密系统采用深度神经网络的图像压缩加密算法，并与量子密钥分发技术结合，形成完整的视频加密体系吗，极大地减小了加密内容和加密比例。

附图说明

图1是基于深度神经网络的图像压缩加密子系统的网络结构图。

图2是本公开实施例的结合量子密钥分发的视频加密系统的结构示意图。

图3显示了基于深度神经网络的图像压缩加密算法在人脸图像中的效果。

具体实施方式

本公开提供了一种结合量子密钥分发的视频加密系统，为了减少加密的内容，视频加密系统包括基于深度神经网络的图像压缩加密算法，将该算法与量子密钥分发技术结合，形成完整的视频加密系统。本公开需要非常小的加密比例，以720p视频为例，加密的内容码率占原始视频码率的10^-5的时候才能进行一次一密级别的加密。

为进一步详细介绍本公开的目的、技术方案和优点，以下结合具体实施实例，对本公开进一步详细说明。

随着深度学习算法越来越成熟，基于深度神经网络的图像压缩方案也发展迅速，压缩数据量和生成质量均已经达到甚至超过常用的一些图像的编解码器的压缩方案。与此同时，基于深度神经网络的图像压缩算法有一个天然的优势，由于神经网络是利用梯度后向传播的方式进行参数更新学习的，可以通过损失函数约束的方式，改变压缩码流的分布。这样，通过算法将重要的隐私信息约束到一小部分码流中进行加密，就可以达到对整幅图像的加密效果。

本公开实施例提供了一种结合量子密钥分发的视频加密系统，参见图2，包括：

量子密钥分发子系统，用于通过量子信道传送量子密钥。

视频加密子系统，包括发送端和位于发送端的神经网络编码器、接收端和位于接收端的神经网络解码器；其中神经网络编码器和神经网络解码器采用图1所示的神经网络编码器和神经网络解码器。

发送端用于将原始视频分为加密区域和非加密区域，并对非加密区域进行压缩，得到压缩空间域公开码流。

神经网络编码器用于将加密区域转换为深度特征码流，将深度特征码流分解为公开码流和加密码流，得到深度码流域公开码流和加密码流。神经网络编码器还对深度码流域公开码流和加密码流进行编码，得到编码后的深度码流域公开码流和编码后的深度码流域加密码流。

发送端还利用量子密钥对编码后的深度码流域加密码流进行量子加密，并将压缩空间域公开码流、编码后的深度码流域公开码流、量子加密的编码深度码流域加密码流发送至接收端。

接收端用于将编码后的深度码流域公开码流、量子加密的编码深度码流域加密码流进行合并，得到量子加密的编码深度特征码流，并将压缩空间域公开码流解压，得到空间域公开码流。

神经网络解码器用于解码量子加密的编码深度特征码流，得到量子加密的深度特征码流。

接收端还用于将空间域公开码流和量子加密的深度特征码流合并，生成加密视频。

本实施例的视频加密系统，其中的神经网络编码器和神经网络解码器组成基于深度神经网络的图像压缩加密子系统。图1为基于深度神经网络的图像压缩加密子系统的网络结构图，以下具体描述其图像压缩加密算法。

图像压缩加密系统包括：神经网络编码器和神经网络解码器。

原始图像输入神经网络编码器，神经网络编码器对原始图像进行编码，得到压缩的深度特征码流。

将深度特征码流分为两部分：加密码流(重要部分)和公开码流(次要部分)。为了使加密比例降至很小，重要部分只占深度特征码流的很小比例，重要部分包含了原始图像的重要隐私信息，对重要部分加密能够起到加密整个原始图像的效果。公开码流输入神经网络解码器，经神经网络解码器解码后恢复重建图像。加密码流输入解码器，经神经网络解码器解码后生成加密图像。

分解后的加密码流和公开码流是在深度神经网络的训练阶段学习得到的。深度神经网络的训练是端到端进行的，即神经网络编码器、神经网络解码器和深度特征码流的分解都是联合进行训练的。在训练过程中，可以根据对隐私的定义不同和加密需求不同，确定相应的损失函数，从而约束调整深度特征码流中重要部分的隐私信息。

如图2所示，量子密钥分发子系统也包括：发送端和接收端。发送端用于生成量子密钥，并将量子密钥通过量子信道发送至接收端。量子密钥分发采用的是bb84协议，发送端和接收端之间设置有量子信道和经典信道。发送端首先从光子的四种偏振态中随机选择，经过量子信道发送给接收端。接收端在经典信道中比对并保留和发送端使用了同一测量基的量子比特位。信道安全的情况下，发送端和接收端的数据应当是没有分歧的。若存在窃听，则发送端和接收端的数据会出现不同的部分。若没有窃听，发送端和接收端则将保留下来的剩余的比特位作为最终密钥。

本实施例的视频加密系统采用了两级分解方案：图像空间域分解和深度码流域进行分解。

首先在图像空间域进行分解，根据加密需求确定原始图像中需要加密的区域。然后在深度码流域进行分解，将加密区域输入到基于深度神经网络的图像压缩加密系统的编码器中，生成深度特征码流，并将深度特征码流分解为公开码流和加密码流。经过图像空间域和深度码流域的两级分解，可以提取出占比极小的需要加密的码流内容。

视频加密子系统的发送端可采用经典的视频压缩算法对非加密区域进行压缩，得到压缩空间域公开码流。

压缩空间域公开码流和编码后的深度码流域公开码流均可直接通过光纤信道等普通信道进行传输。编码后的深度码流域加密码流则需要利用生成的量子密钥进行加密之后再进行传输。

在本实施例的另一个示例中，接收端首先利用量子密钥对量子加密的编码深度码流域加密码流解密，然后将编码后的深度码流域公开码流、编码后的深度码流域加密码流进行合并，得到编码深度特征码流，并将压缩空间域公开码流解压，得到空间域公开码流。

神经网络解码器解码编码深度特征码流，得到深度特征码流。

接收端还将空间域公开码流和深度特征码流合并，完成原始视频的重建生成。

以上所述两级分解方案可根据加密需求和任务的不同有所调整。如果整个视频加密系统的安全级别都很高，本实施例也可以不进行图像空间域分解，只进行深度码流域的分解，以提高视频加密系统的安全性。

在这种实现方式中，神经网络编码器将原始视频转换为深度特征码流，将深度特征码流分解为公开码流和加密码流，得到深度码流域公开码流和加密码流。神经网络编码器还对深度码流域公开码流和加密码流进行编码，得到编码后的深度码流域公开码流和编码后的深度码流域加密码流。

发送端还利用量子密钥对编码后的深度码流域加密码流进行量子加密，并将编码后的深度码流域公开码流、量子加密的编码深度码流域加密码流发送至接收端。

接收端将编码后的深度码流域公开码流、量子加密的编码深度码流域加密码流进行合并，得到量子加密的编码深度特征码流。

神经网络解码器用于解码量子加密的编码深度特征码流，得到量子加密的深度特征码流，生成加密视频。

在另一个示例中，接收端首先利用量子密钥对量子加密的编码深度码流域加密码流解密，然后将编码后的深度码流域公开码流、编码后的深度码流域加密码流进行合并，得到编码深度特征码流。神经网络解码器解码编码深度特征码流，得到深度特征码流，完成原始视频的重建生成。

以下通过一个具体实例对本公开进行说明。

神经网络编码器的结构为全卷积网络，包含四层步长为2的卷积层，用于减小中间输出的特征图的大小。每两层卷积层中间有三层残差卷积模块，残差卷积模块可以通过跨层的数据获取更丰富的细节信息，这些细节信息能够更好的进行图像的重建恢复。同理，神经网络解码器的结构也为全卷积网络，包含四层步长为2的逆卷积层，用于增大中间输出的特征图的大小。每两层逆卷积层中间有三层残差卷积模块，用于更好的恢复细节信息。因为神经网络的编码器和解码器均为全卷积网络，因此可以输入任意大小的图片。

对于720p视频，其分辨率大小为1280*720。假设一个视频帧中需要加密的图像分辨率大小为256*256，经过上述神经网络编码器，能得到16*16*64*8bit的码流，经过量化操作，得到16*16*64bit的码流。

将码流进行分解，其中公开码流为16*16*63bit，加密码流为16*16bit。此时需要加密的数据为原始数据的10^-5，达到了量子密钥分发成码率的要求。

对于空间域公开码流的压缩使用最新的视频压缩标准hevc进行压缩，能压缩到原始视频数据的10^-2。

在训练约束方面，本示例采用了一种联合损失函数的约束方式，联合损失函数包含两个损失函数。损失函数一约束图1中重建图像与原始图像的分布距离，最小化重建图像与原始图像的均方误差距离(meansquareerror)，使得两者的像素距离越小越好；损失函数二约束图1中加密图像与原始图像的分布距离，使得加密图像与原始图像的分布距离越大越好，该损失函数采用了一种协同学习的方式进行约束训练。本申请定义了一个判别器用于判别加密图像与原始图像的距离。该判别器包括三层卷积层和两层全连接层，加密图像或原始图像输入判别器，判别器输出一个标量值。训练过程中分为两个阶段，生成阶段和判别阶段，两个阶段均经过神经网络编码器、神经网络解码器以及判别器，不同的是，生成阶段只更新神经网络编码器和神经网络解码器的网络参数，判别阶段只更新判别器的网络参数。两个阶段采用的是相同的协同损失函数，即判别器在输入原始图像时，输出的标量值尽可能接近1，判别器在输入加密图像时，输出的标量值尽可能接近0。本申请提出的协同训练是一种有效的最大化两张图片的分布距离的方式。

图3为利用这种约束在人脸图像上进行实验的结果。可以看出加密图像完全看不出原始图像的信息，经过对加密结果进行攻击分析，也得出了这种分解训练方式有效的结论。

至此，已经结合附图对本公开进行了详细描述。依据以上描述，本领域技术人员应当对本公开有了清楚的认识。

需要说明的是，在附图或说明书正文中，未绘示或描述的实现方式，均为所属技术领域中普通技术人员所知的形式，并未进行详细说明。此外，上述对各元件的定义并不仅限于实施例中提到的各种具体结构、形状或方式，本领域普通技术人员可对其进行简单地更改或替换，例如：

(1)实施例中提到的方向用语，例如“上”、“下”、“前”、“后”、“左”、“右”等，仅是参考附图的方向，并非用来限制本公开的保护范围；

(2)上述实施例可基于设计及可靠度的考虑，彼此混合搭配使用或与其他实施例混合搭配使用，即不同实施例中的技术特征可以自由组合形成更多的实施例。

以上所述的具体实施例，对本公开的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本公开的具体实施例而已，并不用于限制本公开，凡在本公开的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。