基于Chaos-LSTM与混沌序列增殖的地理信息加密方法、系统及介质与流程

本发明涉及信息安全，更具体的说是涉及基于chaos-lstm与混沌序列增殖的地理信息加密方法、系统及介质。

背景技术：

1、随着地理信息应用的深入，类型多样的地理信息数据被广泛的共享，地理信息数据中涉及的机密信息广，如果泄露将会导致严重的损失与危害；因此，为不同的地理信息数据提供包容性广、安全度高的保密通信系统至关重要。

2、加密算法是保密通信系统的核心，研究者们也提出了多种多样的加密算法，混沌系统与神经网络被许多研究者证明有良好的保密通信性能。

3、但是，面对多种保密对象时，产生适配数据量的保密算法需要进一步研究；由于现有的计算机的计算精度和性能无法对混沌系统进行完全理想仿真求解，大多数在有限精度下实现的混沌系统，其性质会与其理论结果存在偏差；计算机的有限计算精度效应会使混沌序列最终会出现周期，且不同初始状态对应于不同周期,其周期长度可能很短，在某种程度上降低了混沌加密系统的保密性。

4、因此，如何使混沌序列的周期更长，随机性更好，且针对加密对象产生适配的加密序列，是本领域技术人员亟需解决的问题。

技术实现思路

1、有鉴于此，本发明提供了一种基于chaos-lstm与混沌序列增殖的地理信息加密方法、系统及介质，以解决背景技术中提到的问题。

2、为了实现上述目的，本发明采用如下技术方案：

3、一种基于chaos-lstm与混沌序列增殖的地理信息加密方法，包括以下步骤：

4、s1.加密密钥包含 x 0、 y 0、 z 0、 c、 c 1、 c 2，其中 x 0、 y 0、 z 0为混沌系统的迭代初始值， c为混沌系统的参数， c 1、 c 2为扩散处理系数；将加密密钥中的x0、y0、z0、c输入混沌系统中进行迭代，生成三维浮点数混沌序列x(t)、y(t)、z(t)；

5、s2.将浮点数混沌序列x(t)输入训练好的lstm神经网络，输出与混沌序列长度一致的新混沌序列x´(t)；

6、s3.将浮点数混沌序列x´(t)和y(t)转换为整型数混沌序列x(t)和y(t)；

7、s4、将混沌序列x(t)和y(t)进行序列局部均值增殖处理，得到增殖序列分量dxj；

8、s5.将增殖序列分量dxj作为混沌序列信号x(t)，并重复步骤s4，循环3×m次，获得3×m个长度与混沌序列长度一致的增殖序列分量dxj，j=1,2，…，3×m；

9、s6.将3×m个增殖序列分量dxj组合为加密序列矩阵e(3×m)×n，设置加密密钥中的c1、c2，采集原始图像，根据加密序列和加密密钥c1、c2分别依次对原始图像进行行置乱、正向扩散和逆向扩散的加密过程，获得加密图像；

10、s7.将加密图像进行解密，解密过程为加密过程的逆过程，并将原始图像、加密图像与解密图像进行显示。

11、优选的，步骤s2还包括，训练lstm神经网络，构建chaos-lstm模型，具体包含以下步骤：

12、s21.构造一个lstm递归神经网络，包括输入层、长短期记忆层lstm、舍弃层、全连接层和回归输出层；

13、s22.通过混沌系统输出的一段混沌序列对lstm递归神经网络进行训练，使神经网络转换为可生成新混沌序列的lstm神经网络；

14、s23.将混沌序列输入lstm神经网络输出对应长度的新混沌序列，并更新lstm递归神经网络的网络状态获得训练好的lstm神经网络，混沌系统与训练好的lstm神经网络共同构成chaos-lstm模型。

15、优选的，步骤s3中，将浮点数混沌序列x´(t)和y(t)转换为整型数混沌序列x(t)和y(t)的转换公式为：

16、

17、

18、其中，n为将浮点数混沌序列左移n位后再进行取整运算。

19、优选的，步骤s4中，进行序列局部均值增殖处理得到增殖序列分量dxj的具体内容为：

20、s41.找出整型数混沌序列x(t)中所有局部极值点，并计算求出所有相邻局部极值点的平均值；

21、s42.对所有局部极值点的平均值做线性平滑插值处理，获得浮点数近似局部均值序列，再将浮点数近似局部均值序列转换为整型数局部均值函数序列；

22、s43.引入混沌序列y(t)，将局部均值函数序列、混沌序列x(t)和混沌序列y(t)进行异或运算，得到增殖序列分量dxj。

23、优选的，步骤s6获得加密图像的具体内容包括：

24、s61.对原始图像进行行置乱得到置乱图像，置乱算法为：

25、

26、

27、

28、；

29、其中，om×n_rgb为原始图像矩阵，sem×n_rgb为置乱图像矩阵，为矩阵元素互换操作，为矩阵中行的位置，为矩阵中列的位置，为向下取整操作，n为矩阵列的长度；

30、s62.对置乱图像进行正向扩散得到正扩散图像，正向扩散算法为：

31、；

32、其中，fem×n_rgb为正扩散图像矩阵，为按位异或运算，为矩阵中行的位置，ν为矩阵中列的位置；

33、s63.对正扩散图像进行逆向扩散得到反向扩散图像，即为加密图像，逆向扩散算法为：

34、；

35、其中，enm×n_rgb为反向扩散图像矩阵，即为加密图像矩阵，为矩阵中行的位置，n为矩阵中列的位置。

36、优选的，加密密钥中c、c1和c2的取值范围为：；。

37、一种基于chaos-lstm与混沌序列增殖的地理信息加密系统，基于所述的一种基于chaos-lstm与混沌序列增殖的地理信息加密方法，包括加密端、解密端和显示端；

38、加密端包括加密密钥设置模块、chaos-lstm模型、序列取整处理模块、序列局部均值增殖模块、原始图像加密模块；

39、解密端包括解密密钥设置模块、chaos-lstm模型、序列取整处理模块、序列局部均值增殖模块、加密图像解密模块。

40、优选的，chaos-lstm模型包括混沌系统与训练好的lstm神经网络。

41、优选的，原始图像加密模块和加密图像解密模块均包括置乱单元、正向扩散单元和反向扩散单元。

42、一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述的一种基于chaos-lstm与混沌序列增殖的地理信息加密方法。

43、经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种基于chaos-lstm与混沌序列增殖的地理信息加密方法、系统及介质，通过chaos-lstm模型以及信号局部均值增值算法产生的加密序列，能够在混沌系统的基础上进一步提升输出序列随机性，提高了序列的复杂度，且能针对加密对象产生适配的加密序列，提高了通信的效率；且只选取了混沌系统输出序列的一部分，一定程度上避免了混沌序列可能存在复杂度不高而导致的加密性能不足；

44、通过加密序列与扩散、置乱算法结合生成的保密通信系统，保密通信能正确进行保密通信，图像数据信息能够被隐藏且保密通信过程中不会丢失数据信息，进一步证明了所提出的基于chaos-lstm与信号局部均值增值的保密通信系统具有良好的实际应用效果，能使保密通信系统应用于多个加密场合的加密。