分析云计算视频隐写在军事应用中的安全视频文件传输至关重要。视频隐写是在视频中隐藏秘密数据的过程,它以可逆和不可逆方案为基础。可逆方案能够将秘密数据插入视频,然后在提取秘密数据时恢复视频,而不会丢失任何信息。视频隐写中的不可逆方法通常会处理敏感信息,因此嵌入有效载荷成为这些数据隐藏系统设计中的一个重要问题。在视频隐写中,不可逆对比度映射被认为是在隐藏数据的过程中提取秘密数据的方法。在这一提取过程中,视频隐写实现了高质量的数据隐藏。对所提出的视频隐写云安全(VSCS)方法的分析结果表明,该方法具有安全通信的结构,并增强了云中的保密性和安全性。拟议方法的这一结果显示了更好的安全级别。

引言

隐写技术在图像处理方面取得了广泛的成就,它可以覆盖秘密信息,使攻击者难以发现信息的存在[12]。通过互联网传输秘密数据的进步使得数据能以更快的速度到达目的地[9]。数据隐藏过程是将信息隐藏到视频载体中形成增强码流的重要数据通信方式[1, 16]。通过数据通信,隐藏数据为嵌入秘密信息提供了更高的安全性,并有多种应用[3]。本文提出了一种新的小波域视频隐写方案 [14]。这里考虑的是在不同士兵之间传输秘密数据的军事应用。图 1 展示了士兵之间基于视频隐写传输秘密数据的数据通信。

分发服务提供国防视频系统,用于将官方视频传送到各自的组织并收集秘密数据[2, 8]。最初,军事单元通过在每个站点生成用于通信的数据文件,向其他军事单元分发和传输数据。每个军事单元由各自的发射器组成,通过收集所有信息,以安全的方式传输数据文件。军队中的所有士兵都由一名指挥官利用所获得的安全信息进行控制。总指挥提供士兵之间的安全通信,并帮助轻松识别战场上的攻击者。噪声方差是像素期望值的函数[15]。

图 1. 军事应用中的视频隐写数据通信。

基于这种方法,一种高效的增强型最重要比特不可逆(EMSBI)方法可保持士兵之间视频代码流数据通信的鲁棒性。提高视频隐写中嵌入有效载荷的效率[5, 10]。EMSBI 结构采用高容量秘密数据隐藏方法,在整个军事网络的嵌入有效载荷中具有很高的效率。

图 2. 使用 emsbi 方法提取视频帧

上图 2 解释了提取隐藏在视频文件中的秘密信息的增强型最重要比特不可逆过程。EMSBI 方法使用军事数据通信中呈现的二进制值进行初始嵌入过程。接下来,通过应用增强型最显著位编码技术对信息进行处理,以实现高效嵌入有效载荷的目标。此时,密文的二进制值会被视频中的每个最显著位所取代,以避免攻击者在战斗中飞来横祸[7]。最后,在视频隐写的提取过程中,不可逆对比度映射被应用于军事领域。在提取过程中,利用增强的 MSB 在视频隐写中进行高质量的数据隐藏,以确保军事数据的安全。我们对几种最先进的方法进行了实验,以体现 EMSBI 方法的有效性。

视频隐写是军事领域中一种重要的数据隐藏模式,它以图像、音频和视频为掩盖媒介来发送秘密信息[18]。目前有大量视频隐写方法可用于高效数据隐藏,并具有不同的性能属性 [6,13]。因此,在军事通信中使用自适应不可逆快速傅里叶变换(AIRFT)技术,根据时间变化的方差和强度来提高视频隐写的安全性。

图 3. 使用 airft 技术提取视频帧

上图 3 介绍了用于提取封面视频文件信息的自适应不可逆快速傅里叶变换技术。士兵发送的封面视频帧中的不同特征可通过使用安全哈希多项式函数的区分视频帧进行识别,从而提供更高的安全性并降低数据隐藏的复杂性[17]。采用一种高效的不可逆快速傅里叶变换方法来降低士兵发送的区分帧的峰值信噪比,并使用多项式哈希嵌入和提取算法来降低封面视频文件的噪点率。

最后,在不影响视频质量的情况下,在士兵之间提出了一种名为 "邻接预测和矢量量化(APVQ)"的可逆编码方法,以提高视频流的性能水平。为了将军事人员发送的秘密信息嵌入到封面视频帧中,采用了等级可逆添加预测机制,该机制决定了视频帧中每个像素的秘密数据容量。

图 4. 使用 APVQ 方法提取视频帧。

上图 4 解释了用于提取隐藏在视频文件中的秘密信息的 Adjoin 预测和矢量量化过程 [4]。在编码端,每个视频帧中都嵌入了秘密数据的索引值,以确保接收端在解码端以更高的质量恢复到军事上的秘密数据。索引值指向状态密文帧的邻接密钥,可轻松达到视频代码流的性能水平。

在解码端,视频区域匹配矢量量化解码以索引值指向相邻帧,从而提取秘密信息[19]。这种可逆方法能以最少的运行时间获得更好的视觉信息质量[11]。最后,等级可逆邻接预测机制会根据帧的属性调整和优化视频质量和嵌入容量。

方法

在这一提议的方法中,采用了最重要比特编码过程,以提高秘密数据的码流容量。在进行编码操作的同时,还对视频隐写进行了不可逆方法处理,以提高系统中隐藏信息的安全性。

成为VIP会员查看完整内容
19

相关内容

人工智能在军事中可用于多项任务,例如目标识别、大数据处理、作战系统、网络安全、后勤运输、战争医疗、威胁和安全监测以及战斗模拟和训练。
《边界监视多传感器融合系统中的目标跟踪》
专知会员服务
48+阅读 · 2023年6月11日
《媒体分析军事应用中的协作需求图谱》
专知会员服务
42+阅读 · 2023年5月5日
《图像数据隐藏技术综述》
专知会员服务
41+阅读 · 2023年3月26日
《边缘计算网络安全最佳实践概述》
专知会员服务
37+阅读 · 2022年7月6日
基于深度学习的视频目标检测综述
专知会员服务
83+阅读 · 2021年5月19日
专知会员服务
164+阅读 · 2020年4月21日
最新《图嵌入组合优化》综述论文,40页pdf
【KDD2020】图神经网络生成式预训练
专知
22+阅读 · 2020年7月3日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
2+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
28+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
2+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
Arxiv
165+阅读 · 2023年4月20日
A Survey of Large Language Models
Arxiv
438+阅读 · 2023年3月31日
Arxiv
157+阅读 · 2023年3月24日
Arxiv
22+阅读 · 2023年3月17日
VIP会员
相关VIP内容
《边界监视多传感器融合系统中的目标跟踪》
专知会员服务
48+阅读 · 2023年6月11日
《媒体分析军事应用中的协作需求图谱》
专知会员服务
42+阅读 · 2023年5月5日
《图像数据隐藏技术综述》
专知会员服务
41+阅读 · 2023年3月26日
《边缘计算网络安全最佳实践概述》
专知会员服务
37+阅读 · 2022年7月6日
基于深度学习的视频目标检测综述
专知会员服务
83+阅读 · 2021年5月19日
专知会员服务
164+阅读 · 2020年4月21日
相关基金
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
2+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
28+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
2+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
微信扫码咨询专知VIP会员