• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    神經網絡域水印信息優(yōu)化與加密

    2022-06-19 23:00:03馬天趙會敏楊嫣楊嘉怡
    關鍵詞:版權保護

    馬天 趙會敏 楊嫣 楊嘉怡

    摘要:神經網絡模型作為一種數(shù)字資產,其版權保護日益受重視,針對目前神經網絡域水印信息單一、不直觀的問題,設計一種水印信息內容優(yōu)化的方法,在訓練神經網絡時嵌入水印,采用正則化的方法防止訓練神經網絡時參數(shù)過度擬合,并進行了水印信息的加密研究。通過分析圖像域和神經網絡域中有效水印算法的需求,將簡單的二進制串信息優(yōu)化為有視覺意義的二值圖像與灰度圖像,對于不同水印形式進行了分析對比,并在嵌入前對水印信息進行了典型的加密預處理分析,包括Arnold變換、按位異或加密以及行列像素置亂加密。結果表明:該方法可以在不影響原始任務性能的情況下有效地嵌入水印,并且提取的信息質量更好,采用行列像素置亂的二值圖像作為水印嵌入,對神經網絡性能的影響最小。

    關鍵詞:版權保護;水印信息;神經網絡域;圖像加密

    中圖分類號:TP 391.41文獻標志碼:A

    文章編號:1672-9315(2022)03-0580-09

    DOI:10.13800/j.cnki.xakjdxxb.2022.0322開放科學(資源服務)標識碼(OSID):

    Optimization and encryption of watermarked

    information in neural network domainsMA Tian,ZHAO Huimin,YANG Yan,YANG Jiayi

    (College of Computer Science and Engineering,Xian University of Science and Technology,Xian 710054,China)Abstract:As a kind of digital asset,the copyright protection of neural network model is paid more and more attention.In order to solve the problem of simple and unintuitive watermarking information in neural network domain,a method of content optimization of watermarking information was proposed.The watermark was embedded in training neural network,the regularization method was used to prevent over-fitting of parameters in the training process,and the encryption of watermark information was studied.The simple binary string information was optimized into visual binary image and gray image by exploring the requirements of effective watermarking algorithm in image domain and neural network domain,the different watermark forms were compared,and typical encryption pre-processing analyses were made of the watermark information before embedding,including Arnold,per-bit dissimilarity encryption and row column pixel scrambling.The experimental results indicate that the method in this paper can effectively embed the watermark without affecting the performance of the original task,and the quality of the extracted information is better.The application of the binary image with row column pixel scrambling in the watermark-embedding will have the least impact on the performance of the neural network.

    Key words:copyright protection;watermark information;neural network domain;image encryption

    0引言

    隨著計算機的快速發(fā)展,許多產品出現(xiàn)了多方面的安全問題,神經網絡模型也屬于數(shù)字資產的一種,其版權保護技術日益發(fā)展。研究出一個深度神經網絡模型需要大量的有價值的訓練數(shù)據(jù)、強大的計算資源和專業(yè)的人力資源,而神經網絡模型在經第3方應用后,其網絡結構和節(jié)點權重會完全對外暴露,容易被復制、二次開發(fā)或修改,導致初始開發(fā)者權益受損。頂級深度神經網絡的設計和訓練競爭激烈,神經網絡模型將在未來幾年的IT發(fā)展中發(fā)揮核心作用,因此保護這些模型的必要性顯得更加突出。在版權保護方面包括密碼學和數(shù)字水印技術這2種研究方向,然而,密碼學只在轉換過程中保護數(shù)據(jù),一旦數(shù)據(jù)被接收并解密,它就不再受到保護。數(shù)字水印技術可以實時保護數(shù)字資產,因此在這個研究領域具有更大的價值[1]。

    數(shù)字水印技術最早可以追朔到1993年,其方法是在載體(圖像,文本,視頻,或者音頻)中增加有用的身份信息,以達到數(shù)字認證或者版權保護的目的。2017年UCHIDA等人提出神經網絡水印,他們發(fā)表了第一種水印嵌入方法,水印信息可以直接嵌入到模型的參數(shù)中,該方法可以公開共享神經網絡[2]。近些年深度學習框架越來越成熟,包括TensorFlow,Keras,Caffe[3],Theano[4],Chainer[5]等。基于這些公開的框架或系統(tǒng),開發(fā)人員進行研究的復雜度大大降低,深度神經網絡模型得到了突飛猛進的發(fā)展,隨之而來的版權保護問題也日漸浮出水面。模型所有者能夠將水印嵌入神經網絡的權重中,合法用戶可以將水印嵌入神經網絡以進行授權使用,而未經授權的用戶由于額外的控制層會導致獲得的模型性能不良,當神經網絡被非法盜版時,初始開發(fā)者可以提取嵌入的水印并進行所有權驗證,這樣便可以實現(xiàn)神經網絡模型的保護。DAF48E84-D850-42A6-ACD2-F01DE4E09875

    目前典型的水印嵌入方法歸納總結為白盒水印嵌入方法、黑盒水印嵌入方法[6]、授權控制方法[7]等5類。其中,白盒方法通常需以公開或與可信第3方共享方式獲取神經網絡模型的結構和權重,如開源項目model Zoo,水印信息通常直接嵌入到模型的參數(shù)中,需要訪問DNNs的內部結構進行驗證。

    白盒水印嵌入的載體可以細分為以下2種,一是將水印信息與權重結合,其中最為典型的是UCHIDA等人在2017年提出的,首次將水印直接嵌入到卷積濾波器系數(shù)即網絡權重中[2],其次就是CHEN等人是將身份信息嵌入到卷積濾波器系數(shù)的概率密度函數(shù)中,提出了第一個用于數(shù)字版權管理的DL指紋框架[8]。這類方法的優(yōu)點是嵌入與提取操作方便,但是權重變化量較大,可通過分析權值的方差檢測出隱藏水印,并通過在權值上添加有效噪聲來修改水印。二是將水印嵌入在全連接層上,其中最為典型的是KURIBAYASHI等人提出的DM-QIM方法,優(yōu)點是嵌入水印引起的變化小且可測量,但是權重的選擇和水印的嵌入都使用了一個密鑰,對于不同DNN模型和嵌入參數(shù)的影響將有待未來進一步研究[9]。這類方法的優(yōu)點是嵌入與提取操作方便,但是存在權重變化量較大的情況,可通過分析權值的方差檢測出隱藏水印,并通過在權值上添加有效噪聲來修改水印。ZHANG等人提出一種帶有補償機制的量化水印方案,通過密鑰來選擇待嵌入水印的權重,對水印進行擴頻調制后使其具有噪聲性再嵌入特定的權重。為了避免權重的變化對模型功能的影響,對未嵌入水印的權重進行補償微調,得到含水印的模型[10]。此方案對模型的改動量很小,同時保證理想的魯棒性和嵌入量,通過對嵌入位置的改進從而隱藏了水印信息,但其水印形式有限為簡單的字符串,視覺意義不強。

    白盒水印嵌入的水印信息目前可細分為以下2種,二進制字符串和非二進制字符串。在非二進制字符串中,WANG等人提出的魯棒白盒GAN水印(RIGA),該方法水印消息的容量和靈活性較好[11]。還有一種水印的累積和編碼方法由SAKAZAWA等人提出,可對嵌入的圖案進行累積以達到可視化的解碼[12]。這種方法僅適用于一個簡單的情況,且存在多個密鑰集,被攻擊者得到子集的一部分也可驗證。在二進制字符串的水印信息中,最為典型的UCHIDA等人于2018年提出的,將新定義的損耗和普通的損耗結合起來,通過訓練進行優(yōu)化,其水印信息選擇的是256位的一維矩陣,這種水印信息形式便于實踐,但形式單一且容量較小[13]。

    總之,上述方法的信息容量小、提取效果不直觀,只能通過數(shù)值對比誤差。文中將選擇有意義的圖像使其提取結果更加直觀,主要是基于WRN神經網絡的不同水印嵌入研究,采用的是白盒水印嵌入方法,在訓練主機網絡時直接嵌入水印,在前人研究的基礎上對于水印信息進行了優(yōu)化,將二進制串優(yōu)化為圖像,并在嵌入水印之前對水印進行了預處理即加密以更有效的保護水印本身,采用了3種加密方法設計實驗進行比較,分析了不同的水印信息對于網絡性能的影響。為防止在訓練神經網絡的時候過度擬合,采用正則化的方法將L1損失函數(shù)和L2損失函數(shù)結合。

    1神經網絡域水印信息分析

    神經網絡水印是通過對神經網絡模型的內部參數(shù)或外部結構進行某些特殊處理,添加或嵌入特定的身份信息,即在神經網絡模型中嵌入水印,以保護受過訓練的神經網絡模型。一個完整的神經網絡模型水印系統(tǒng)一般包含3個模塊[14],即需嵌水印的網絡模型,水印嵌入方法,水印提取與檢測??蚣苋鐖D1所示,基本過程[15]:經過加密及預處理的水印信息,經過各種算法嵌入到神經網絡模型中去,模型所有者可將添加身份信息后的網絡模型以公開或API遠程的方式提供商業(yè)服務。所有者可將添加身份信息進行提取驗證,同時部分算法還可達到限制非法訪問的效果。

    目前主流的網絡模型有MLP,CNN,WideResNet,AlexNet16],VGG16,LeNet[17],GoogLeNet和ResNet等。對于MPL,LeNet網絡模型,一般選取的實驗數(shù)據(jù)集為MINST,對于WideResNet,ResNet,AlexNet,VGG16網絡模型,一般選取的實驗數(shù)據(jù)集為CIFAR10,CIFAR100。水印形式可為二值圖像、字符串等。為了更好地保護隱私,在水印嵌入之前,需對水印進行編碼或加密預處理,將加密后的水印信息嵌入到神經網絡中,以保護版權。

    圖像域和神經網絡域中對有效水印算法的要求幾乎相同,都應具有保真度、可容性、有效性、安全性以及高效性。有效的水印系統(tǒng)必須具有嵌入大量信息的能力,水印通常應是秘密的,不應該被未經授權的各方訪問、讀取或修改,水印的嵌入與提取應該是快速的。但圖像域和神經網絡域中的保真度和魯棒性是不同的,在圖像域中為保持保真度,必須在嵌入水印的同時保持主機圖像的感知質量。然而,在神經網絡域,參數(shù)本身并不重要,重要的是原來的執(zhí)行任務,因此,必須保持受過訓練的主機網絡的性能,而不能阻礙主機網絡的訓練。神經網絡水印應對網絡功能影響足夠小,水印信息能夠從分發(fā)或重訓練的網絡中提取出來,應具備隱蔽性、穩(wěn)健性、數(shù)據(jù)量及安全性等特性。關于魯棒性,由于圖像會受到各種信號處理操作的影響,如經過壓縮、裁剪及調整大小等操作之后,水印也應留在主機圖像中。而神經網絡中嵌入的水印應在微調或其他可能的修改后還能檢測到,是通過修改神經網絡的權重實現(xiàn)水印嵌入的,因此嵌入的水印形式只能是字符串,由于圖像是由許多像素點組成對其處理可等同于字符串,故可在神經網絡中嵌入圖像。

    2神經網絡域水印框架設計

    2.1水印信息與嵌入目標

    基于圖像域和神經網絡域有效算法分析,對水印信息形式進行優(yōu)化,選擇2種水印信息:二值圖像與灰度圖像,均選擇16×16的圖像,由于圖像是由像素點組成,可等同于矩陣,將像素點值同除以255可得0到1之間的向量作為水印b={0,1},采用白盒水印嵌入方法將水印b在訓練神經網絡時嵌入到神經網絡的權重中,在水印嵌入之前,對水印進行編碼或加密預處理。DAF48E84-D850-42A6-ACD2-F01DE4E09875

    從神經網絡中選擇一層的權重作為待嵌入水印的載體,記為W∈RS×S×D×L,其中? S,D,L分別為卷積濾波器的大小,輸入到卷積層的深度和卷積層中濾波器的個數(shù)。如果后續(xù)層的參數(shù)被重新排序,濾波器的順序不會影響網絡的輸出,為了消除濾波器順序的任意性,故采用均值濾波器,沿著輸出通道計算可得到權重的均值

    2.2水印嵌入與提取過程

    為保證主機網絡在原始任務中的性能,選擇在訓練主機網絡時直接嵌入水印。使用一個參數(shù)正則化器,它是原始任務原始成本函數(shù)中的一個附加項,具有正則化的代價函數(shù)E(w)定義為

    2.3水印質量評價指標

    對于提取的水印從肉眼直觀可能看不出差異,故采取一些客觀性指標來評價[19],在客觀評價水印質量時,采用峰值信噪比(PSNR)和結構相似性(SSIM)2個經典的指標來評價。

    3不同形式水印信息測試

    3.1嵌入影響分析

    使用CIFAR-10[20]訓練WRN神經網絡,該數(shù)據(jù)集由60 000張32×32的彩色圖像組成,共有10個類,包括50 000張訓練圖像與10 000張測試圖像,在訓練時將水印嵌入到神經網絡的參數(shù)中,每一次迭代設置Batch_size為64,每一次訓練迭代多次,迭代次數(shù)越多效果越佳。

    圖4顯示有和沒有水印的模型參數(shù)w的分布,其中圖4(a)為無水印模型參數(shù)的分布,圖4(b)和圖4(c)分別為嵌入二值圖像水印和灰度圖像水印模型參數(shù)的分布,這些參數(shù)只取自嵌入水印的一層。w參數(shù)數(shù)目是3×3×64×64,可以直觀的看出3種情況下模型參數(shù)分布一致,許多參數(shù)變得很大,并且在0附近出現(xiàn)一個峰值,并未顯著改變分布。

    圖5顯示了神經網絡模型的訓練損失函數(shù)圖,可以看出灰度圖像作為水印嵌入到神經網絡模型,其訓練損失函數(shù)與原模型相差較大,訓練損失E(w)大于未嵌入的情況。而二值圖像作為水印嵌入神經網絡模型訓練損失函數(shù)和與原始模型損失函數(shù)基本擬合,這表明01矩陣水印可以在不影響原始任務性能的情況下有效地嵌入。

    表1顯示各個水印信息對于訓練神經網絡模型準確度的影響,在經過訓練迭代50次時,3種情況下模型準確度均達到了90%以上,可以看出二值圖像水印的神經網絡模型與原模型準確度更為接近。

    綜上可得,二值圖像作為水?。?1矩陣水?。┣度氲缴窠浘W絡中不會改變初始神經網絡的性能,是一個較優(yōu)選擇。

    3.2提取結果

    首先分別將二值圖像和灰度圖像進行預處理,獲得256位向量作為水印,直接嵌入神經網絡的權重中,經統(tǒng)計二值圖像水印實驗結果如圖6所示,其中圖6(a)為嵌入的水印圖像,圖6(b)、圖6(c)、圖6(d)分別為訓練神經網絡時不同迭代次數(shù)下所提取的水印圖像,圖7顯示了灰度圖像水印提取結果,隨著epoch次數(shù)增加,神經網絡中權重的更新次數(shù)也相應增加,模型的精度也會更好,嵌入水印效果更好。對于圖像水印直接觀察可以看到區(qū)別,100次的迭代效果明顯更加。

    對水印作客觀評價,將嵌入的水印與提取的水印進行對比,二值圖像水印PSNR和SSIM值見表2,灰度圖像水印評價指標見表3,PSNR值和SSIM值皆為值越大效果越好,隨著epoch數(shù)量的增加,提取的水印質量也逐步變好,相比較之下,二值圖像提取前后結構相似性更好,效果更好。

    4水印信息加密影響測試

    4.1常用方法加密

    為了保護隱私,在水印嵌入之前需對水印進行預處理,對二值圖像采用3種加密算法進行加密,分別為Arnold變換、按位異或加密以及行列像素置亂,將加密后的圖像作為水印嵌入到神經網絡中,對提取后的圖像對應解密,即可得到提取的的水印。圖8,圖9,圖10分別顯示了經Arnold變換、按位異或加密行列像素置亂后的水印圖像嵌入與提取對比。可以從視覺觀察到,Arnold變換和行列像素置亂這2種加密算法效果較好,而按位異或加密存在明顯差異。

    4.1.1Arnold變換

    Arnold變換[21]的加密方法是通過變換把圖像變得“雜亂無章”,達到加密信息的目的。Arnold變換算法簡單,具有周期性和對稱性[22],變換周期大小與圖像大小即N有關,呈非線性關系。

    4.1.2按位異或加密

    按位異或加解密過程:首先需要獲取原始圖像的大小,再利用Python的隨機函數(shù)生成與原始圖像大小一致的密鑰圖像,分別獲取原始圖像與密鑰圖像的像素值,并將其轉化為二進制,再將轉化的二進制進行異或運算得到新的一組數(shù)據(jù),最后將此數(shù)據(jù)轉化為十進制,通過矩陣轉圖像的方法可得到加密圖像,解密同理,將加密圖像與密鑰圖像進行異或運算就可恢復原始圖像。

    4.1.3行列像素置亂

    行列像素置亂加解密過程:首先利用Matlab函數(shù)Size()獲取圖像大小即行列各像素點的個數(shù),再根據(jù)圖像的大小利用Randsample函數(shù)產生同等數(shù)量的隨機向量,最后利用此隨機數(shù)對圖像分別進行行與列像素置亂從而實現(xiàn)加密,解密是采用同樣的密鑰對加密圖像進行列置亂,就可以恢復至初始圖像。

    4.2性能影響分析

    對提取的水印質量作以客觀評價,選擇了2種較為經典的圖像對比評價指標:峰值信噪比與結構相似性,將加密后的水印嵌入到神經網絡之中,提取出來再進行解密,評價其提取前后PSNR與SSIM值,表4表5顯示評價結果??梢钥闯霾捎眯辛邢袼刂脕y方法加密水印其提取結果結構相似性更高,而按位異或加密其結果最差并不適用于對水印圖像進行預處理,實驗結果表明,采用二值圖像作為水印嵌入到神經網絡中不會改變初始神經網絡的性能,對于水印信息加密應選擇行列像素置亂加密算法。

    5結論

    1)通過分析圖像域和神經網絡域中有效水印算法的需求,對水印信息進行了優(yōu)化,將簡單的二進制串優(yōu)化為二值圖像與灰度圖像。對于不同水印形式進行了分析和測試,通過實驗得出嵌入水印的模型與未嵌入水印的模型參數(shù)分布一致,嵌入水印并不會改變原始網絡的性能。DAF48E84-D850-42A6-ACD2-F01DE4E09875

    2)為了更好的保護隱私,在嵌入水印之前對水印進行了預處理,選擇了3種加密算法,其中包括Aronld變換、按位異或加密以及行像素置亂加密,對提取出來的3種水印信息綜合比較,評價其PSNR值和SSIM值得出采用行列像素置亂加密算法加密水印的提取效果較優(yōu)。

    3)文中的水印嵌入方法可以在不影響原始任務性能的情況下有效地嵌入水印,采用行列像素置亂的二值圖像作為水印,嵌入到神經網絡中不會改變初始神經網絡的性能,是一個較優(yōu)選擇。雖對水印信息進行了優(yōu)化,但在訓練神經網絡模型時由于設備限制均采取小批次訓練,對于已嵌入水印的神經網絡模型沒有進行攻擊,在后續(xù)研究中將對其魯棒性進行評估。

    參考文獻(References):

    [1]ZHANG Z M,LI R Y,LEI W.Adaptive watermark scheme with RBF neural networks[C]//International Conference on Neural Networks & Signal Processing.Nanjing,China,Dec.14-17,2003:1517-1520.

    [2]UCHIDA Y,NAGAI Y,SAKAZAWA S,et al.Embedding watermarks into deep neural networks[C]//International Conference on Multimedia Retrieval,Bucharest,Romania,Jun.6-9,2017:269-277.

    [3]JIA Y,SHELHAMER E,DONAHUE J,et al.Caffe:Convolutional architecture for fast feature embedding[C]//Proceedings of the 22nd ACM International Conference on Multimedia.Orlando,F(xiàn)lorida,USA,2014(3-7):675-678.

    [4]BERGSTRA J,BREULEUX O,BASTIEN F,et al.Theano:A CPU and GPU math expression compiler[J].Proceedings of the Python for Scientific Computing Conference(Scipy),2010,4(3):1-7.

    [5]TOKUI S,OKUTA R,AKIBA T,et al.Chainer: A deep learning framework for accelerating the research cycle[C]//Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining.Alaska:Association for Computing Machinery,2019:2002-2011.

    [6]MERRER E L,PEREZ P,TREDAN G.Adversarial frontier stitching for remote neural network watermarking[J].Neural Computing and Applications,2020,32(13):9233-9244.

    [7]XUE M,WU Z,HE C,et al.Active DNN IP protection:A novel user fingerprint management and DNN authorization control technique[C]//2020 IEEE 19th International Conference on Trust,Security and Privacy in Computing and Communications(TrustCom).Guangzhou,China,Nov.10-13,2020:975-982.

    [8]CHEN H L,ROUHANI B D,F(xiàn)U C,et al.Deepmarks:A secure fingerprinting framework for digital rights management of deep learning models[C]//ICMR19:Proceedings of the 2019 on International Conference on Multimedia.Ottawa,Canada,2019(10-13):105-113.

    [9]KURIBAYASHI M,TANAKA T,F(xiàn)UNABIKI N.Deep watermark:Embedding watermark into DNN model[C]//2020 Asia-Pacific Signal and Information Processing Association Annual Summit and Conference(APSIPA ASC).Auckland,New Zealand,Dec.7-10,2020:1340-1346.

    [10]FENG L,ZHANG X P.Watermarking neural network with compensation mechanism[C]//Engineering and Management(KSEM 2020),Hangzhou,China,Aug.28-30,2020:363-375.DAF48E84-D850-42A6-ACD2-F01DE4E09875

    [11]WANG T,KERSCHBAUM F.RIGA:Covert and robust white-box watermarking of deep neural networks[C]//International World Wide Web Conference Committee,Ljubljana,Slovenia,Apr.19-23,2021:993-1004.

    [12]SAKAZAWA S,MYODO E,TASAKA K,et al.Visual decoding of hidden watermark in trained deep neural network[C]//2019 IEEE Conference on Multimedia Information Processing and Retrieval(MIPR).San Jose,California,USA,Mar.28-30,2019:371-374.

    [13]NAGAI Y,UCHIDA Y,SAKAZAWA S,et al.Digital watermarking for deep neural networks[J].International Journal of Multimedia Information Retrieval,2018,7(1):3-16.

    [14]LI Z,HU C,ZHANG Y,et al.How to prove your model belongs to you:A blind-watermark based framework to protect intellectual property of DNN[C]//Proceedings of the 35th Annual Computer Security Applications Conference.New York:Association for Computing Machinery,2019:126-137.

    [15]JEBREEL N M,DOMINGO-FERRER J,SANCHEZ D,et al.KeyNet:An asymmetric key-Style framework for watermarking deep learning models[J].Applied Sciences,2021,11(3):999-1010.

    [16]WANG Y C,TAO L M,PAN Z C,et al.Pulsar candidate classification with deep convolutional neural networks[J].Research in Astronomy and Astrophysics,2019,19(9):119-128.

    [17]LECUN Y,BOTTOU L,BENGIO Y,et al.Gradient-based learning applied to document recognition[J].Proceedings of the IEEE,1998,86(11):2278-2324.

    [18]CHOROMANSKA A,HENAFF M,MATHIEU M,et al.The loss surfaces of multilayer networks[C]//Proceedings of the 18th International Conference on Artificial Intelligence and Statistics(AISTATS)2015,California:Eprint Arxiv,2015:192-204.

    [19]佟雨兵,張其善,祁云平.基于PSNR與SSIM聯(lián)合的圖像質量評價模型[J].中國圖象圖形學報,2006(12):1758-1763.TONG Yubing,ZHANG Qishan,QI Yunping.Image quality assessing by combining PSNR with SSIM[J].Journal of Image and Graphics,2006(12):1758-1763.

    [20]KRIZHEVSKY A,HINTON G.Learning multiple layers of features from tiny images[J].Handbook of Systemic Autoimmune Diseases,2009,1(4):1-60.

    [21]廖日軍,李雄軍,徐健杰,等.Arnold變換在二值圖像置亂應用中若干問題討論[J].深圳大學學報(理工版),2015,32(4):428-433.LIAO Rijun,LI Xiongjun,XU Jianjie,et al.Discussions on applications of Arnold transformation in binary image scrambling[J].Journal of Shenzhen University(Science and Engineering),2015,32(4):428-433.

    [22]陳寶文,陳彥安.基于Arnold變換與混沌系統(tǒng)的位級圖像加密[J].信息通信,2020,4(10):36-39.CHEN Baowen,CHEN Yanan.Bit-level image encryption based on Arnold transform and chaotic system[J].Information & Communications,2020,4(10):36-39.DAF48E84-D850-42A6-ACD2-F01DE4E09875

    猜你喜歡
    版權保護
    自媒體生態(tài)下網絡出版版權保護探究
    圖書出版版權保護的困境與出路思考
    科技傳播(2019年23期)2020-01-18 07:58:34
    影響圖書出版產業(yè)效益的版權保護關鍵要素研究*
    中國出版(2019年23期)2020-01-11 08:23:14
    中文科技期刊版權保護存在的問題與解決策略
    科技傳播(2019年24期)2019-06-15 09:30:02
    版權保護與文化強國建設關系探討
    數(shù)字版權保護技術應用產業(yè)聯(lián)盟正式成立
    出版人(2017年8期)2017-08-16 11:45:36
    當前傳統(tǒng)媒體版權保護的難點及對策
    傳媒評論(2017年3期)2017-06-13 09:18:10
    互聯(lián)網環(huán)境下的音樂版權保護
    知識產權(2016年7期)2016-12-01 07:01:06
    傳統(tǒng)媒體版權保護面臨八大難關
    新聞傳播(2016年9期)2016-09-26 12:20:15
    論圖書編輯的版權保護意識
    出版與印刷(2016年3期)2016-02-02 01:20:12
    日韩欧美一区视频在线观看| 91字幕亚洲| 欧美成人性av电影在线观看| 可以在线观看毛片的网站| 男人操女人黄网站| 欧美日韩中文字幕国产精品一区二区三区 | 欧美激情高清一区二区三区| 琪琪午夜伦伦电影理论片6080| 女人高潮潮喷娇喘18禁视频| av中文乱码字幕在线| 99国产极品粉嫩在线观看| 国产精品久久久av美女十八| 久久国产精品男人的天堂亚洲| 国产深夜福利视频在线观看| 色播在线永久视频| 操出白浆在线播放| a在线观看视频网站| 视频在线观看一区二区三区| 亚洲av熟女| 亚洲av成人av| 在线免费观看的www视频| 天天躁夜夜躁狠狠躁躁| 欧美乱色亚洲激情| 国产在线精品亚洲第一网站| 中文字幕色久视频| 亚洲欧美激情综合另类| 99riav亚洲国产免费| 两个人免费观看高清视频| 成人av一区二区三区在线看| 大型黄色视频在线免费观看| 亚洲成人免费av在线播放| 亚洲美女黄片视频| 久久久久亚洲av毛片大全| 久久精品91蜜桃| 国产精品久久久久成人av| 日本三级黄在线观看| 男人操女人黄网站| 日本a在线网址| 99在线人妻在线中文字幕| 午夜影院日韩av| 亚洲五月色婷婷综合| 看片在线看免费视频| 老司机午夜福利在线观看视频| 亚洲人成电影观看| 免费看十八禁软件| 一个人免费在线观看的高清视频| 国产高清激情床上av| 午夜视频精品福利| 亚洲一区中文字幕在线| 国产又色又爽无遮挡免费看| 欧美日本亚洲视频在线播放| 欧美一区二区精品小视频在线| 两性午夜刺激爽爽歪歪视频在线观看 | a级片在线免费高清观看视频| 丁香欧美五月| 每晚都被弄得嗷嗷叫到高潮| 亚洲av片天天在线观看| 级片在线观看| 色综合欧美亚洲国产小说| 国产区一区二久久| 99国产精品一区二区蜜桃av| 成人亚洲精品一区在线观看| 1024香蕉在线观看| 18禁国产床啪视频网站| 99国产极品粉嫩在线观看| 在线观看66精品国产| 亚洲一区二区三区不卡视频| 国产高清国产精品国产三级| 美女 人体艺术 gogo| 一级,二级,三级黄色视频| 午夜福利在线免费观看网站| 亚洲成人国产一区在线观看| 国产男靠女视频免费网站| 在线观看www视频免费| www日本在线高清视频| 日韩大尺度精品在线看网址 | 一区二区三区精品91| 男女之事视频高清在线观看| 国产精品免费一区二区三区在线| 男人舔女人下体高潮全视频| 乱人伦中国视频| 国产精品亚洲一级av第二区| 午夜91福利影院| 亚洲情色 制服丝袜| 91麻豆av在线| 国产极品粉嫩免费观看在线| 久久亚洲真实| 成人亚洲精品一区在线观看| 精品乱码久久久久久99久播| 久久精品aⅴ一区二区三区四区| 国产精品影院久久| 夜夜看夜夜爽夜夜摸 | 亚洲精品一区av在线观看| 欧美性长视频在线观看| 日韩大尺度精品在线看网址 | 亚洲国产中文字幕在线视频| 久久午夜综合久久蜜桃| 最新在线观看一区二区三区| 18禁黄网站禁片午夜丰满| 三级毛片av免费| 国产av又大| 真人一进一出gif抽搐免费| 满18在线观看网站| 人成视频在线观看免费观看| 日韩av在线大香蕉| 久久久国产精品麻豆| 免费av毛片视频| 亚洲国产欧美日韩在线播放| 亚洲 欧美一区二区三区| 日韩大码丰满熟妇| 日韩欧美免费精品| 成人免费观看视频高清| 欧美激情 高清一区二区三区| 国产亚洲欧美在线一区二区| 另类亚洲欧美激情| 啦啦啦免费观看视频1| 无遮挡黄片免费观看| 午夜精品国产一区二区电影| 在线观看免费视频日本深夜| 国产精品乱码一区二三区的特点 | 中文字幕人妻熟女乱码| 亚洲国产欧美一区二区综合| 国产伦人伦偷精品视频| 这个男人来自地球电影免费观看| 最近最新免费中文字幕在线| 久久九九热精品免费| 国产精品久久电影中文字幕| 欧美最黄视频在线播放免费 | 91成人精品电影| 欧美黑人精品巨大| 亚洲第一青青草原| 久久亚洲精品不卡| 亚洲自拍偷在线| 亚洲国产看品久久| 岛国视频午夜一区免费看| 国产成人av教育| 深夜精品福利| 欧美午夜高清在线| 精品人妻在线不人妻| 波多野结衣av一区二区av| 亚洲 国产 在线| 色哟哟哟哟哟哟| 夜夜看夜夜爽夜夜摸 | 国产野战对白在线观看| 亚洲 国产 在线| 大型黄色视频在线免费观看| 午夜视频精品福利| 麻豆久久精品国产亚洲av | 国产精品 国内视频| 99久久国产精品久久久| 久久九九热精品免费| 国产精品偷伦视频观看了| 久久天躁狠狠躁夜夜2o2o| 久久99一区二区三区| 久久精品国产亚洲av高清一级| 99国产综合亚洲精品| 国产一区二区三区在线臀色熟女 | 人人澡人人妻人| 久久影院123| 亚洲欧洲精品一区二区精品久久久| 高清在线国产一区| 亚洲欧洲精品一区二区精品久久久| 国产成人精品久久二区二区免费| 咕卡用的链子| 免费在线观看日本一区| 国产成人av激情在线播放| 成人18禁高潮啪啪吃奶动态图| 9色porny在线观看| 亚洲欧美一区二区三区久久| 成人特级黄色片久久久久久久| 久久久久亚洲av毛片大全| 女性生殖器流出的白浆| 久久亚洲真实| 国产亚洲欧美98| 国内久久婷婷六月综合欲色啪| 人人妻人人添人人爽欧美一区卜| 岛国在线观看网站| 少妇 在线观看| 欧美日韩亚洲高清精品| 亚洲精品久久成人aⅴ小说| 欧美日韩乱码在线| 97超级碰碰碰精品色视频在线观看| 精品国内亚洲2022精品成人| 亚洲中文字幕日韩| 亚洲成人精品中文字幕电影 | 国产精品免费一区二区三区在线| 亚洲第一青青草原| 亚洲性夜色夜夜综合| 久久天躁狠狠躁夜夜2o2o| 亚洲成a人片在线一区二区| 亚洲一区高清亚洲精品| 婷婷丁香在线五月| 黄色丝袜av网址大全| 黄色怎么调成土黄色| 亚洲国产欧美网| 欧美国产精品va在线观看不卡| 午夜激情av网站| 国产亚洲av高清不卡| 老汉色∧v一级毛片| 国产蜜桃级精品一区二区三区| 欧美激情极品国产一区二区三区| 夜夜爽天天搞| 99热国产这里只有精品6| 97超级碰碰碰精品色视频在线观看| 在线av久久热| 精品卡一卡二卡四卡免费| 热99国产精品久久久久久7| 国产精品国产高清国产av| 九色亚洲精品在线播放| 亚洲精品成人av观看孕妇| 巨乳人妻的诱惑在线观看| 日本 av在线| 欧美激情极品国产一区二区三区| 久久久久久大精品| 黄频高清免费视频| 日韩有码中文字幕| 日韩欧美在线二视频| 国产在线精品亚洲第一网站| 亚洲va日本ⅴa欧美va伊人久久| 午夜两性在线视频| 最好的美女福利视频网| 在线免费观看的www视频| 日本免费a在线| 午夜精品久久久久久毛片777| 日本三级黄在线观看| 久久精品亚洲精品国产色婷小说| 亚洲一区二区三区不卡视频| 欧美精品亚洲一区二区| 国产一区二区三区视频了| 亚洲av美国av| 亚洲av电影在线进入| 亚洲七黄色美女视频| 黄片大片在线免费观看| 精品国产一区二区久久| 成年女人毛片免费观看观看9| 中文字幕最新亚洲高清| 丁香六月欧美| 欧美国产精品va在线观看不卡| 夜夜看夜夜爽夜夜摸 | 狂野欧美激情性xxxx| 国产精品久久电影中文字幕| 亚洲 欧美一区二区三区| 亚洲自偷自拍图片 自拍| 天堂俺去俺来也www色官网| www.自偷自拍.com| 国产精品二区激情视频| 高清毛片免费观看视频网站 | 校园春色视频在线观看| av天堂久久9| 中文字幕高清在线视频| 国产精品综合久久久久久久免费 | 久久久久精品国产欧美久久久| 精品高清国产在线一区| 日本黄色视频三级网站网址| 丰满的人妻完整版| 亚洲七黄色美女视频| 亚洲人成电影免费在线| 十分钟在线观看高清视频www| 中文字幕精品免费在线观看视频| 丁香欧美五月| 老鸭窝网址在线观看| 最新美女视频免费是黄的| 妹子高潮喷水视频| 亚洲精品一二三| 两性夫妻黄色片| 91大片在线观看| 一边摸一边抽搐一进一出视频| avwww免费| 国产有黄有色有爽视频| 午夜精品久久久久久毛片777| 国产aⅴ精品一区二区三区波| 黄网站色视频无遮挡免费观看| 长腿黑丝高跟| 波多野结衣一区麻豆| 91精品国产国语对白视频| 神马国产精品三级电影在线观看 | 国产亚洲精品第一综合不卡| 欧美黄色片欧美黄色片| 欧美在线一区亚洲| 最近最新中文字幕大全电影3 | 99国产精品一区二区蜜桃av| 黄色丝袜av网址大全| 夜夜看夜夜爽夜夜摸 | 美女高潮到喷水免费观看| 午夜精品在线福利| 两个人看的免费小视频| 国产精品乱码一区二三区的特点 | 日韩欧美一区二区三区在线观看| 麻豆av在线久日| 一级毛片女人18水好多| 亚洲精品国产区一区二| 十八禁网站免费在线| 18禁裸乳无遮挡免费网站照片 | 亚洲精品av麻豆狂野| 不卡一级毛片| 久久国产精品男人的天堂亚洲| 久久久久久久午夜电影 | 亚洲欧美激情在线| 波多野结衣av一区二区av| 欧美黄色片欧美黄色片| 久久香蕉国产精品| 亚洲精华国产精华精| 女人精品久久久久毛片| 亚洲在线自拍视频| 欧美 亚洲 国产 日韩一| 麻豆久久精品国产亚洲av | 老司机午夜十八禁免费视频| 成人18禁在线播放| 成人永久免费在线观看视频| 悠悠久久av| 一a级毛片在线观看| 一个人免费在线观看的高清视频| 男人的好看免费观看在线视频 | 国产精品亚洲av一区麻豆| 99精品在免费线老司机午夜| 一边摸一边做爽爽视频免费| 亚洲少妇的诱惑av| 欧美黑人欧美精品刺激| 成年人黄色毛片网站| 日日夜夜操网爽| 手机成人av网站| 女人高潮潮喷娇喘18禁视频| 欧美日本中文国产一区发布| 麻豆av在线久日| 国产亚洲欧美精品永久| 91在线观看av| 18禁观看日本| 人人妻人人爽人人添夜夜欢视频| 免费人成视频x8x8入口观看| 亚洲成国产人片在线观看| 亚洲午夜理论影院| 黄色 视频免费看| 午夜免费观看网址| 69av精品久久久久久| 亚洲一区高清亚洲精品| 老司机深夜福利视频在线观看| 一级a爱片免费观看的视频| 成在线人永久免费视频| 日韩一卡2卡3卡4卡2021年| 午夜免费鲁丝| 黄网站色视频无遮挡免费观看| 在线观看免费视频网站a站| 午夜亚洲福利在线播放| 国产精品 欧美亚洲| 日韩精品中文字幕看吧| 国产三级在线视频| 国产精品自产拍在线观看55亚洲| 97碰自拍视频| 国产三级黄色录像| 免费不卡黄色视频| 欧美不卡视频在线免费观看 | 成人亚洲精品一区在线观看| 校园春色视频在线观看| 在线观看66精品国产| 久久精品人人爽人人爽视色| 成年女人毛片免费观看观看9| 欧美激情久久久久久爽电影 | 中文字幕另类日韩欧美亚洲嫩草| 国产激情久久老熟女| 妹子高潮喷水视频| 91成年电影在线观看| 日韩欧美在线二视频| 黄色 视频免费看| 欧美日韩乱码在线| 亚洲欧洲精品一区二区精品久久久| 天天躁夜夜躁狠狠躁躁| av超薄肉色丝袜交足视频| 搡老熟女国产l中国老女人| 长腿黑丝高跟| 国产精品永久免费网站| 男女午夜视频在线观看| 超色免费av| 午夜日韩欧美国产| 18禁国产床啪视频网站| 亚洲成国产人片在线观看| 国产无遮挡羞羞视频在线观看| 欧美在线黄色| 日本精品一区二区三区蜜桃| 国产精品美女特级片免费视频播放器 | 国产一区二区三区视频了| 亚洲欧美一区二区三区黑人| 亚洲精品国产色婷婷电影| 精品人妻1区二区| 亚洲黑人精品在线| 真人做人爱边吃奶动态| 午夜福利一区二区在线看| 一进一出抽搐动态| 欧美精品亚洲一区二区| 午夜福利免费观看在线| 亚洲国产中文字幕在线视频| 国产欧美日韩一区二区三区在线| 久久99一区二区三区| 丝袜美足系列| 久久中文看片网| 精品久久久久久成人av| 日韩精品免费视频一区二区三区| 免费av中文字幕在线| 他把我摸到了高潮在线观看| 50天的宝宝边吃奶边哭怎么回事| av有码第一页| 久久精品亚洲精品国产色婷小说| 交换朋友夫妻互换小说| 精品少妇一区二区三区视频日本电影| 久久精品亚洲av国产电影网| 18禁观看日本| 国产成人欧美在线观看| 国产不卡一卡二| 熟女少妇亚洲综合色aaa.| 久热这里只有精品99| 多毛熟女@视频| 午夜福利一区二区在线看| 国产aⅴ精品一区二区三区波| 国产一卡二卡三卡精品| 精品国产乱子伦一区二区三区| 亚洲熟妇中文字幕五十中出 | 国产精品av久久久久免费| 免费在线观看视频国产中文字幕亚洲| 亚洲aⅴ乱码一区二区在线播放 | 69精品国产乱码久久久| 午夜免费成人在线视频| 高清av免费在线| 精品国产美女av久久久久小说| 亚洲欧洲精品一区二区精品久久久| 99热只有精品国产| 精品高清国产在线一区| а√天堂www在线а√下载| 99国产精品一区二区三区| 男女之事视频高清在线观看| 一级黄色大片毛片| 别揉我奶头~嗯~啊~动态视频| 亚洲av成人不卡在线观看播放网| 少妇的丰满在线观看| 精品国产一区二区三区四区第35| videosex国产| 日日爽夜夜爽网站| 99国产综合亚洲精品| 欧美乱色亚洲激情| 1024视频免费在线观看| 色哟哟哟哟哟哟| 无人区码免费观看不卡| 天天躁狠狠躁夜夜躁狠狠躁| 午夜成年电影在线免费观看| 免费高清视频大片| 色播在线永久视频| 国产av精品麻豆| 亚洲专区字幕在线| 中国美女看黄片| 777久久人妻少妇嫩草av网站| 香蕉丝袜av| 在线观看免费高清a一片| 黄色视频不卡| 黄片播放在线免费| 久久天堂一区二区三区四区| 亚洲精品av麻豆狂野| 丝袜美腿诱惑在线| 国产乱人伦免费视频| 成人手机av| 99久久人妻综合| e午夜精品久久久久久久| 伊人久久大香线蕉亚洲五| 女警被强在线播放| 久久婷婷成人综合色麻豆| 国产精品美女特级片免费视频播放器 | 美女大奶头视频| 国产av一区在线观看免费| 日韩欧美一区二区三区在线观看| 精品国产乱子伦一区二区三区| 免费高清在线观看日韩| 国产精品99久久99久久久不卡| 两性夫妻黄色片| 99国产极品粉嫩在线观看| 欧美另类亚洲清纯唯美| 欧美黄色片欧美黄色片| 91在线观看av| 午夜福利在线观看吧| 少妇粗大呻吟视频| 狂野欧美激情性xxxx| 1024香蕉在线观看| 亚洲av片天天在线观看| 日韩人妻精品一区2区三区| 精品国产超薄肉色丝袜足j| x7x7x7水蜜桃| 在线观看一区二区三区| 免费观看精品视频网站| 久久人妻熟女aⅴ| 国产亚洲精品久久久久久毛片| 女警被强在线播放| 午夜a级毛片| 日韩大尺度精品在线看网址 | 久久久久国产一级毛片高清牌| 亚洲激情在线av| 男男h啪啪无遮挡| 一夜夜www| 日本黄色视频三级网站网址| av片东京热男人的天堂| 午夜免费观看网址| 黑人操中国人逼视频| 最近最新免费中文字幕在线| 国产高清视频在线播放一区| 欧美成人免费av一区二区三区| 88av欧美| 国产免费男女视频| 在线观看免费日韩欧美大片| 亚洲伊人色综图| 色综合欧美亚洲国产小说| 岛国视频午夜一区免费看| 国产熟女xx| a级毛片在线看网站| 老司机靠b影院| www国产在线视频色| 免费在线观看完整版高清| 一级毛片高清免费大全| 亚洲aⅴ乱码一区二区在线播放 | 欧美成人免费av一区二区三区| 美女高潮喷水抽搐中文字幕| 亚洲专区字幕在线| 成年人黄色毛片网站| 操出白浆在线播放| 精品一品国产午夜福利视频| 国产1区2区3区精品| 精品福利永久在线观看| 18禁观看日本| 日本三级黄在线观看| 欧美激情极品国产一区二区三区| 亚洲午夜精品一区,二区,三区| 一区在线观看完整版| 日本欧美视频一区| 国产99久久九九免费精品| 中文字幕人妻丝袜制服| 天堂俺去俺来也www色官网| 国产区一区二久久| 欧美黑人欧美精品刺激| 亚洲va日本ⅴa欧美va伊人久久| 中文欧美无线码| 在线视频色国产色| 怎么达到女性高潮| 国产成人精品无人区| 亚洲国产欧美日韩在线播放| 校园春色视频在线观看| 女性生殖器流出的白浆| 一级黄色大片毛片| 两人在一起打扑克的视频| 国产精品免费一区二区三区在线| 日韩免费高清中文字幕av| 中文欧美无线码| 丁香欧美五月| 国产激情欧美一区二区| 一级片免费观看大全| 天天躁夜夜躁狠狠躁躁| 男女高潮啪啪啪动态图| 嫩草影院精品99| 黄网站色视频无遮挡免费观看| 首页视频小说图片口味搜索| 亚洲男人天堂网一区| 久久精品亚洲熟妇少妇任你| 在线观看日韩欧美| 国产蜜桃级精品一区二区三区| 9191精品国产免费久久| 国产精华一区二区三区| 无遮挡黄片免费观看| 高潮久久久久久久久久久不卡| 日日干狠狠操夜夜爽| 三上悠亚av全集在线观看| 黑人猛操日本美女一级片| 日韩视频一区二区在线观看| 国产精品亚洲一级av第二区| 女人被狂操c到高潮| 亚洲av成人av| 国产乱人伦免费视频| 精品一区二区三区四区五区乱码| 另类亚洲欧美激情| 欧美乱色亚洲激情| 亚洲精华国产精华精| 精品国产亚洲在线| 女警被强在线播放| 亚洲美女黄片视频| 自拍欧美九色日韩亚洲蝌蚪91| 亚洲国产看品久久| 国产人伦9x9x在线观看| 中文字幕人妻丝袜一区二区| 日韩大尺度精品在线看网址 | 叶爱在线成人免费视频播放| 超碰成人久久| 国产黄色免费在线视频| 999精品在线视频| aaaaa片日本免费| 国产又色又爽无遮挡免费看| 91大片在线观看| 美女高潮到喷水免费观看| 中文字幕精品免费在线观看视频| 老鸭窝网址在线观看| 久久婷婷成人综合色麻豆| aaaaa片日本免费| 日本 av在线| 高潮久久久久久久久久久不卡| 成在线人永久免费视频| 亚洲av五月六月丁香网| 国产精华一区二区三区| 亚洲 国产 在线| 国产成人欧美在线观看| 亚洲精品美女久久久久99蜜臀| 国产乱人伦免费视频| 夜夜夜夜夜久久久久| 久久久水蜜桃国产精品网| 又紧又爽又黄一区二区| 精品久久蜜臀av无| videosex国产| 精品一区二区三区视频在线观看免费 | 99国产精品一区二区三区| 国产欧美日韩综合在线一区二区| 国产91精品成人一区二区三区| 国产精品久久久久成人av| 人人妻人人澡人人看| 99热只有精品国产| 欧美日韩av久久|