基于混沌与超混沌图像加密算法中人工智能集成的模块化架构

《Computation》:Modular Architecture for Artificial Intelligence Integration in Chaos- and Hyperchaos-Based Image Encryption Algorithms

【字体: 大 中 小 】 时间:2026年09月27日 来源:Computation 2.6

编辑推荐:

  本文提出了一种将人工智能(AI)功能集成到基于斐波那契矩阵的混沌图像加密算法中的架构。该方案旨在通过基于输入图像的数值特征生成混沌或超混沌系统参数及斐波那契矩阵,从而在加密过程中引入动态行为。该方法包含两项主要创新:一是用于集成AI模型以自动生成动力系统参数的

  
本文提出了一种将人工智能(AI)功能集成到基于斐波那契矩阵的混沌图像加密算法中的架构。该方案旨在通过基于输入图像的数值特征生成混沌或超混沌系统参数及斐波那契矩阵,从而在加密过程中引入动态行为。该方法包含两项主要创新:一是用于集成AI模型以自动生成动力系统参数的模块化架构;二是用于确定斐波那契Q矩阵数值的AI辅助流程。该算法在MATLAB中实现,并使用来自四个平台的AI模型进行了实验评估:OpenAI、Gemini、Claude和DeepSeek。所获结果表明,各项数值均接近理论参考值,平均信息熵为7.9966,平均绝对相关系数为0.001209。研究还考察了算法对不同攻击的鲁棒性。NPCR和UACI的整体平均值与其理论参考值的偏差分别为0.000731和0.002063。此外,当椒盐噪声密度从2%增加至5%时,峰值信噪比(PSNR)平均下降3.7747 dB;当数据裁剪比例从10%增加至25%时,PSNR平均下降3.5577 dB。所得结果证明了所提出的AI集成架构在动态配置混沌图像加密算法方面的适用性。

论文解读

一、研究背景与问题

在社交媒体、日常通信和数字医疗平台等场景中,数字图像已成为信息生成与共享的主要载体之一。随着AI驱动的图像生成与编辑工具的普及,图像数据的规模与复杂度持续增长,这对图像信息的保密性、完整性和可用性提出了更高要求。在网络安全的信息安全三元组(CIA)框架下,保密性要求通过可靠的密码机制限制未授权访问,完整性要求确保图像内容未被篡改,可用性则要求合法用户在需要时能够访问受保护数据。
传统图像加密算法虽然在安全性上具有一定保障,但普遍存在密钥生成依赖人工经验、参数固定缺乏动态适应性等问题。人工选择加密参数或采用固定参数配置,可能因用户经验不足、决策失误或重复使用可预测参数而引入安全漏洞。与此同时,混沌系统对初始条件和参数具有极端敏感性,这使其成为图像加密的理想基础,但如何高效、动态地生成满足混沌或超混沌条件的参数,始终是制约该类算法实用化的关键瓶颈。
近年来,AI技术的快速发展为上述问题提供了新的解决思路。AI模型能够根据输入上下文预测并生成最可能的输出序列,这使其具备根据图像特征自动生成加密参数的潜力。然而,现有研究多集中于将AI用于优化混沌参数或结合深度学习架构生成密钥流,缺乏系统化的、可灵活替换不同AI模型的模块化集成方案。此外,在超混沌系统与AI结合的背景下,如何确保AI生成的参数始终满足混沌或超混沌的动态行为约束,仍是尚未充分解决的问题。

二、研究内容与意义

针对上述问题,研究人员提出了一种将AI功能集成到基于混沌/超混沌系统和斐波那契Q矩阵的图像加密算法中的模块化架构。该架构的核心创新在于:通过AI模型根据输入图像的熵、平均强度和对比度等统计特征,自动生成混沌/超混沌系统的参数和初始条件,以及斐波那契Q矩阵的数值,从而使加密过程中的关键配置阶段实现动态化和自动化。该方案在MATLAB中实现,并选用OpenAI、Gemini、Claude和DeepSeek四个平台的AI模型进行实验验证。
研究结果表明,该架构在信息熵、相关系数、NPCR和UACI等核心安全指标上均接近理论最优值,且对不同攻击具有良好的鲁棒性。更重要的是,该架构具有模块化特性,允许在不修改算法主体结构的前提下替换不同的AI模型,这为实际应用提供了极大的灵活性。该研究的学术意义在于:首次系统性地提出了AI与混沌图像加密算法集成的通用架构框架,并通过多平台AI模型的交叉验证证明了该架构的普适性和稳定性,为后续相关研究提供了可复现的方法论基础。

三、关键技术方法

研究人员采用了以下主要技术方法:其一,使用三阶混沌系统(Shukur模型)和四阶超混沌系统作为加密核心的动力学基础,通过李雅普诺夫指数谱分析验证系统的混沌/超混沌特性;其二,利用斐波那契Q矩阵实现分块线性扩散变换,并引入基于独立混沌密钥流的非线性XOR扩散层以增强扩散效果;其三,构建模块化AI集成架构,通过HTTP请求调用四个不同平台的AI模型(OpenAI的GPT-4、Google Gemini的Gemini 3.1 Flash-Lite、DeepSeek的DeepSeek V4 Flash、Anthropic的Claude Haiku 4.5),由AI根据图像熵、平均强度和对比度生成系统参数和斐波那契矩阵数值;其四,对AI生成的参数进行严格验证,包括参数取值范围检查、李雅普诺夫指数计算以及斐波那契矩阵的可逆性验证;其五,采用Dormand-Prince数值积分方法求解混沌系统的常微分方程以生成加密所需的混沌序列。测试图像选用标准彩色图像Peppers(512×512像素)及其他四幅标准测试图像。

四、研究结果

4.1 主要结果。 以Peppers图像为主要测试对象,分别使用混沌系统和超混沌系统结合四种AI模型进行加密实验。加密图像的直方图平滑且均匀分布,表明加密过程未泄露原始图像的统计信息。原始图像与加密图像之间的相关系数极低,证实了加密的高效性。数值结果显示,信息熵和NPCR均接近理论最大值,平均信息熵为7.9966,平均绝对相关系数为0.001209,证实AI集成能够成功生成适用于混沌和超混沌系统的最优参数。
4.2 附加结果。 使用四幅额外标准测试图像进行验证,结果与主要结果一致,平均信息熵达到7.99925。在相关系数方面,Claude模型与超混沌系统组合获得了最低的平均绝对值0.000467。结果表明,对于自然图像,AI模型和系统类型的选择对评估指标的影响较小,验证了所提方法对不同AI模型的稳定性。
4.2.1 差分攻击。 通过NPCR和UACI测试评估算法对差分攻击的抵抗能力。所有NPCR值均集中在理论参考值99.6094%附近,混沌系统配置下平均UACI为33.4584%,超混沌系统配置下为33.4727%,均接近理论参考值33.4635%。卡方检验值低于0.05显著性水平下的临界值,证实加密图像直方图的统计均匀性。
4.2.2 暴力破解攻击。 密钥空间分析表明,仅考虑系统参数作为密钥时,密钥空间至少为2200量级,远超过抵抗暴力破解所需的2100阈值。若将斐波那契矩阵的生成参数n纳入密钥空间,整体密钥空间可进一步扩大。
4.2.3 密钥敏感性。 对参数a进行单比特修改(差异为2.220×10-16)后,加密图像的NPCR和UACI分别为99.6089%和33.5239%,接近理论理想值。使用错误密钥解密时,MSE为10109.1543,PSNR仅为8.0837 dB,证实算法具有极高的密钥敏感性。超混沌系统配置下获得了类似的结果。
4.2.4 噪声与数据丢失抵抗能力。 当椒盐噪声密度从2%增加至5%时,PSNR平均下降约3.7747 dB;当数据裁剪比例从10%增加至25%时,PSNR平均下降约3.5577 dB。30次独立非确定性实验的统计结果表明,各AI模型在噪声和数据丢失攻击下的表现具有一致性,其中Claude模型在多数情况下提供了最高的平均PSNR值。
4.2.5 运行时间性能分析。 算法总体计算复杂度为O(N×M),主要取决于输入图像尺寸。AI请求处理时间主要受网络带宽、延迟和端点负载影响,而非模型本身。超混沌系统的加密平均执行时间(1.4013 s)约为混沌系统(1.1900 s)的1.18倍。解密时间几乎不变,因为解密过程不重新积分动力系统。Chaos-Claude组合实现了最短的总执行时间9.971 s。
4.2.6 NIST统计测试。 使用NIST SP 800-22测试套件对加密输出进行随机性评估。混沌系统配置通过了188项子测试中的179项(95.2%),超混沌系统配置通过了178项(94.7%)。仅Non-overlapping Template Matching测试出现可复现的失败,研究人员通过概率分析证明该失败是测试配置的统计特性所致,而非算法的结构性缺陷。
4.2.7 对比分析。 与当代其他图像加密算法相比,所提出的加密方案在各项评估指标上具有可比性,并在部分指标上优于现有方法。

五、讨论与结论

讨论部分指出,所提出的模块化架构允许在不修改算法主体的情况下替换不同AI模型,这是重要的架构特性。AI集成的主要优势在于减少了人工参与密钥生成的过程,降低了因人为因素导致的安全风险。然而,AI的引入也增加了攻击面,为此研究人员通过严格的数值验证、受限的数值输入和重试机制来降低风险。值得注意的是,AI API响应时间(1.2-3.8 s)比实际加密时间(约0.05 s)高约两个数量级,因此该方案适用于离线或异步加密场景,不适用于实时应用。
研究结论表明,本文提出了将AI功能集成到基于混沌动力学和斐波那契Q矩阵的图像加密算法中的方法与架构。在提出的修改方案中,生成参数由输入图像的数值特征确定,从而在加密过程中引入动态行为。不同输入图像可能导致混沌或超混沌系统的不同参数集以及不同的斐波那契矩阵。AI在此过程中的作用尤为重要,因为它自动化了对所提供图像特征的解释,并在无需人工选择参数的情况下生成所需数值。四种AI模型的实验结果表明,无论采用混沌系统还是超混沌系统,加密图像的主要评估指标均接近理论最大值,同时保持了相邻像素间的低相关性。这些结果证实了所提出的AI辅助参数生成方法可成功应用于两类动力系统,且AI生成的参数值在逆解密过程中同样有效,能够实现加密图像的成功恢复。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号