云環(huán)境中基于目標(biāo)檢測(cè)的密文圖像檢索方案

陳 享，何 亨，李 鵬，金 瑜，聶 雷

1.武漢科技大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，武漢430065

2.武漢科技大學(xué) 智能信息處理與實(shí)時(shí)工業(yè)系統(tǒng)湖北省重點(diǎn)實(shí)驗(yàn)室，武漢430065

1 引言

隨著大數(shù)據(jù)[1]和云計(jì)算技術(shù)[2]時(shí)代的到來(lái)，企業(yè)和個(gè)人用戶(hù)擁有大量的圖像文件需要存儲(chǔ)，由于將這些圖像文件存儲(chǔ)在自己本地會(huì)占用大量磁盤(pán)空間，云端存儲(chǔ)[3]被越來(lái)越廣泛地采用。然而，云服務(wù)器被認(rèn)為是“誠(chéng)實(shí)但好奇”的[4]，即云服務(wù)器雖然能夠正確執(zhí)行客觀的協(xié)議與功能，但是會(huì)主動(dòng)探測(cè)存儲(chǔ)在其上的敏感數(shù)據(jù)。因此為了保護(hù)企業(yè)和個(gè)人用戶(hù)的隱私，對(duì)其存儲(chǔ)在云端的圖像文件先要進(jìn)行加密處理[5]。由于加密后的圖像文件不再具有明文可檢索的特性，所以如何在加密的圖像文件中檢索出高相似度的圖像內(nèi)容，同時(shí)保證檢索的效率和精確度成為一個(gè)亟待解決的難題。

由于相似度計(jì)算方法是信息檢索中的關(guān)鍵技術(shù)之一，而圖像自身不適合進(jìn)行相似度計(jì)算，所以首先需要利用一個(gè)可計(jì)算的方式來(lái)表示圖像，即提取圖像特征的方法。傳統(tǒng)方法有基于顏色直方圖特征[6]提取、紋理特征[7]提取、形狀特征[8]提取，雖然上述三種圖像特征的提取方法有著簡(jiǎn)單易實(shí)現(xiàn)的優(yōu)點(diǎn)，但是其局限性也非常明顯，即都不能有效應(yīng)用于所有類(lèi)型圖像的相似度匹配中，從而導(dǎo)致相似匹配的圖像精確度比較低。目前較為流行的方法是基于SIFT算法來(lái)提取圖像特征[9]，其比較依賴(lài)于局部區(qū)域像素的梯度方向。當(dāng)圖像的像素梯度變化不明顯時(shí)，有可能使得找到的像素梯度變化的主方向不準(zhǔn)確，而特征向量的提取及匹配都依賴(lài)于主方向，即使不大角度偏差也會(huì)造成較大誤差，從而匹配不準(zhǔn)確?，F(xiàn)在仍有許多學(xué)者對(duì)SIFT算法研究并加以改進(jìn)[10]，也有利用類(lèi)似于SIFT算法的Fisher vector算法[11-12]提取圖形特征，取得了不錯(cuò)的效果。此外，還有學(xué)者利用像素梯度的變化來(lái)提取圖像特征[13]。近年來(lái)，隨著深度學(xué)習(xí)的發(fā)展，出現(xiàn)了更精確、更可靠的方法來(lái)對(duì)圖像進(jìn)行特征提取和分類(lèi)，例如使用卷積神經(jīng)網(wǎng)絡(luò)（CNN）[14]。在CNN的基礎(chǔ)上，進(jìn)一步發(fā)展有了R-CNN、Fast R-CNN[15]和Faster R-CNN[16]等一系列的目標(biāo)檢測(cè)模型，其中較為完善的是Faster R-CNN模型。但因?yàn)镕aster R-CNN提取的圖像特征feature maps 是一個(gè)64×36 的二維數(shù)組，每個(gè)圖像擁有1 024 個(gè)feature maps，所以直接用1 024個(gè)feature maps 表示圖像造成數(shù)據(jù)過(guò)多過(guò)大，計(jì)算消耗會(huì)較大，需要做進(jìn)一步的數(shù)據(jù)壓縮處理。

可搜索加密技術(shù)[17-18]是信息安全領(lǐng)域研究的熱點(diǎn)之一。Song等人[4]提出了利用對(duì)稱(chēng)密鑰來(lái)對(duì)關(guān)鍵詞加密，把文件密文內(nèi)容和加密關(guān)鍵詞進(jìn)行對(duì)比，以確認(rèn)關(guān)鍵詞是否存在并統(tǒng)計(jì)其出現(xiàn)次數(shù)，但并不提供文件的索引，在文件內(nèi)容較多時(shí)，檢索效率很低。Goh[19]提出了利用布隆過(guò)濾器為文件構(gòu)建索引。然而，上述方法都不能抵抗離線(xiàn)關(guān)鍵詞猜測(cè)攻擊。Boneh等人[20]首次提出非對(duì)稱(chēng)關(guān)鍵詞可搜索加密的方法，并通過(guò)構(gòu)建安全信道來(lái)抵抗離線(xiàn)關(guān)鍵詞猜測(cè)攻擊。Beak 等人[18]提出無(wú)安全信道方案，讓發(fā)送方、接收方和存儲(chǔ)服務(wù)器同時(shí)擁有加密關(guān)鍵詞的公鑰，發(fā)送發(fā)和接收方還同時(shí)擁有存儲(chǔ)服務(wù)器指定的解密私鑰，由于私鑰不被外部知道，所以能夠抵抗離線(xiàn)關(guān)鍵詞猜測(cè)攻擊，但不能抵抗在線(xiàn)關(guān)鍵詞猜測(cè)攻擊，并且該方案忽略了云服務(wù)器不完全可信這一隱患。因此，密鑰不能被外部和服務(wù)器知道，同時(shí)也要保證關(guān)鍵詞不可被猜測(cè)出，基于這兩種限制條件，本文采用多重線(xiàn)性映射[21-23]技術(shù)對(duì)關(guān)鍵詞進(jìn)行加密，既能保證關(guān)鍵詞的私密性，也能防止關(guān)鍵詞陷門(mén)創(chuàng)建過(guò)于簡(jiǎn)單[24]而導(dǎo)致安全信息泄露。對(duì)于密文圖像檢索，朱旭東等人[13]提出相關(guān)方案并給出了詳細(xì)的安全性證明，檢索精確度也較高，但是檢索效率方面沒(méi)有進(jìn)行優(yōu)化；Yuan 等人[12]的方案利用K-means聚類(lèi)方法將圖像集合分類(lèi)，將圖像索引構(gòu)建為樹(shù)的結(jié)構(gòu)，提高了檢索效率，但檢索精確度不是很高。因此在保證檢索安全的情況下，如何提高檢索精確度和檢索效率，也是密文圖像檢索領(lǐng)域的研究熱點(diǎn)。

基于已有的相關(guān)研究成果，本文提出一種云環(huán)境中基于目標(biāo)檢測(cè)的密文圖像檢索方案（Encrypted Image Retrieval scheme based on Object detection in cloud computing，EIRO）。EIRO 先采用基于深度學(xué)習(xí)的目標(biāo)檢測(cè)模型Faster R-CNN 來(lái)精確提取圖像的內(nèi)容，包括圖像的關(guān)鍵詞集合和1 024個(gè)64×36的二維數(shù)組feature maps，將每個(gè)feature maps 求取平均值，一個(gè)平均值代表一個(gè)feature maps，這樣1 024 個(gè)二維數(shù)組feature maps就轉(zhuǎn)換為1 024維的特征向量，用其作為圖像的特征向量。將具有相同關(guān)鍵詞集合的圖像和其特征向量加密后存放在同一文件夾中，再利用多重線(xiàn)性映射將關(guān)鍵詞加密并構(gòu)建文件夾的安全索引。用戶(hù)檢索時(shí)，先利用Faster R-CNN提取待檢索圖像的關(guān)鍵詞集合和特性向量，根據(jù)關(guān)鍵詞集合構(gòu)建陷門(mén)，檢索出相應(yīng)的文件夾，實(shí)現(xiàn)圖像集合粗分類(lèi)的檢索，再將其特征向量與該文件夾中所有圖像的特征向量進(jìn)行精確匹配，實(shí)現(xiàn)圖像的細(xì)分類(lèi)，最后將檢索到的結(jié)果排序返回給用戶(hù)。EIRO 不僅能夠利用粗分類(lèi)與細(xì)分類(lèi)兩步走的策略有效提高檢索效率和精確度，同時(shí)具有很高的安全性，可以抵抗關(guān)鍵詞猜測(cè)攻擊，從而能夠有效應(yīng)用于云環(huán)境中。

2 問(wèn)題描述

2.1 系統(tǒng)與安全模型

在云環(huán)境中基于目標(biāo)檢測(cè)的密文圖像檢索系統(tǒng)中，存在3種實(shí)體。云服務(wù)器（Cloud Server，CS），存儲(chǔ)大量圖像文件并提供大部分計(jì)算資源的環(huán)境；數(shù)據(jù)擁有者（Data Owner，DO），任何在云服務(wù)器中存儲(chǔ)并分享圖像文件的企業(yè)或者個(gè)人用戶(hù)；數(shù)據(jù)使用者（Data User，DU），任何在云服務(wù)器中根據(jù)已有圖像搜索相似圖像文件的企業(yè)或者個(gè)人用戶(hù)。

圖1 系統(tǒng)結(jié)構(gòu)圖

圖1 給出系統(tǒng)結(jié)構(gòu)圖。首先，DO 提取出圖像的關(guān)鍵詞集合和特征向量，將具有相同關(guān)鍵詞集合的圖像和其特征向量加密后放在同一文件夾中，其中特征向量加密后得到其索引，接著構(gòu)建關(guān)鍵詞集合的安全索引，最后將包含密文圖像和特征向量索引的文件夾，以及關(guān)鍵詞安全索引一起上傳到CS。然后，當(dāng)檢索密文圖像時(shí)，被授權(quán)的DU 生成待檢索圖像的關(guān)鍵詞陷門(mén)和特征向量陷門(mén)并發(fā)送到CS，CS 進(jìn)行查詢(xún)后，將匹配到的密文圖像排序返回給DU。

本文認(rèn)為CS 具有“誠(chéng)實(shí)但好奇”的屬性，它能夠完全按照DO 和DU 發(fā)送的請(qǐng)求正確地執(zhí)行相應(yīng)的操作，但它會(huì)窺視存儲(chǔ)在其中的重要圖像內(nèi)容，同時(shí)也會(huì)窺探關(guān)鍵詞集合信息并根據(jù)與陷門(mén)函數(shù)之間的關(guān)聯(lián)來(lái)推斷密文圖像內(nèi)容。

2.2 設(shè)計(jì)目標(biāo)

為了確保CS 中用戶(hù)圖像數(shù)據(jù)的隱私性，同時(shí)保證圖像檢索的安全性、高效性和準(zhǔn)確性，EIRO主要實(shí)現(xiàn)以下安全和性能目標(biāo)：

密文圖像檢索：在存儲(chǔ)大量密文圖像的CS中，能夠根據(jù)已有圖像檢索出包含有相似內(nèi)容的密文圖像。

隱私保護(hù)：圖像、索引和陷門(mén)均采用密文形式，不會(huì)將有關(guān)明文信息泄露給CS和其他攻擊者。

檢索高效：先根據(jù)關(guān)鍵詞集合對(duì)圖像集合粗分類(lèi)匹配，再根據(jù)特征向量對(duì)圖像細(xì)分類(lèi)匹配，通過(guò)兩步匹配方式，同時(shí)大量的計(jì)算任務(wù)利用云服務(wù)器的強(qiáng)大計(jì)算能力處理，實(shí)現(xiàn)高效的檢索。

檢索精確：利用基于深度學(xué)習(xí)的目標(biāo)檢測(cè)模型Faster R-CNN 來(lái)精確提取圖像的內(nèi)容，包括圖像的關(guān)鍵詞集合和特征向量，實(shí)現(xiàn)兩步匹配方式，得到盡可能精確的檢索結(jié)果。

2.3 預(yù)備知識(shí)

2.3.1 Faster R-CNN模型

Faster R-CNN 是一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)模型，可以精確檢測(cè)出圖像中含有哪些能被識(shí)別的內(nèi)容，由CNN、RPN 和Fast R-CNN 三大模塊組成。其中RPN主要用于預(yù)測(cè)輸入圖像中可能包含目標(biāo)的候選區(qū)域，F(xiàn)ast R-CNN主要用于分類(lèi)候選區(qū)域，這兩個(gè)模塊共用同一個(gè)CNN 來(lái)提取特征，提取的特征用feature maps 來(lái)表示。圖2 給出Faster R-CNN 工作示意圖，其中CNN 現(xiàn)在多數(shù)用的是ZF[25]、VGG[26]和Resnet50[27]模型，本文選用的是Resnet50。

圖2 Faster R-CNN工作示意圖

2.3.2 雙線(xiàn)性映射

這里簡(jiǎn)要介紹雙線(xiàn)性映射，更多細(xì)節(jié)參考文獻(xiàn)[28]。設(shè)G0和G1是兩個(gè)以素?cái)?shù)p 為階的乘法循環(huán)群，g 為G0的生成元，則雙線(xiàn)性映射e：G0×G0→G1具有下列性質(zhì)：

（1）雙線(xiàn)性：對(duì)于任意的u,v ∈G0以及隨機(jī)選取的a,b ∈Zp，都有e(ua,vb)=e(u,v)ab。

（2）非退化性：e(g,g)≠1。

（3）可計(jì)算性：對(duì)于任意的u,v ∈G0都存在一種有效的算法計(jì)算e(u,v)。

2.3.3 多重線(xiàn)性映射

這里以三重線(xiàn)性映射為例簡(jiǎn)要介紹多重線(xiàn)性映射，更多細(xì)節(jié)參考文獻(xiàn)[21-23]。設(shè)G0,G1,G2是三個(gè)以素?cái)?shù)p 為階的乘法循環(huán)群，則三重線(xiàn)性映射ei:G0×Gi→Gi+1,i=0,1 具有下列性質(zhì)：

（1）若g0是G0的生成元，則gi+1=ei(g0,gi)是Gi+1的生成元。

（3）存在一種有效算法計(jì)算ei。

3 系統(tǒng)實(shí)現(xiàn)與設(shè)計(jì)

3.1 總體設(shè)計(jì)

EIRO的系統(tǒng)總體流程圖如圖3。

圖3 系統(tǒng)總體流程圖

首先，DO 把圖像集合放入預(yù)先訓(xùn)練好的Faster R-CNN模型中進(jìn)行識(shí)別，得到每張圖像的內(nèi)容，即每張圖像所具有的關(guān)鍵詞集合和1 024個(gè)64×36的二維數(shù)組feature maps，再把每個(gè)feature maps 求平均值得到1 024維特征向量。其中圖像的關(guān)鍵詞集合可能包含單個(gè)或者多個(gè)關(guān)鍵詞，將具有相同關(guān)鍵詞集合的圖像分別加密后存放到同一個(gè)文件夾中，同時(shí)對(duì)每張圖像的特征向量分別加密構(gòu)建其特征向量索引，也存放到圖像所在文件夾中；再使用三重線(xiàn)性映射分別對(duì)關(guān)鍵詞集合進(jìn)行加密構(gòu)建其安全索引；最后將包含密文圖像和特性向量索引的文件夾，以及關(guān)鍵詞索引一并上傳到CS。然后，當(dāng)被授權(quán)的DU對(duì)密文圖像進(jìn)行檢索時(shí)，將待檢索的圖像放入同樣的Faster R-CNN 模型進(jìn)行識(shí)別，得到圖像的關(guān)鍵詞集合和feature maps，再利用feature maps提取特征向量，分別對(duì)關(guān)鍵詞集合和特征向量構(gòu)建陷門(mén)并上傳給CS；CS先根據(jù)關(guān)鍵詞索引和關(guān)鍵詞陷門(mén)進(jìn)行粗分類(lèi)匹配，即找到與待檢索圖像擁有相同關(guān)鍵詞集合的文件夾，再將向量陷門(mén)和找到的文件夾中的向量索引進(jìn)行精確匹配，實(shí)現(xiàn)圖像的細(xì)分類(lèi)，最后將得到的結(jié)果按相似度從高到低排序后返回給DU。

3.2 算法實(shí)現(xiàn)

EIRO 算法包括KeyGen、Index_keywords、Trapdoor_keywords、Index_vector、Trapdoor_vector、Test_keywords和Search共7種核心函數(shù)，下面具體闡述。

KeyGen(λ)→(PK,SK)。輸入安全參數(shù)λ，生成具有同素?cái)?shù)階p 的乘法循環(huán)群，以及三重線(xiàn)性映射，其中g(shù) 是G0的生成元，并具有映射關(guān)系ei:G0×Gi→Gi+1,i=0,1。隨機(jī)選取dk ∈G0作為對(duì)稱(chēng)密鑰，用來(lái)加密圖像文件。假設(shè)圖像特征向量維度為k，則隨機(jī)選取階為k 的可逆矩陣M，k 維向量S={0,1}k，整數(shù)r ∈Zp，以及安全哈希函數(shù)H 。產(chǎn)生系統(tǒng)公鑰PK={G0,G1,G2,e0,e1,H,g,r }和主密鑰SK={d k,M,S} 。

Index_keywords(PK,dk,w′)→Iw。隨機(jī)選取t ∈Zp，將關(guān)鍵詞集合w′中的每個(gè)關(guān)鍵詞經(jīng)過(guò)H 映射得到其對(duì)應(yīng)整數(shù)，即Zwi=H(wi)，并將Zwi累乘，將結(jié)果記作w。產(chǎn)生關(guān)鍵詞安全索引Iw=＜C1=gt,C2=e0(dk,g)tw＞。

Trapdoor_keywords(PK,dk,w″)→Tw。隨機(jī)選取s ∈Zp，將待檢索關(guān)鍵詞集合w″中的每個(gè)關(guān)鍵詞經(jīng)過(guò)H 映射得到其對(duì)應(yīng)整數(shù)，同上述關(guān)鍵詞索引的產(chǎn)生過(guò)程相同，將累乘結(jié)果也記作w。產(chǎn)生關(guān)鍵詞陷門(mén)：

Tw=＜A1=e0(dk-s?gs,g)w,A2=gs,A3=e0(g,g)sw＞

Index_vector(PK,M,S,I)→Iv。將特征向量I 按如下規(guī)則分裂為兩個(gè)向量I′,I″。遍歷向量S={0,1}k的每一位，記作S[i]，對(duì)于向量的每一位I[i],I′[i],I″[i]滿(mǎn)足：

規(guī)則A：當(dāng)S[i]=0時(shí)，I[i]=I′[i]=I″[i]。

規(guī)則B：當(dāng)S[i]=1時(shí)，I′[i]=I[i]+r，I″[i]=I[i]-r。

再使用M 生成特征向量索引Iv=(I′MT,I″M-1)。

Trapdoor_vector(PK,M,S,Q)→Qv。同向量索引的生成過(guò)程，將待檢索特征向量Q 按如下規(guī)則分裂成兩個(gè)向量Q′,Q″：

規(guī)則C：當(dāng)S[i]=0時(shí)，Q[i]=Q′[i]=Q″[i]。

規(guī)則D：當(dāng)S[i]=1時(shí)，Q′[i]=Q[i]+r，Q″[i]=Q[i]-r。

再使用M 生成特征向量陷門(mén)Qv=(Q′MT,Q″M-1)。

Test_keywords(Iw,Tw)→0 or 1。根據(jù)規(guī)則e1(C1,A1)?e1(C2,A2)=e1(C1,A3)測(cè)試關(guān)鍵詞索引Iw和關(guān)鍵詞陷門(mén)Tw是否匹配，若公式成立，則索引與陷門(mén)中的關(guān)鍵詞相同。下面給出當(dāng)索引與陷門(mén)關(guān)鍵詞相同時(shí)的公式驗(yàn)證。

Search(Iv,Qv)。根據(jù)歐拉公式計(jì)算特征向量索引Iv和特征向量陷門(mén)Qv之間的相似度為(I′MT-Q′MT)T?(I″M-1-Q″M-1)。下面給出公式計(jì)算過(guò)程。

根據(jù)規(guī)則A～規(guī)則D：

當(dāng)S[i]=0 時(shí)：

當(dāng)S[i]=1 時(shí)：

即：

因此Iv和Qv之間的歐拉距離可以得出。

3.3 操作步驟

EIRO 的操作步驟分為預(yù)處理、圖像分類(lèi)和索引建立以及陷門(mén)創(chuàng)建和檢索三個(gè)部分，下面具體闡述。

3.3.1 預(yù)處理

DO 首先訓(xùn)練出適合自己所需存儲(chǔ)圖像集的Faster R-CNN 模型，然后調(diào)用函數(shù)KeyGen(λ)生成系統(tǒng)公鑰PK 和主密鑰SK ，其中PK 公開(kāi)，SK 由DO秘密保存。

3.3.2 圖像分類(lèi)和索引建立

DO 將自己需要存儲(chǔ)的圖像集合放入Faster RCNN模型識(shí)別，得到圖像的內(nèi)容，即圖像的關(guān)鍵詞集合和feature maps，利用feature maps 生成1 024 維的特征向量代表圖像。例如一張圖像中是“一個(gè)人在逗鳥(niǎo)”，那么得到關(guān)鍵詞集合是“鳥(niǎo)，人”，將所有只包含“鳥(niǎo)，人”的圖像存放在一個(gè)文件夾下，這時(shí)對(duì)“鳥(niǎo)，人”的關(guān)鍵詞集合w′調(diào)用函數(shù)Index_keywords(dk,H,w′)，就對(duì)該文件夾構(gòu)建了安全索引。需要注意的是，如果圖像中只含有“鳥(niǎo)”或者只含有“人”，則會(huì)屬于不同的分類(lèi)，并會(huì)存放在各自的文件夾下。圖像本身就利用dk 對(duì)稱(chēng)加密。對(duì)于圖像的特征向量I 則調(diào)用函數(shù)Index_vector(I,r,S,M)來(lái)加密及構(gòu)建索引，并和各自圖像一起存放在相應(yīng)文件夾下。最后DO 將包含密文圖像和特性向量索引的文件夾，以及關(guān)鍵詞索引一并上傳到CS。

3.3.3 陷門(mén)創(chuàng)建和檢索

當(dāng)DU 向DO 發(fā)出請(qǐng)求，要求檢索DO 存儲(chǔ)在CS 中的圖像時(shí)，DO 驗(yàn)證DU 的身份，并為通過(guò)驗(yàn)證的DU 授予SK 。獲得授權(quán)的DU，首先將待檢索圖像放入同一Faster R-CNN模型識(shí)別，得到圖像的關(guān)鍵詞集合w″和feature maps 并生成特征向量Q，然后對(duì)w″調(diào)用函數(shù)Trapdoor_keywords(PK,dk,w″)生成關(guān)鍵詞陷門(mén)Tw，對(duì)Q 調(diào)用函數(shù)Trapdoor_vector(PK,M,S,Q) 生成查詢(xún)向量陷門(mén)Qv，最后將兩個(gè)陷門(mén)上傳給CS。CS 接收到陷門(mén)后，首先對(duì)Iw和Tw調(diào)用函數(shù)Test_keywords(Iw,Tw)，找到待檢索圖像所屬類(lèi)別的文件夾，然后對(duì)將該文件夾下每一張圖像的特征向量索引Iv和Qv分別調(diào)用函數(shù)Search(Iv,Qv)，將得到的結(jié)果進(jìn)行排序，最后將對(duì)應(yīng)的密文圖像列表返回給DU。DU利用SK 中的dk 解密自己想要的前N 張圖像即可。

4 安全性分析和性能評(píng)估

文獻(xiàn)[12]先用Fisher 算法提取圖像特征向量，再采用K-means 聚類(lèi)的方法將相似的特征向量分到同一類(lèi)并構(gòu)建樹(shù)狀索引，檢索時(shí)先根據(jù)檢索特征向量和樹(shù)狀索引找到同一種特征向量所屬類(lèi)別，再將檢索特征向量與存儲(chǔ)的特征向量逐一匹配，利用L2 范式表示相似度大小。文獻(xiàn)[13]利用灰度值變化梯度提取圖像特征向量，并未采用分類(lèi)的方法，直接遍歷計(jì)算，利用余弦距離來(lái)表示特征向量之間的相似度大小。文獻(xiàn)[12-13]與EIRO密切相關(guān)，都是實(shí)現(xiàn)云環(huán)境中的密文圖像檢索，因此將EIRO在密文圖像檢索時(shí)間和檢索精確度方面與它們進(jìn)行對(duì)比。此外，文獻(xiàn)[18，20]利用雙線(xiàn)性映射給出了密文關(guān)鍵詞檢索的兩種方案，在EIRO 中亦存在密文關(guān)鍵詞的檢索部分，因此將這部分與文獻(xiàn)[18，20]在安全性與計(jì)算開(kāi)銷(xiāo)方面進(jìn)行比較。

4.1 安全性分析

下面基于選擇密文攻擊模型[29]，從密文關(guān)鍵詞的安全性和密文特征向量的安全性?xún)煞矫鎭?lái)闡述本文方案的安全性。

表1 密文關(guān)鍵詞檢索的安全特性比較

假設(shè)有兩種類(lèi)型的攻擊者企圖恢復(fù)密鑰，一類(lèi)是惡意用戶(hù)，另一類(lèi)是具有好奇屬性的CS。對(duì)于密文關(guān)鍵詞，若惡意用戶(hù)和CS想通過(guò)猜測(cè)攻擊破解密文關(guān)鍵詞，以定位到對(duì)應(yīng)的存放密文圖像的文件夾，根據(jù)Test_keywords 函數(shù)的驗(yàn)證過(guò)程可知，必須要擁有對(duì)稱(chēng)密鑰dk 才可以，然而dk 是由DO 秘密保存的，惡意用戶(hù)和CS 是無(wú)法獲取的。在文獻(xiàn)[24]中，構(gòu)建了關(guān)鍵詞陷門(mén)Tw=H(w)?dk 。在選擇密文攻擊的情況下，根據(jù)dk=，利用任意一個(gè)已知關(guān)鍵詞的相關(guān)信息，dk 是可以被求解出來(lái)的，即攻擊者可以破解出所有關(guān)鍵詞以及圖像的具體內(nèi)容。因此，本文方案采用三重線(xiàn)性映射，生成兩個(gè)映射關(guān)系，利用e0將關(guān)鍵詞集合加密生成安全索引，利用e1進(jìn)行關(guān)鍵詞索引和陷門(mén)的匹配運(yùn)算，根據(jù)三重線(xiàn)性映射的特性，惡意用戶(hù)和CS基于已有關(guān)鍵詞及其密文是不可推出dk 的，從而保證了密文關(guān)鍵詞集合和密文圖像的安全性。若未被授權(quán)的惡意用戶(hù)根據(jù)自己創(chuàng)建的關(guān)鍵詞陷門(mén)去匹配存儲(chǔ)在CS中的關(guān)鍵詞索引，因?yàn)橄蓍T(mén)中的dk 對(duì)惡意用戶(hù)不可知，所以根據(jù)Test_keywords 函數(shù)，惡意用戶(hù)的陷門(mén)與存儲(chǔ)在CS中的索引是無(wú)法匹配的。由于關(guān)鍵詞索引與陷門(mén)都是公開(kāi)存儲(chǔ)和傳輸?shù)?，表明關(guān)鍵詞索引在無(wú)安全信道的公開(kāi)環(huán)境下是無(wú)法被惡意用戶(hù)創(chuàng)建的陷門(mén)所攻破的。當(dāng)惡意用戶(hù)非法劫取授權(quán)用戶(hù)的陷門(mén)時(shí)，也無(wú)法推算出授權(quán)用戶(hù)的關(guān)鍵詞集合與密鑰dk，從而保證了陷門(mén)的安全性。

表1給出EIRO和文獻(xiàn)[18，20]在密文關(guān)鍵詞檢索的安全特性方面的比較。由表1 可見(jiàn)，文獻(xiàn)[20]的陷門(mén)產(chǎn)生方式能夠抵抗離線(xiàn)關(guān)鍵詞猜測(cè)攻擊和在線(xiàn)關(guān)鍵詞猜測(cè)攻擊，但是需要建立安全信道。文獻(xiàn)[18]雖然不需要建立安全信道，但需要指定服務(wù)器才僅能抵抗離線(xiàn)關(guān)鍵詞猜測(cè)攻擊，并且兩者都忽略了服務(wù)器“誠(chéng)實(shí)但好奇”的屬性，惡意用戶(hù)或“好奇”的服務(wù)器根據(jù)兩者的陷門(mén)是可以分析得到相應(yīng)的密鑰與關(guān)鍵詞信息的。EIRO在不需要指定服務(wù)器、不需要安全信道的同時(shí)能夠抵抗離線(xiàn)關(guān)鍵詞猜測(cè)攻擊、在線(xiàn)關(guān)鍵詞猜測(cè)攻擊和服務(wù)器攻擊，索引與陷門(mén)的安全性也很強(qiáng)，能夠有效應(yīng)用于云環(huán)境。

對(duì)于密文特征向量，本文方案基于隨機(jī)選取的可逆矩陣M 和{0,1}向量S 來(lái)加密。在選擇密文攻擊的情況下，攻擊者即使知道加密前的向量和加密后的向量，根據(jù)Index_vector 函數(shù)的實(shí)現(xiàn)過(guò)程，攻擊者只有擁有M 或者S 的其中之一時(shí)才可以求出另一方，由于M 和S 由DO秘密保存，攻擊者是無(wú)法得知M 和S 的，從而保證了特征向量的安全性。此外，根據(jù)密鑰矩陣空間無(wú)窮大的特性，以及可逆矩陣的逆的唯一性，在每次初始化選擇密鑰矩陣時(shí)都是隨機(jī)的，因此攻擊者能夠產(chǎn)生相同密鑰矩陣的可能性為0。若攻擊者通過(guò)暴力破解S進(jìn)而來(lái)破解M ，此時(shí)效率為，k 為特征向量的維度，當(dāng)k 為一個(gè)較大值（例如1 024）的時(shí)候，效率是極其低下的，這樣就保證了向量加密的安全性。由于文獻(xiàn)[12-13]的特征向量都是采用類(lèi)似的分裂后與可逆矩陣相乘的方式來(lái)加密，所以三者在安全性方面相同。

4.2 性能評(píng)估

4.2.1 實(shí)驗(yàn)環(huán)境

關(guān)于Faster R-CNN 模型的訓(xùn)練，本文從VOC2007和VOC2012 數(shù)據(jù)集[16]中隨機(jī)選取的九大類(lèi)別物體圖像，分別為人、鳥(niǎo)、自行車(chē)、飛機(jī)、狗、貓、摩托車(chē)、馬、船，每類(lèi)圖像為200 到300 張，其中也含幾類(lèi)物體自由組合在一張的圖像，共約3 500 張。用約300 張不同于訓(xùn)練集的圖像進(jìn)行識(shí)別，分類(lèi)的精確度約為96.5%（注意是分類(lèi)精確度，并不是指Faster R-CNN中的mAP[16]）。觀察發(fā)現(xiàn)，被錯(cuò)誤識(shí)別的圖像大多數(shù)是模糊的遠(yuǎn)景圖像或者圖像中只含有非常少部分需識(shí)別的物體。因此，若用較為清晰并且完整的圖像，識(shí)別率會(huì)更高。在完成模型的訓(xùn)練和圖像的識(shí)別后，根據(jù)圖像的關(guān)鍵詞將圖像和其特征向量存放在對(duì)應(yīng)文件中。實(shí)驗(yàn)中所采用的圖像集共約4 500張。

本文實(shí)驗(yàn)是在64 位Windows10，Pentium?CPU4560 3.50 GHz的環(huán)境中運(yùn)行。

4.2.2 密文關(guān)鍵詞檢索對(duì)比

EIRO 中密文關(guān)鍵詞檢索基于Java 語(yǔ)言實(shí)現(xiàn)，所用工具包為JPBC2.0密碼庫(kù)[30]。表2將EIRO和文獻(xiàn)[18，20]在計(jì)算開(kāi)銷(xiāo)方面進(jìn)行對(duì)比，包括關(guān)鍵詞安全索引構(gòu)建時(shí)間，關(guān)鍵詞陷門(mén)產(chǎn)生時(shí)間以及關(guān)鍵詞索引與陷門(mén)匹配時(shí)間，其中te0,te1,tG0,tG1,tH分別表示線(xiàn)性映射e0、線(xiàn)性映射e1、群G0的指數(shù)運(yùn)算、群G1的指數(shù)運(yùn)算、哈希運(yùn)算的時(shí)間。表3給出計(jì)算開(kāi)銷(xiāo)的仿真結(jié)果。

表2 計(jì)算開(kāi)銷(xiāo)比較

表3 計(jì)算開(kāi)銷(xiāo)的仿真結(jié)果ms

由表2 和表3 可以看出，相比文獻(xiàn)[18，20]，對(duì)于密文關(guān)鍵詞檢索，EIRO 的關(guān)鍵詞安全索引構(gòu)建時(shí)間是最短的，雖然關(guān)鍵詞陷門(mén)產(chǎn)生和關(guān)鍵詞索引與陷門(mén)匹配的開(kāi)銷(xiāo)相對(duì)較大，但是對(duì)于實(shí)際應(yīng)用是完全可行的。與此同時(shí)，由表1 可見(jiàn)，EIRO 具有更好的安全特性。因此，EIRO 有效實(shí)現(xiàn)了云計(jì)算中密文關(guān)鍵詞的檢索，同時(shí)保持了很高的安全性，以及實(shí)際可行的效率。

4.2.3 密文圖像檢索對(duì)比

EIRO中圖像特征向量的密文檢索基于Matlab2016平臺(tái)實(shí)現(xiàn)，表4給出密文圖像檢索時(shí)間。由表4的結(jié)果，對(duì)于1 024維的特征向量處理計(jì)算當(dāng)中，EIRO單個(gè)特征向量索引與陷門(mén)的計(jì)算時(shí)間最短，這對(duì)于EIRO 在單個(gè)文件夾中特征向量索引的遍歷計(jì)算節(jié)省很多的時(shí)間。因?yàn)槲墨I(xiàn)[12-13]并未用關(guān)鍵詞集合分類(lèi)，所以它們沒(méi)有在單個(gè)文件夾中的遍歷計(jì)算時(shí)間。最后EIRO 對(duì)約4 500 張圖像集的平均檢索時(shí)間，包括關(guān)鍵詞索引與陷門(mén)匹配時(shí)間和特征向量索引與陷門(mén)計(jì)算時(shí)間，約為2.1 s。若按照文獻(xiàn)[13]所采用的完全遍歷圖像特征向量的檢索方式，對(duì)同樣數(shù)量圖像集的平均檢索時(shí)間則高達(dá)約63.9 s。文獻(xiàn)[12]采用了K-means聚類(lèi)的方案，其整個(gè)密文圖像檢索時(shí)間相對(duì)來(lái)說(shuō)最短，約為1.9 s，但EIRO與之檢索時(shí)間相差較小。

表4 密文圖像檢索時(shí)間

表5給出文獻(xiàn)[12-13]和EIRO的圖像檢索精確度比較。表中顯示出文獻(xiàn)[13]與EIRO 的精確率較高，但EIRO 的精確率更為顯著的突出，高達(dá)95.60%，同時(shí)可以看出文獻(xiàn)[12]的精確率低至56.00%，只有將近一半的精確率。圖4 給出一組EIRO 的檢索結(jié)果。由此可見(jiàn)，EIRO 有效檢索出了所有與原圖具有較高相似度的圖像。因此綜合考慮整體檢索時(shí)間和精確率這兩方面，EIRO具有更好的效果。

表5 圖像檢索精確度比較

圖4 檢索結(jié)果圖

5 結(jié)束語(yǔ)

本文基于近年來(lái)廣泛研究與應(yīng)用的深度學(xué)習(xí)中目標(biāo)檢測(cè)方法，提出了一種云環(huán)境中的密文圖像檢索方案EIRO。利用Faster R-CNN模型精確提取圖像的關(guān)鍵詞集合和特征向量，采用多重線(xiàn)性映射方法對(duì)關(guān)鍵詞構(gòu)建安全索引，并實(shí)現(xiàn)圖像集合粗分類(lèi)和圖像細(xì)分類(lèi)相結(jié)合的兩步檢索策略。EIRO 具有很高的安全性、檢索效率及精確度，能夠有效應(yīng)用于云環(huán)境中。