一种语音后门攻击方法及计算机可读存储介质

    公开(公告)号:CN116259333A

    公开(公告)日:2023-06-13

    申请号:CN202310161820.8

    申请日:2023-02-21

    Applicant: 宁波大学

    Inventor: 严迪群 叶哲

    Abstract: 本发明涉及一种语音后门攻击方法及计算机可读存储介质,语音后门攻击方法包括:步骤1、将多段定长的语音片段组成干净数据集;步骤2、在干净数据集中选择出部分干净样本,作为投毒样本,生成相对投毒样本无新增噪声数据的触发器,并将触发器混入到投毒样本中,得到后门样本,同时将后门样本的真实标签修改为指定的目标标签;步骤3、将后门样本和干净数据集中除投毒样本以外的其他干净样本共同组成训练集;步骤4、构建目标模型,并使用训练集对构建的目标模型进行训练,得到训练完成后的目标模型,该训练完成后的目标模型即为后门攻击后的目标模型。本发明的优点在于:不会被使用者起疑,起到攻击效果,有很强的隐蔽性。

    一种基于自编码器的无监督哈希方法

    公开(公告)号:CN111078911B

    公开(公告)日:2022-03-22

    申请号:CN201911284130.1

    申请日:2019-12-13

    Applicant: 宁波大学

    Abstract: 一种基于自编码器的无监督哈希方法,包括:建立栈式去噪自编码器并使用训练集对其进行训练,栈式去噪自编码器包括依次全连接的M个编码层、哈希层和M个解码层;再使用栈式去噪自编码器中的参数建立与栈式去噪自编码器的结构相同的栈式自编码器并将训练集中的图像分批输入到其中进行训练;移除最终的栈式自编码器中的解码器,将保留的M个编码层及哈希层作为检索网络;将待检索的图像输入到该检索网络中得到哈希层的输出,并对哈希层的输出结果进行量化获得哈希码,计算该待检索图像与数据库中图像的哈希码之间的汉明距离,将数据库中与待检索图像汉明距离最小的图像作为该待检索图像的检索结果。该无监督哈希方法同时具有优越的检索和聚类效果。

    一种基于融合特征的加性噪声环境下手机来源识别方法

    公开(公告)号:CN110136746B

    公开(公告)日:2021-11-09

    申请号:CN201910231119.2

    申请日:2019-03-26

    Applicant: 宁波大学

    Abstract: 本发明公开了一种基于融合特征的加性噪声环境下手机来源识别方法,其将从傅里叶域中提取的MFCC特征、STFTSDF特征和从CQT域提取的CQTSDF特征组成的融合特征作为设备指纹,相较于单一特征能够更精确的表征设备区分信息;在训练阶段采用了多场景训练的方式,训练集中不仅有未添加场景噪声的干净的语音样本,还有含有不同场景噪声类型和噪声强度的含噪语音样本,训练得到的M分类模型具有通用性,并且对已知噪声场景和未知噪声场景的语音样本都能进行有效的手机来源识别;其使用深度学习的CNN模型来建立M分类模型,CNN模型不仅提升了对未添加场景噪声的干净的语音样本的来源识别准确性,而且大幅度提升了含噪语音样本的手机来源识别效果,噪声鲁棒性强。

    基于比例因子系数差值的AAC双压缩音频检测方法

    公开(公告)号:CN109785848B

    公开(公告)日:2021-05-18

    申请号:CN201910079177.8

    申请日:2019-01-28

    Applicant: 宁波大学

    Abstract: 本发明公开了一种基于比例因子系数差值的AAC双压缩音频检测方法,其获取AAC单压缩音频和AAC双压缩音频;然后获取AAC单压缩音频的第一特征向量和第二特征向量,及AAC双压缩音频的第一特征向量和第二特征向量;再融合AAC单压缩音频的第一特征向量和第二特征向量得到AAC单压缩音频的特征向量,融合AAC双压缩音频的第一特征向量和第二特征向量得到AAC双压缩音频的特征向量;利用特征向量进行LIBSVM分类器训练;利用LIBSVM分类器模型对待检测的AAC音频的特征向量进行测试;优点是其能实现低码率转高码率的AAC双压缩音频及同码率的AAC双压缩音频的有效检测,且检测准确率高、计算复杂度较低、鲁棒性较强。

    一种基于语音频谱融合特征的手机来源识别方法

    公开(公告)号:CN107507626B

    公开(公告)日:2021-02-19

    申请号:CN201710550925.7

    申请日:2017-07-07

    Applicant: 宁波大学

    Abstract: 本发明公开了一种基于语音频谱融合特征的手机来源识别方法,其对每个手机对应的语音库中的每个语音样本中的每帧进行快速傅里叶变换,获取每帧的前一半加1个频率点的频率值的幅值;然后根据频率值及幅值,获取每个语音样本的统计平均信息量特征、统计平均对数谱特征和统计平均相位谱特征,组成频谱融合特征;接着将所有手机对应的所有语音样本的频谱融合特征组成频谱融合特征矩阵;之后对频谱融合特征矩阵进行归一化和特征选择,得到最优特征矩阵,即获得每个语音样本的最终频谱融合特征;最后对所有语音样本的最终频谱融合特征进行模型训练和测试样本识别;优点是识别准确率高、稳定性好,且泛化能力强。

    一种音频可逆隐写方法、秘密信息提取及载体音频恢复方法

    公开(公告)号:CN111816195A

    公开(公告)日:2020-10-23

    申请号:CN202010634867.8

    申请日:2020-07-03

    Applicant: 宁波大学

    Abstract: 本发明涉及一种音频可逆隐写方法,包括以下步骤:将载体音频的采样值大小转换至[0,2Q-1]之间,得到音频X;并生成任一3*3的方格内都包含0到8之间的数字矩阵;之后,将二进制的秘密信息转换成九进制的秘密信息,并提取出九进制的秘密信息中的每一位数值;最后,依次将九进制的秘密信息中的每一位数值嵌入到音频X的任意两个相邻的采样值中,并生成每一位秘密信息嵌入后得到的左声道音频和右声道音频中对应位置的采样值;最终将得到的左声道音频和右声道音频合并成为双声道音频。还公开了一种秘密信息提取及载体音频恢复方法。该方法的隐写性能更佳,且在相同的嵌入率下,该方法具有较低的失真度和较好的音频质量。

    基于卷积神经网络和领域对抗学习的音频隐写分析方法

    公开(公告)号:CN111768792A

    公开(公告)日:2020-10-13

    申请号:CN202010415018.3

    申请日:2020-05-15

    Applicant: 宁波大学

    Abstract: 本发明涉及一种基于卷积神经网络和领域对抗学习的音频隐写分析方法,其特征在于:所述方法对应的网络框架包括特征提取子网络 隐写分析子网络 和载体来源判别子网络 其中θf、θy、θd分别代表各个子网络的网络参数,通过提供基于卷积神经网络和领域对抗学习的音频隐写分析方法,能有效缓解由载体来源失配问题导致的音频隐写分析模型性能下降问题,为音频隐写分析技术在复杂互联网大数据取证场景下的应用提供了一种可行思路。

    基于STC的无失真隐写方法及无失真秘密信息提取方法

    公开(公告)号:CN111757124A

    公开(公告)日:2020-10-09

    申请号:CN201910232521.2

    申请日:2019-03-26

    Applicant: 宁波大学

    Abstract: 本发明涉及基于STC的无失真隐写方法及无失真秘密信息提取方法,该无失真隐写方法通过构建秘密信息嵌入模型及设定好的无失真嵌密目标,得到达到无失真嵌密目标时的子校验矩阵需要满足的条件,生成由多个2×2规格的最佳无失真子校验矩阵形成的完整校验矩阵,该完整校验矩阵中的各无失真子校验矩阵具有最少的元素,使得所得无失真子校验矩阵占用成本低的传输空间;将2×2小规格的无失真子校验矩阵运用到秘密信息的嵌入过程,确保了秘密信息嵌入到原始载体内的嵌入速度;在得到无失真子校验矩阵的过程中,设置了除数值“0”、“1”以外的三种变量X、Y和Z,保证针对各种嵌入情形列表所对应生成无失真子校验矩阵的唯一性。

    一种司机分心检测方法
    49.
    发明公开

    公开(公告)号:CN111626186A

    公开(公告)日:2020-09-04

    申请号:CN202010449852.4

    申请日:2020-05-25

    Applicant: 宁波大学

    Abstract: 一种司机分心检测方法,将每帧司机图像转化成灰度图像,并依次进行归一化处理和预处理,将其中一个训练样本输入到初始化的卷积神经网络中,同时对训练样本所对应的灰度图像提取的HOG特征进行批量正则化处理,之后接着全连接层连接,得到HOG特征向量;最后将每一个卷积层的输出结果进行全局均值池化后得到的特征向量和HOG特征向量共同组成的总特征向量依次经过卷积神经网络中的全连接层和Softmax分类后,得到司机实际的动作类别,从而更新卷积神经网络中的参数;并采用相同的方法依次对卷积神经网络进行更新。最后即可得到测试集中司机图像所对应的动作类别。该检测方法的检测结果更加准确且该网络结构具有更少的网络参数。

    一种基于自编码器的无监督哈希方法

    公开(公告)号:CN111078911A

    公开(公告)日:2020-04-28

    申请号:CN201911284130.1

    申请日:2019-12-13

    Applicant: 宁波大学

    Abstract: 一种基于自编码器的无监督哈希方法,包括:建立栈式去噪自编码器并使用训练集对其进行训练,栈式去噪自编码器包括依次全连接的M个编码层、哈希层和M个解码层;再使用栈式去噪自编码器中的参数建立与栈式去噪自编码器的结构相同的栈式自编码器并将训练集中的图像分批输入到其中进行训练;移除最终的栈式自编码器中的解码器,将保留的M个编码层及哈希层作为检索网络;将待检索的图像输入到该检索网络中得到哈希层的输出,并对哈希层的输出结果进行量化获得哈希码,计算该待检索图像与数据库中图像的哈希码之间的汉明距离,将数据库中与待检索图像汉明距离最小的图像作为该待检索图像的检索结果。该无监督哈希方法同时具有优越的检索和聚类效果。

Patent Agency Ranking