赵博, 李春亮, 孙碧颖, 徐盼, 杨波, 卫祥, 桂小林

(1.国网甘肃省电力公司, 730000, 兰州; 2.国网甘肃省电力公司信息通信公司, 730050, 兰州; 3.西安交通大学电子与信息工程学部, 710049, 西安)

在全球能源互联网大力推进的背景之下,各供电企业纷纷建设智能电网,投入使用了大量的智能电表,所产生的非结构化数据比传统电网高出4个数量级,其中包括了工程建设中的设计图纸、设备运维中的设备细节照片、事故现场照片、人力资源的证件照、劳动合同等敏感图像[1]。随着数据的爆发式增长和信息技术的快速发展,海量的智能电网图像数据被存储在云服务器上,但现有的云存储服务器大多是“诚实却好奇”的,能够对存储数据进行窥探。因此,为了避免电网企业和个人用户的隐私泄露,图像文件需加密后再上传至云端[2],但密文图像文件不再具备明文可检索特性。

可搜索加密技术允许在密文状态下进行信息检索。因此,基于可搜索加密的信息安全检索问题成为了国内外科研工作者的研究热点[3]。温蜜等分析了智能电网中的数据安全威胁,提出了两种基于带关键词和隐向量加密的可搜索公钥加密方案的设计思路,但不适用于图像检索[4];Li等构建了一种适用于智能电网环境的可检索对称加密方案,通过允许少量的信息泄露实现数据的易于更新[5];Eltayieb等提出了一种基于属性的在线/离线可搜索加密方案,将加密算法和陷门算法分为两个阶段,在云智能电网中取得了较好的效果[6]。对于密文图像检索:朱旭东等提出了一种基于安全相似度运算的密文图像检索方案,并证明了方案的安全性和有效性,但检索效率低[7];Yuan等通过K-means聚类算法对图像集进行分类,构建基于树形结构的图像索引,检索速度有所优化,但检索结果不够精确[8];李颖莹等针对不同密钥加密图像集的场景,在边缘计算环境中构建了基于安全近邻、局部敏感哈希与代理重加密技术的的加密图像检索方案[9];Xia等提出了一种基于加密图像的内容检索而不向云服务器泄露敏感信息的方案,利用局部敏感哈希构建预过滤器表以提高搜索效率[10];Shen等支持同时保护多个图像所有者的隐私,利用安全多方计算技术对图像特征进行加密,并提出一种新的相似度计算方法以避免泄露图像相似度信息[11]。

在信息检索的过程中,相似度计算是其中一个必不可少的环节,但不太适用于图像本身之间进行比较,故首先需对能够表示图像的特征进行提取。传统方法一般对颜色直方图[12]、纹理[13]、形状[14]等多种特征进行提取与混合,虽简单易实现,但不能有效应用于所有类型图像的相似度匹配中且精确度较低。近些年来,许多研究者认为采用卷积神经网络[15]等深度学习方法可以提取出更可靠有效的图像特征。Liu等结合了卷积神经网络模型的高级特征和点扩散块截断编码的低级特征,提出了一种有效的图像检索方法[16];陈享等利用Faster R-CNN模型[17]提取图像集的特征向量和关键词集合,采用先粗后细的分类检索模式,但计算消耗较大[18]。

然而,这些检索方案因检索效率、检索精度或检索模式问题,并不能完全适用于智能电网中的图像检索。智能电网环境中的敏感信息访问是分类别分等级的,密文策略属性基加密机制(CP-ABE)[19]允许数据拥有者制定访问策略,与可搜索加密机制相结合,可实现对密文检索结果的细粒度访问控制,进一步地降低隐私泄露的风险。

针对智能电网中敏感图像数据面临的安全威胁及现有密文图像检索方案在智能电网场景下的不足,本文提出一种面向智能电网环境的基于多特征融合的敏感图像可检索属性基加密方案(RAESSG),该方案对图像集同时提取深度特征与传统特征,然后利用主成分分析(PCA)算法对特征向量集合进行降维与融合,基于稳定局部敏感哈希函数和安全近邻函数对融合后的特征向量集构建安全索引,高效安全地对图像进行相似度计算。采用密文策略属性基加密机制对对称共享密钥进行加密,实现对密文图片检索结果的精确访问。安全性分析表明,本文方案可抵抗已知密文攻击、已知背景攻击和抗串谋攻击。实验比较表明,本文方案在智能电网应用场景中可行。

1 预备知识

1.1 双线性映射

设G0和G1是两个在有限域Zp上的乘法循环群,阶p是大安全素数,则双线性映射f:G0×G0→G1具有以下性质。

(1)双线性。∀m,n∈Zp及∀x,y∈G0,f(xm,yn)=fmn(x,y);∀x1,x2,y∈G0,f(x1x2,y)=f(x1,y)f(x2,y)。

(2)非退化性。∀x,y∈G0,使f(x,y)≠1,其中1是G1的单位元。

(3)可计算性。∀x,y∈G0,都存在一种有效多项式时间算法计算f(x,y)。

1.2 访问控制树

假设参与者为集合U={U1,U2,…,Un},若存在单调访问结构S⊆2{U1,U2,…,Un},对任意的K1、K2,若K1⊆S且K2⊆K1,即有K2⊆S。单调的访问结构S是一个非空的单调集合S,集合S被称为授权集合,否则为非授权集合。

本文方案所利用的数据访问策略是通过构建由一组非叶子节点(逻辑阈值门)和叶子节点(用户属性)组成的访问控制树Γ进行实现,当某个用户的属性集合满足访问控制树Γ的逻辑规则,则该用户可以访问相应的内容。本文方案通过构建访问控制树实现细粒度的访问控制策略。逻辑阈值门中最常用的为AND门和OR门。给定一个访问控制树Γ,假设no是节点o的子节点数,ko(0

1.3 ρ稳定局部敏感哈希函数

ρ稳定局部敏感哈希函数(ρstable LSH)是局部敏感哈希函数中的一种,可被用在欧式空间中。ρstable LSH可将l维特征向量V映射为一个数,即

(1)

2 问题定义

2.1 智能电网敏感图像可检索加密方案框架

本文方案包括4个实体:①可信授权机构(TA),负责系统初始化和用户相关密钥的生成与分发;②云服务器(CS),存储大量图像文件并提供大部分的计算资源,利用搜索陷门、密文图像、安全索引等进行检索;③图像数据拥有者(DO),将图像文件存储在云服务器上的电网企业或个人用户,对图像集和加密密钥进行加密并构建安全索引;④图像数据查询者(DU),想要在云服务器中进行查询的电网企业或者个人用户,利用属性私钥对CS返回的密文检索结果进行解密。系统框架如图1所示,图中①～⑦为方法步骤。

图1 系统框架Fig.1 System structure diagram

2.2 设计目标

为保障智能电网环境中图像数据拥有者的隐私性和密文图像检索的可行性,本文设计安全和性能目标如下。

(1)密文图像可检索。云服务器CS中存储了大量的智能电网密文图像,图像数据查询者DU可以利用现有的明文图像在CS中检索出相似图像对应的密文图像。

(2)精确地检索及访问。将图像的深度特征与传统特征进行融合与降维,提高检索精度,同时结合密文策略属性加密机制,杜绝非法授权访问。

(3)高效地检索。基于ρstable LSH算法和安全近邻算法构建安全索引,降低相似度计算的复杂度,进而提高检索效率。

(4)数据的隐私保护。云服务器CS和其他攻击者无法探测到密文图像集、密文特征向量、安全索引和搜索陷门的明文信息,同时云服务器CS无法从密文向量内积计算结果中推断出明文向量内积值。

2.3 安全模型

本文认为CS是半可信的,它会诚实而正确地执行DO和DU发送的请求,但也会主动探测存储内容,并进行关联推理以挖掘更多信息。系统攻击模型可被总结为以下3种。

(1)已知密文攻击模型。CS只知道来自DO的加密图像集和安全索引以及来自DU的搜索陷门。

(2)已知背景攻击模型。除了密文图像集和搜索陷门,CS可以获取到更多的背景知识,如一些明文图像、搜索陷门对应的明文等。

(3)用户串谋攻击模型。不符合访问策略的DU间相互共享的自己的属性私钥及对称加密密钥密钥,以期能够访问系统的检索结果。

3 多特征融合的智能电网敏感图像可检索属性基加密方案

本文方案总体流程如图2所示。首先,TA初始化系统,为图像数据拥有者DO和图像数据查询者DU生成属性私钥;其次,DO利用卷积神经网络(CNN)和传统方法分别提取出图像的CNN特征、词袋(BOW)特征、颜色空间(ColorSpace)特征及方向梯度直方图(HOG)特征共4类特征,利用PCA和ρstable LSH函数对融合特征向量进行降维并生成安全索引,将密文图像集、安全索引和密文加密密钥上传到云服务器CS;再次,查询用户DU输入一张待查询图像,对该图像提取特征并生成搜索陷门以发送给CS;最后,CS根据搜索陷门在安全索引中进行相似度匹配以获取候选图像集返回给DU。当且仅当DU的用户属性集合满足DO的访问策略时,DU才能解密密文图像,得到明文图像。

图2 本文方案总体流程Fig.2 Overall flow chart of proposed scheme

3.1 多特征提取与降维

本方案主要提取了4类特征,分别是CNN特征、Bow特征、HOG特征和ColorSpace特征。稠密连接网络(DenseNet)[20]的每层输入都与之前每一层的输出有关,可以最大限度地利用各层特征,且省参数与计算量,因此本文通过DenseNet网络对图像集进行提取1 024维的CNN特征,如图3所示。

图3 CNN特征提取结构Fig.3 CNN feature extraction structure diagram

Bow特征是对图像尺度不变特征变换特征的词袋语义表示,通过K-means算法聚类可得到120维的BOW特征。HOG特征是一种用来检测图像物体存在的全局图像特征描述子,通过将一副图像区域分割为多个连通的局部区域,计算每个局部区域的边缘或梯度方向直方图,然后进行统计与归一化,最终得到3 780维的HOG特征。ColorSpace特征可对图像颜色的空间分布进行有效地表示,将图像的RGB颜色空间映射至YUV颜色空间,然后将图像进行分割,对每个局部区域对YUV颜色空间的平均值及DCT系数矩阵进行计算,最后得到120维的ColorSpace特征。RGB颜色空间映射至YUV颜色空间的计算式为

(2)

对图像集提取4种特征后进行特征融合,然后采用PCA算法降低不同特征之间的相关性以对融合特征进行降维,主要步骤如下。

(1)设图像集的特征矩阵为V=[V1,…,Vi,…,Vn]T,第i幅图像的特征向量为Vi=[vi1,vi2,…,vie],其中,n为图像集的图像数,e为特征向量的维度。对特征矩阵V进行中心化得到

(3)

(4)

(5)

(6)

式中:λ=[λ1,λ2,…,λl];ζ=[ζ1,ζ2,…,ζl],l代表特征集的数量,ζi代表特征值λi所对应的特征向量;SVD代表奇异值分解函数。

(4)对特征值矩阵λ中的元素进行降序处理,然后根据降序处理后的特征值矩阵对特征向量矩阵ζ的元素位置进行调换,选择前d个特征向量得到的投影矩阵ζ′=[ζ1,…,ζd]。

(5)根据投影矩阵ζ′和特征矩阵V得到降维后的特征矩阵V′

模具成形是采用指定的形状完成成形拥有特定的尺寸与形状模板的工具。在许多材料加工中大量的使用着各种形式的模具。比如合金成型采用的冲压成形、锻压成形、冷压成形等模具。

(7)

3.2 基于CP-ABE的密文图像检索算法

3.2.1 系统初始化 Setup(1ε)→KP,KS。输入安全系数ε,定义G0和G1是两个有线域Zp上的乘法循环群,双线性映射f:G0×G0→G1,H={h1,h2,…,hγ}是γ个抗碰撞散列函数集合,g是G0的生成元,阶p是大安全素数。设定图像的最终特征向量维数为d,μ为随机正整数,则随机选取d+μ+1维二值向量U、(d+μ+1)×(d+μ+1)维可逆矩阵A1和A2。TA随机选择α,β←Zp作为系统主私钥KS=[α,β],主公钥KP=[G0,G1,p,g,fα(g,g),gβ,H,U,A1,A2]为系统公共参数。

3.2.2 用户注册阶段 URegist(KS,KP,S)→KU。当新用户向系统请求注册时,TA随机选择r←Zp、rs←Zp,并按照该用户的属性集合S计算其相应的属性私钥KU为

(8)

3.2.3 图像加密阶段 Enc(KP,D,Γ,K)→C,CK。假设DO有明文图片集D={D1,D2,…,Dn}需进行存储。

(1)PEnc(D,K)→C,图像集与特征向量加密。DO随机生成k维的二值向量K作为明文图像集D的对称加密密钥,对其进行加密以得到密文图像集C={C1,C2,…,Cn},并发送给CS。

(2)KEnc(KP,K,Γ)→CK,加密密钥加密。DO根据访问策略定义访问树结构Γ,以根节点r为起点,为每个节点o生成一个多项式qo,设ko为节点o的门限值,多项式qo的阶deg(qo)=ko-1。对于根节点r,DO从Zp中随机选择deg(qr)个系数和一个常数δ(作为qr(0)的值)以生成多项式qr;至于其他任意非根节点o的多项式qo的生成,deg(qo)个系数同样是从Zp中随机选取,常数项qo(0)=qpar(o)(id(o)),其中,par(o)为节点o的父节点,id(o)为节点o的父节点给节点o的标识值。为方便理解,假设节点o是其父节点的第2个子节点,则节点o的多项式qo的常数项qo(0)=qof(2),其中,函数qof为父节点的多项式。DO计算加密密钥K后的密文CK为

(9)

式中:T为树Γ中所有叶子节点;at(t)表示与叶子节点t相关联的属性值;qt(0)为叶子节点t的多项式中的常数项。

BEGIN

/*U[θ]等于1时,3个变量赋值相等*/

if(θ∈[1,d+μ+1]&&U[θ]==1)

{/*3个变量相等*/

else if(θ∈[1,d+μ+1]&&U[θ]!=1)

才会停止循环*/

END

3.2.5 搜索陷门生成阶段 TrapdoorGen(KP,m)→Tm。图像查询者DU输入公共参数KP、所查询的

BEGIN

/*U[θ]不等于1时,3个变量赋值相等*/

if(θ∈[1,d+μ+1]&&U[θ]!=1)

{/*3个变量相等*/

else if(θ∈[1,d+μ+1]&&U[θ]!=1)

END

3.2.6 搜索阶段 Search(I′,Tm)→CK,Cm。云服务器CS接收到密文图像集安全索引I′、搜索令牌Tm,首先查找与ψm相同的哈希桶,然后对该桶中所有图片的特征向量与查询图像的特征向量进行内积计算,并根据值的大小衡量两张图像的相似性,公式如下

(10)

根据内积值大小输出相似度排在前j张的密文图像集Cm={C1,…,Cj}以及包含了对应图像访问策略的密钥密文CK。

3.2.7 解密阶段 Dec(KU,CK,Cm)→Dm/φ。图像数据请求者DU需输入属性私钥KU、云服务器CS返回的检索结果Cm和包含了对应图像访问策略的密钥密文CK,本地验证是否具有解密权限。

(1)Test(KU,CK)→K/φ,验证密钥。DU收到CK后,检查属性私钥KU和访问策略Γ是否匹配,如果匹配不上则返回φ,否则采用递归算法,得到B=frδ(g,g)。DU恢复对称密钥的公式为

(11)

(2)Dec(Cm,K)→Dm,用户解密。利用解密而来的对称密钥K解密检索结果Cm={C1,C2,…,Cj},从而得到明文图像集Dm={D1,D2,…,Dj}。

4 安全性分析与证明

4.1 安全性分析

本文提出的方案中,加密图像集的方法为传统对称加密算法,采用高安全性的图像加密算法能够强力地保护图像的隐私。其中,由于安全近邻算法中的随机矩阵相乘与添加冗余项等操作,安全索引表中存储的密文特征向量受到了更高强度的隐私保护。若云服务器CS想要得到明文特征向量,就首先需要获得向量U和矩阵A1、A2。但是,由于向量U和矩阵A1、A2都是随机生成的,云服务器CS几乎没有可能得到这些信息的确切数据,即无法解密安全索引表中的密文特征向量。搜索陷门的隐私安全性同样依赖于随机向量U和随机矩阵A1、A2的数据是否会被窃取。除此之外,随机数τ使搜索陷门的生成存在随机性,故云服务器CS无法对搜索陷门与查询图像进行关联推理。

4.2 安全性证明

定理1云服务器CS和外部敌手无法学习到明文图像的任何信息,除了密文图像数据。

定理2在已知背景攻击模型下,内积计算可在多项式时间内确保密文特征向量和搜索陷门安全。

(12)

式中的τ和ωϑT均未知,密文特征向量无法泄露明文特征向量的相关信息。即便明文特征向量集E已知,在多项式时间内,敌手也无法暴力破解密文特征向量。故在已知背景攻击模型下,多项式时间敌手无法得到加密数据集和搜索陷门的明文。

5 性能分析与比较

5.1 理论分析对比

表1给出了文献[7]、文献[11]和本文RAESSG共3个对比方案的理论计算开销分析,对方案中代价较高的密码运算操作进行比较。表中:QG为循环群指数运算量;QZp为有限域指数运算量;QE为双线性对运算量;QH为哈希运算量;QM为矩阵运算量;w为图像拥有者数;n为图像数;d为明文特征向量维数;d′为密文特征向量维数;γ为哈希函数数量;σ为哈希表数量;|T|为访问树结构的叶子节点数。

由表1可看出,在密钥生成阶段,RAESSG方案的密钥生成时间随着访问树结构的叶子节点数的增加而增加,为了加强内积计算的安全性,在安全近邻算法中在密文特征向量中添加了冗余项,特征向量维数的变多使得密钥生成时间也跟着增加。在索引生成阶段,3个方案的索引生成时间都与图像总数呈正相关。在搜索陷门生成阶段,3个方案的陷门生成时间主要受特征向量维数、哈希计算和矩阵相乘的影响,将其考虑为图片数量为1的索引建立,故省略。在图片检索阶段,图像数和特征向量维数对计算开销的影响很大。RAESSG方案的密钥生成的计算开销较大,主要是因为属性私钥的生成,但以此为代价可以换来对检索结果的细粒度访问控制;文献[7]的索引建立很快,但只是利用图像加密密钥对特征向量进行加密,并未建立真正意义上的隐私,故在图像检索阶段,需要根据搜索陷门对所有密文图像的密文特征向量进行内积计算,然后两两比对得到最后的结果,因此当图像数量较多时,计算开销很大;群指数运算对文献[11]各阶段的计算开销都有影响,而RAESSG只有两个阶段的开销与其相关。

表1 计算开销的理论分析对比

5.2 实验性能分析对比

实验环境为RedniBook14、CPU Intel(R) Core(TM) i5-10210U @1.60 GHz、Win10系统的笔记本电脑,实验工具为Java1.8和python3.7。实验从Corel 10K数据集中随机选取20类图像,并添加了电力巡检工人类型图像1 000张、电网安全事故现场类型图像600张、绝缘子类型图像1 000张、电网合同类型图像400张,共计5 000张图像。设定有4个哈希表,每个哈希表需利用4个哈希函数,降维后的融合特征维度为120,访问树Γ的叶子节点数为10。

密计算开销的仿真结果如表2所示。在图像检索阶段,对比的是3个方案在5 000张图像中进行检索的平均时间。文献[7]的密文生成时间和索引生成时间较短,分别约为60和70 ms,但采用遍历内积计算并比较图像密文特征的方式,导致图像检索平均时间太长,约为358 s;文献[11]采取了聚类方法,文图像检索时间在3个对比方案中最短,约为56 ms,但索引生成时间较长,约为235 s:由于RAESSG需要对用户生成属性私钥,故密钥生成时间为615 ms,相较于文献[7]和文献[11]高出许多,但其为一次性过程,是可以接受的。虽然RAESSG的索引生成时间和图像检索时间并非是最短的,但与表2中的最短时间相差不大,远远小于表2中的最长时间。在表2的实验中,3个方案采用的特征均为4个特征融合后的特征。需要说明的是,由于特征提取和融合时间较长,为方便比较,表2中的索引生成时间未包括这些时间。此时,PCA降维后的融合特征维数为120维,花费时间为496.5 s。

表2 计算开销的仿真对比

密文图像检索时间如图4所示。可以看出,本文利用基于键值对的方法构建安全索引,即便待检索图像的数量不断增加,检索效率依旧维持在同一水平,平均测试检索时间为246 ms,局部敏感哈希函数有效缩短了检索时间。

图4 密文图像检索时间Fig.4 Encrypted image retrieval time comparison

设定访问树中叶子节点数为10,在用户属性数为2、4、6、8、10的情况下,分别对待检索图像集建立安全索引,得到平均生成时间为76 ms。用户属性数对安全索引构建与密钥生成的影响如图5所示。可以看出:用户的属性数并不会影响安全索引的生成速度;由于搜索陷门的生成相当于图片为1的安全索引构建,所以用户属性数也不会影响搜索陷门的构建。用户属性私钥生成时间随属性数的增加而增加,但增强了安全性。而且,对于用户个体而言,该过程无需重复进行。

图5 用户属性数对安全索引构建与密钥生成的影响Fig.5 Influence of number of user attributes on generation of security index and attribute private key

利用公式Pr=s′/s计算各个方案的检索精确率,其中,s表示检索返回的图像数,s′表示与查询图像相同种类的检索返回图像数。云服务器CS在整个数据集中进行检索,返回检索结果数为35,3个方案检索精确率的对比结果如表3所示。可以看出:文献[7]以时间开销为代价换来了较高的检索精确率;文献[11]简化了欧氏距离计算方法,通过放弃检索精度以得到较高的检索效率,两个方案的实用性都受到严重影响;当对图片集进行特征提取时,只对3种传统特征进行处理时,即为方案RAESSG—CNN特征,此时精确率为82.9%,与文献[7]的准确率相当;将CNN特征纳入考虑时,文献[7]和文献[11]的准确率也都有一定的提高,分别提高8.5%和11.4%;本文方案RAESSG的检索精确率弱于加强后的文献[7],但CNN特征使检索精确率提高了5.7%,这说明了CNN深度特征与传统特征结合的有效性。

表3 密文图像检索精确率对比

实验中对数据集分别提取了1 024维CNN特征、3 780维HOG特征、120维BOW特征及120维ColorSpace特征,根据RAESSG方案分别对经PCA降维后的80、100、120、140维的融合特征进行实验,实验结果如表4所示。可以看出:当降维后融合特征维度处在一个合适的范围内,特征维度越高,检索时间越长,但是由于索引的结构,检索时间十分相近;当特征维度控制在120维时,检索精确率最高;融合特征的特征维度对检索精确率的影响较大,维度太低或太高,会造成图像特征信息的缺失或冗余,进而降低密文图像的检索精确率。本文方案的示例检索结果如图6所示。

表4 不同融合特征降维维度的检索性能对比

(a)检索原图 (b)检索的相似图像图6 密文图像检索结果Fig.6 Ciphertext image retrieval results

6 结 论

本文针对智能电网环境中敏感图像数据面临的隐私安全、密文图像检索效率及检索精度较低的问题,提出一种基于多特征融合的智能电网敏感图像可检索属性基加密方案,将对称可搜索加密与密文策略属性基加密机制相结合,在确保图像数据的隐私的前提下实现对敏感图像的高效安全地检索与精确地访问。本文得出的主要结论如下。

(1)安全性分析表明,本文方案可抵抗已知密文攻击、已知背景攻击和抗串谋攻击。理论性能分析和在电网数据集的实际性能测试表明,本文方案能对敏感图像进行高效地安全检索,其密钥生成时间、索引生成时间及图像检索时间皆为毫秒级,检索精度为88.6%。在本文的3个对比方案中,所提方案在检索效率和检索精度中取得了最好的平衡,在智能电网场景中进行实际应用是可行有效的。

(2)利用局部敏感哈希函数建立基于键值对的查找表方式,采用添加了冗余项的安全最近邻算法对特征向量进行加密,可以在增强安全性的同时有效地缩短检索时间,且即便待检索图像库的数量不断增加,检索效率依旧维持在同一水平,其检索时间大约为246 ms。

(3)深度图像特征与传统图像特征的结合,增强了最终特征向量的表达能力,进而提高密文图像的检索精度。深度图像特征的融合将文中3种对比方案的检索精度提高了5.7%～11.4%。

(4)本文的密文图像搜索模式较为单一,只允许以图搜图,会给用户体验造成一定的局限性。下一步研究工作将会针对方案的关键字查询图像功能或多模态查询图像功能进行展开。