扩展变换对量化指纹抗合谋攻击性能的影响

计算机工程与应用 ›› 2012, Vol. 48 ›› Issue (10): 89-94.

扩展变换对量化指纹抗合谋攻击性能的影响

郑旭平1，张爱新2，李生红1

1.上海交通大学电子工程系，上海 200240
2.上海交通大学信息安全工程学院，上海 200240

出版日期:2012-04-01 发布日期:2012-04-11

Spread transform’s effect on anti-collusion performance of quantization based digital fingerprinting

ZHENG Xuping1, ZHANG Aixin2, LI Shenghong1

1.Department of Electronic Engineering, Shanghai Jiaotong University, Shanghai 200240, China
2.School of Information Security Engineering, Shanghai Jiaotong University, Shanghai 200240, China

Online:2012-04-01 Published:2012-04-11

摘要/Abstract

摘要： 以一种量化正交指纹为基础，通过理论分析和仿真实验，研究扩展变换对量化数字指纹抵抗平均合谋攻击能力的影响，并对包含和不包含扩展变换的量化数字指纹进行比较。结果表明，定义为扩展参数和方向参数的比值的扩展变换增益因子对含扩展变换的量化数字指纹抵抗平均攻击的性能有重要影响。在不同的噪声强度下，抗合谋攻击能力随扩展变换增益因子变化的变化方式不同。此外，扩展变换增益因子等于1使得扩展变换量化指纹与对应的非扩展变换量化指纹的抗平均合谋攻击能力相当。

关键词: 数字指纹, 数字水印, 量化, 合谋攻击, 扩展变换

Abstract: This paper investigates the effect of Spread Transform（ST） on averaging collusion resistance of quantization based digital fingerprinting schemes and compares the performance of quantization based digital fingerprinting schemes with and without ST through theoretical and experimental study of a quantization based orthogonal fingerprinting scheme. Study shows that an ST gain factor defined as the ratio of a spreading parameter to a direction parameter exerts important influence on anti-collusion performance of ST quantization based fingerprinting schemes. In situations with different strength of noise, anti-collusion performance responds differently to the variation of ST gain factor. ST gain factor equaling 1 renders the performance of ST quantization based fingerprinting the same as its non-ST counterpart.

Key words: digital fingerprinting, digital watermarking, quantization, collusion attack, Spread Transform（ST）

郑旭平1，张爱新2，李生红1. 扩展变换对量化指纹抗合谋攻击性能的影响[J]. 计算机工程与应用, 2012, 48(10): 89-94.

ZHENG Xuping1, ZHANG Aixin2, LI Shenghong1. Spread transform’s effect on anti-collusion performance of quantization based digital fingerprinting[J]. Computer Engineering and Applications, 2012, 48(10): 89-94.

[1]	闫晓燊，高强，朱思萌，奚学程，赵万生. 亮度不均匀低质量图像中压印字符分割方法[J]. 计算机工程与应用, 2021, 57(8): 185-191.
[2]	唐蕊，焦继业，徐华昊. 面向嵌入式的卷积神经网络硬件加速器设计[J]. 计算机工程与应用, 2021, 57(4): 252-257.
[3]	秦伟伟，宋泰年，刘洁瑜，王洪伟，梁卓. 基于轻量化YOLOv3的遥感军事目标检测算法[J]. 计算机工程与应用, 2021, 57(21): 263-269.
[4]	蒋润熙，阿里甫·库尔班，耿丽婷. 面向轻量化网络的安全帽检测算法[J]. 计算机工程与应用, 2021, 57(20): 263-270.
[5]	刘玉锋，孙文鑫. 一般多粒度量化软粗糙集模型[J]. 计算机工程与应用, 2021, 57(12): 137-143.
[6]	朱惠娟，王永利，陈琳琳. 面向三维模型轻量化的自私羊群优化算法研究[J]. 计算机工程与应用, 2020, 56(3): 42-48.
[7]	司海飞，史震，胡兴柳，杨春萍. 基于DeepLab V3模型的图像语义分割速度优化研究[J]. 计算机工程与应用, 2020, 56(24): 137-143.
[8]	吴进，张伟华，席萌，代巍. 高性能人脸识别加速器优化设计及FPGA实现[J]. 计算机工程与应用, 2020, 56(22): 48-54.
[9]	韩道岐，张钧垚，周玉航，刘青. 基于深度强化学习的股市操盘手模型研究[J]. 计算机工程与应用, 2020, 56(21): 145-153.
[10]	郭辰，李新伟，杨艺，徐良浩. 基于非局部3D残差网络的视频指纹算法[J]. 计算机工程与应用, 2020, 56(19): 216-223.
[11]	付佐毅，周世杰，李顶根. 轻量级目标识别深度神经网络及其应用[J]. 计算机工程与应用, 2020, 56(18): 131-136.
[12]	柴晓菲，刘松，屈彬，王倩，伍卫国. 向量化友好的循环分块因子选择算法[J]. 计算机工程与应用, 2020, 56(15): 37-42.
[13]	陈熙，道尔吉，李运兰，韦立，夏道勋，熊祥光. 多方向局部相位量化模式及纹理分类[J]. 计算机工程与应用, 2020, 56(13): 216-222.
[14]	毕鹏程，罗健欣，陈卫卫. 轻量化卷积神经网络技术研究[J]. 计算机工程与应用, 2019, 55(16): 25-35.
[15]	伍健，邓梦薇，缪建群. 平均误差向量加速的[K]-Means色彩量化方法[J]. 计算机工程与应用, 2019, 55(12): 188-193.