论文部分内容阅读
随着大数据时代到来,Internet上图像信息的规模也迅速增加。大规模甚至超大规模图像的出现对图像加密技术提出了新的挑战。超大规模图像加密处理最大的难点是如何有效降低加密处理时间。在已有的图像加密技术研究中,通常使用启发式算法或者减小算法的复杂度来达到减少加密时间开销的目的。使用启发式算法很难避免局部最优的情况,而减小算法的复杂度则会降低图像加密的安全性,对于目前所有的图像加密算法来说,在保证图像加密强度的前提下,处理大规模甚至超大规模图像数据的计算开销都是巨大的,因此提出一种针对大规模图像数据加密的算法,在保证加密算法安全性的前提下,提高加密速度进而减少加密时间开销就具有特别重要的意义,也是该领域的迫切需求。本文针对上述问题,从大规模图像加密算法的并行化考虑,在有效提高算法实时性的前提下,保证图像加密的安全性,进而设计并实现了基于MapReduce并行计算框架和混沌系统的分布式图像加密算法---DIE-MCS(Distributed Image Encryption based onMapReduce and Chaotic Systems)算法。为了有效提高大规模图像加密算法的计算速度,本文借鉴Google MapReduce并行处理思想,基于LinuxMPI集群环境,使用MapReduce-MPI并行库,将大规模图像分割为若干计算节点分别处理一部分子图像的模式,同时进行并行加密处理,极大减少了加密处理时间,保证了算法的实时性;在满足实时性要求的基础上,必须同时保证图像加密算法的安全性。为了有效地保证加密算法的安全性,我们采用目前图像加密算法中最稳定的混沌系统图像加密算法,有效增强了 DIE-MCS算法的敏感性。综合本文提出的DIE-MCS算法在安全性、实时性和敏感性等方面的实验结果,得到如下结论:DIE-MCS算法使用MapReduce-MPI的并行计算框架,利用分布式处理的天然优势有效加速加密算法,在16个内核的计算集群中进行实验,数据加密的加速比可以达到15,且随着计算内核数量的增加,加速比也随之提高,适合对实时性要求较高的应用领域。DIE-MCS算法的加密部分采用了混沌系统对图像进行加密,由于混沌系统本身可以提供较大的密钥集,加密后的数据基本不可能被逆向破解。同时,混沌加密算法本身所具有的遍历特性能够使密钥的分布更加随机均匀,进一步提升了DIE-MCS算法的安全性。DIE-MCS算法利用混沌系统对初始条件的高度敏感性,NPCR和UACI指数分别达到了 99.93%和33.23%,能够有效抵抗差分攻击。DIE-MCS算法基于广泛应用的Linux MPI集群环境构建分布式加密计算,具有良好的可移植性和可扩展性,方便快速部署和广泛应用。总之,本文提出的DIE-MCS算法在安全性、实时性和敏感性三方面达到了较好的平衡,具有很好的应用前景。同时,本文的研究工作具有一定理论价值,对同类工作具有参考和借鉴意义。