基于聚类和集成学习的不平衡语言隐写分析方法及装置

专利主权项内容

1.基于聚类和集成学习的不平衡语言隐写分析方法，其特征在于，具体步骤如下：步骤一，搜集若干个自然文本语料库，进行预处理，构建隐写文本数据集；所述预处理的过程具体为：首先，通过生成式隐写模型RNN-Stega生成隐写文本；然后，将隐写文本通过条件概率编码方法嵌入进自然文本中，形成隐写文本数据集；步骤二，利用动态聚类方法对隐写文本数据集进行分簇，直到子簇的数量达到要拆分的簇中样本的数量；动态聚类的具体过程为：步骤S21，对隐写文本数据集中各目标隐写文本进行建模，根据集成分类器的数据，得到每个文本的预测概率，由此获得各文本的检测难度；步骤S22，将各文本按照检测难度从小到大的顺序进行排序，形成一个大簇；步骤S23，按照检测难度从小到大的顺序遍历大簇中的每个文本，针对正在遍历的某个文本，将检测难度小于该文本的子集称为左侧簇，将检测难度大于该文本的子集称为右侧簇，由此将一个大簇临时划分为一个左侧簇和一个右侧簇，分别计算这两个子簇的变异系数；步骤S24，使用变异系数来衡量子簇中文本的离散程度，经过一轮遍历后，当离散程度最小时，确定将大簇划分为两个子簇的位置，此时将大簇划分为确定的两个子簇c和c；lr步骤S25，设置参数num，判断各子簇中的文本数是否小于num，如果是，则不再继续拆分该簇；否则，返回步骤S23，继续对子簇进行分簇操作，直至所有子簇中文本的数量小于num，或者子簇的数量达到要拆分的簇中样本的数量；要拆分的簇中样本的数量N：scN＝max(int(IR), c)sc其中，int()为向下取整函数，c为常数，IR表示原始文本与隐秘文本的样本数量之比，即不平衡比率；步骤三，在每一次分簇完成后，从不同的子簇中选择文本形成一个子集，然后将该子集与隐秘样本组合成一个新数据集，并使用新数据集来训练基分类器；新数据集的形成过程为：步骤S31，依据每个子簇的变异系数和每个子簇中所有文本的检测难度之和，来计算每个子簇的重要性；子簇的重要性imp为：k其中，Nc表示第k个子簇中的文本数量，表示子簇中所有文本的检测难度之和，C(c)表示第k个子簇的变异系数；kvk步骤S32，根据每个子簇的重要性，计算每个子簇的采样比例，以及每个子簇中的采样数量；每个子簇的采样比例为：每个子簇中的采样数量为：sample＝ratio×Nkkck步骤S33，判断各子簇的采样数量是否小于该子簇中的文本数量，若是，则进行欠采样；否则，选择该子簇中的所有文本，并将剩余的文本均匀分配到其他子簇进行采样；步骤S34，根据采样数量进行采样后，得到采样后的cover texts集，将其与原始的Stego texts集合，即可得到新的数据集X；new步骤四，每次迭代中，将训练好的基分类器集成到集成分类器中，返回步骤二指导下一次迭代的欠采样过程；步骤五，采用集成学习来集成多个基分类器的检测结果，在迭代完成后，输出最终集成分类器的结果，完成在不平衡场景下的隐写分析。 来源：马 克 数 据 网