基于改进遗传算法的混沌加密技术

络、 模糊集理 论 、 遗传 算法等 已广泛地应用 于混沌加密技 术中。 结 合 神 经 网络 和 遗 传 算 法 的各 自优 点 ，提 出 了一 种 基 于 遗 传 神
经 网络 的混 沌 加 密 方 法被称 为 Ｌ ｏ ｇ ｉ ｓ ｔ ｉ ｃ 参 数 。当 ｚ ∈［ ０ ， １ 】 时， ｏｇ Ｌ ｉ ｓ ｔ ｉ ｃ 映射工作处 于混沌状态 ， 也就是说 ， 有初始条件 ｚ 在Ｌ ｏｇ ｉ ｓ ｔ ｉ ｃ 映 射作 用下产 生 的序列是 非周 期 的 、不收敛 的 。１ １ 的取 值符 合 ３ ． ５ ６ ９ ９ ４ ５ ６＜１ １ ＜ ４的条件时 ， 特 别是 比较靠近 ４时 ， 迭代生成 的 值是处于一种伪随机分布的状态 ， 而在其他取值时 ， 在经过一定 次数 的迭代之后 ， 生成的值将收敛 到一个特定的数值 。 ２ 申 经网络对混沌序列 的学习
法 由遗 传 算 法 来 替 代 ， 网络 权 系 的遗 传 进 化 训 练 步 骤 如下 ：
（ １ ） 给定 网络的输入 ／输 出样本集 ；
１ ． Ｌ ｏ ｇ ｉ ｓ ｔ ｉ ｃ映射
一
维Ｌ ｏ ｇ ｉ ｓ ｔ ｉ ｃ 映射是一个非常简单 的混沌映射 ， 其数学表 达
公式如下 ：
Ｚ ＋ ｌ ＝ Ｚ Ｉ １ （ １ 一 Ｚ ） ｕ∈［ ０ ， ４ ］Ｚ ∈Ｉ （ 】 ， １ ］
着速度较慢 ， 浮点操作 困难等缺点 。为 了改进上述缺点 ， 神经 网
本 文 采 用 神 经 网 络 实 现 对 混 沌 序 列 的 学 习 ，利 用 序 列 Ｚ
（ １ ） ， Ｚ （ ２ ） ， …… ， ｚ （ ｎ ） ， 预测 ｚ （ ｎ ＋ １ ） 则 町以将 Ｚ （ ｎ — ｋ ＋ １ ） ， …… ， ｚ
、
混 沌 加 密 技 术
混 沌是 一种无 规则的运动，是在确定性系统 中出现 的类似 随机的过程 。混沌系统 由于对初值 的敏感性， 而且混沌序 列具 有很好 的统计特性 ， 可 以产生 随机数列， 这些 特性很适合于序列 加 密技术 。 因此， 利用混沌原理对数据进行加密， 可以防范频率分
函数 最 终 指 向 的位 置 。
，
其中 ， Ｚ （ ｎ ） 是Ｚ （ １ ３ ） 的预测值 ， 神经 网络 的
二、 神 经 网 络 目前 常用 的神 经 网络 结 构 主 要 有 ３种 ：前 向 多层 神 经 网 络
学 习过程： ｚ （ １ ） ， ｚ （ ２ ） ， ……， ｚ （ ｎ ） 初 始时将 ｎ个符合 Ｌ ｏ ｇ ｉ ｓ ｔ ｉ ｃ映射 的序列作 为初值馈入 神经网络 ， 用 Ｚ （ ｎ ＋ １ ） 作 为教 师指导学 习 ； 第 ｋ步将 Ｚ（ ｋ ＋ １ ） ， ｚ（ ｋ ＋ ２ ） …… ， Ｚ（ ｋ ＋ ｎ ） 预测 值 作 为输 入 ， 用 ｚ （ ｋ ＋ ｎ ＋ １ ） 作 为教师指导学 习。本算法的神经 网络 中， 每个神经元 的 ｎ个输入 ： ｚ ｚ …… ， ｚ 其权 值分别 为 １ ， ２ ……ｎ ， 即神 经 网络每 向前推进一步 ， 输入 ｚ 的相应权值就减 １ ， 直至为 ０ 。
析攻击 、 穷举 攻击等攻击方法 ， 使得密码难 于分析 、 破 译 。近 年
来， 混沌原理用 于加密越来越受到人们的重视 。 本文研究 的是基于 Ｌ ｏ ｇ ｉ ｓ ｔ ｉ ｃ 公式 的混沌加密 ， 先要定 义一个 混沌 函数 。 然后选择初始条件和参数作 为密匙 。 对于明文转换 的
算法来避免神经 网络算法的局部极 小点 ， 解决收敛慢 的问题 ； 该加 密方 法产生的序列随机性好 ； 加 密速度快 。 关键词 遗传算法； 神 经网络 ； 混沌加密 加密是现在保证数据安全性 的重要手段 。混沌信号具有 良 好 的伪 随机性 ，可用于构成加 密系统 。 目前 出现 的混沌加密方 法， 就是 利用混沌系统 中对 初始值敏感 ， 不可预测 ， 拓扑依赖等 特性来进行加密 ， 展 现出比传统加密更好的性能。 但其 中也存在
四、 遗 传 算 法优 化 神 经 网络
（ 包含递归神经网络 ） 、 自组织 神经 网络和 Ｈｏ ｐ ｉ ｆ ｅ ｌ ｄ神经网络 。 其 中研究 最广泛 ， 最深入且应用 面最广 的是前 向多层神经网络。 三层 神经网络模型如图 １ 所示 的， 第 一层 为输 入层， 中间层
为 隐含 层 ， 神经元个数为 ｎ ， 第 三 层 为输 出层 。
Ｎ ２ ０ １ ４ 年 第 ３ ６ 期 （ 总 旁 第 ２ 论 ６ ４ 坛 期 ）
李 玉森 ， 王玉 科 ， 郝孟 超 （ 青 州市 高新技 术研 究所 ， 山东 潍坊
摘
。奇 簋 国 固 。
基于改进遗传算法的混沌加密技术
２ ６ ２ ５ ０ ０ ）
要 混沌加 密技术 已经成为保证信 息安 全的主要手段 ， 本文提 出了采用遗传算法和神经 网络相结合 用于混沌加 密， 利用遗传
输 入层 隐屡
遗传算法优化神经网络主要是用遗传算法学 习神经网络的 权重和学 习神经 网络 的拓扑结构 ，而最主要 的是学 习神经网络 的权重 ， 也就是用遗传算法来取代一些传统的学习算 法。 在神经 网络结构 固定的前提下 ，由遗传算法进行 网络权 系 的训 练 ， 优化其权系值 。当前 主要用于多层前馈 网络 ， 将 学习算
（ ｒ １ ） ， ｋ个 值作 为神 经 网络 的 输 入 ， 输 出预 测值 ｚ（ ｎ ＋ １ ） 。预 测 值 与
实 际 值 的 误 差 采 用 标 准 均 方 根 误 差 ，定 义 为 Ｅ ｒ ｒ ｏ ｒ ＝
每一个信息符重复执行混沌函数 ， 存储循环次数作为密码 。 解密
的时候 ， 设定初始条 件和参数 ， 并应 用相 同的混沌 函数 。对得 到 的密文执行混沌 函数 ， 执行次数正好是密文上的数字 ， 即可 找到