.png){kind=icon}
返回
Secure Compressive Sensing with Hyper-Chaos: A Simultaneous Encryption and Sampling Framework
.png){kind=icon}
PRE
AI
DOI：10.3390/math14040709.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
安全压缩感知（SCS）主要受益于具有有限计算资源的物联网场景、航天和医学等领域。近年来，对SCS的研究引起了广泛关注。然而，现有关于CS嵌入安全性的工作通常需要将额外的加密流程应用于测量向量。在本文中，我们提出了一种由超混沌系统增强的SCS方案，其性能优于现有最先进方法，并赋予SCS极高的固有安全性。在我们的方案中，加密和采样处理同时完成，即通过由初值（密钥）驱动的离散超混沌（HC）系统生成的测量矩阵实现采样时的安全性。此外，HC矩阵的应用降低了与基于传统CS的加密方法相比的密钥流传输的计计算和带宽消耗成本。实验表明，基于HC的矩阵表现出优异的重建性能，在采样比为0.5时，在Set5数据集上实现了平均SSIM为0.91和PSNR为29.09 dB，优于伯努利和哈达玛等传统矩阵。安全性分析证实，系统具有渐近球形保密性和高密钥敏感性——初始值偏差为10^-16会导致完全解密失败。此外，该方案对加性高斯白噪声和裁剪攻击表现出强鲁棒性，即使在50%裁剪下仍能保持高于15 dB的PSNR。与现有方法相比，所提出的方法通过仅传输HC初始参数而非整个测量矩阵来降低带宽消耗。这些结果表明，由HC驱动的SCS框架提供了固有安全性、高重建保真度和实用效率，使其适用于受限环境中的安全感知。
Keyword:
compressive sensing
hyper-chaotic system
inherent security
secret key sensitivity
37-xx
期刊
IF:
2.2
论文数:
3.1K
被引数:
3.6W
机构
引用论文
Low-resolution compressed sensing and beyond for communications and sensing: Trends and opportunities.png)
SIGNAL PROCESSING
SIGNAL PROCESSINGIF3.6
PREAI
分享收藏分享收藏Physics-informed neural network for reconstruction of seismic data under compressed sensing sampling
PREAI
分享收藏
查看更多内容