MétaCan
Menu
Retour à la cohorte
Enregistrement W4401358769 · doi:10.1109/icdv61346.2024.10617400

Dynamical Selective Image Encryption Using Chaos

2024· article· en· W4401358769 sur OpenAlexaff
Thang Manh Hoang, Manh-Hai Hoang, Quang-Anh Pham

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineComputer Science
ThématiqueChaos-based Image/Signal Encryption
Établissements canadiensUniversity of Alberta
Organismes subventionnairesnon disponible
Mots-clésCHAOS (operating system)Computer scienceEncryptionImage (mathematics)CryptographyTheoretical computer scienceComputer visionArtificial intelligenceAlgorithmComputer security

Résumé

récupéré en direct d'OpenAlex

Image data has been increasingly generated by cameras as well as acquisition modalities. Image data is diverse and has different sensitive levels. Encryption algorithms for massive image data are required not only high confidential but also high speed. Sometimes, the trade-off between the speed and confidentiality of an encryption occurs for image data, and it can be obtained with selective image encryption. However, most of existing selective image encryption algorithms are with fixed values of parameters, as a consequence, the confidentiality is threatened from cryptanalysis methods. In this paper, the scheme of selective image encryption using chaos is proposed, in which its parameters are changed dynamically. Specifically, the diffusion is carried out with dynamically selected pixels, and on its varying number of significant bits. The permutation performs on blocks of selected pixels with varying size. Intuitively, the security of the proposed scheme is improved by dynamical selective of data for the encryption. The exemplar simulation shows the effectiveness of the proposed scheme with security analysis by means of testing entropy, and correlation between neighbor pixels. The amount of data to be encrypted is also measured in compared with existing selective image encryption.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,002

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,013
Tête enseignante GPT0,276
Écart entre enseignants0,263 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetChaos-based Image/Signal EncryptionTravaux en français237 207