一种原始十六进制字节序列的深度学习识别方法

本发明涉及数字图像取证及信息安全，具体涉及一种原始十六进制字节序列的深度学习识别方法。

背景技术：

1、基于解析后exif元数据的可解释取证框架，通过利用具有明确语义的拍摄参数，在相机品牌与型号识别任务上取得了良好性能，并能为设备异常行为提供直观解释。然而，该方法的有效性建立在元数据完整、未被篡改且解析准确的前提之上。在实际取证场景中，元数据可能被恶意擦除、部分伪造，或在文件转换过程中因编码差异而出现解析错误或信息损失，从而限制其可靠性与适用性。此外，手工设计的特征编码与选择过程虽保障了可解释性，但可能无法充分挖掘嵌入在图像文件底层二进制结构中的深层判别模式。因此，亟需一种能克服上述限制，并不依赖于显示元数据解析、能从原始数据中自动学习鲁棒特征的识别途径。

技术实现思路

1、本发明的目的就是解决上述背景中的技术问题，提出一种原始十六进制字节序列的深度学习识别方法，该方法基于jsanet-bc模型，包括以下步骤：

2、s1、对元数据原始字节流进行标准化与向量化表示，之后通过嵌入层与位置编码将离散字节转化为蕴含顺序信息的连续表征；

3、s2、使用transformer编码器块进行字节维度的自注意力特征学习；

4、s3、通过包含通道注意力机制的一维卷积模块进行进一步特征精炼与下采样，最终通过全局特征聚合与分类器输出识别结果。

5、优选的方案中，在步骤s1中，提取图像文件头部的原始数据块并将其序列化为一维字节流，设定截断长度为n；序列中的每个元素代表一个字节的十进制数值，取值范围为0至255。

6、优选的方案中，在步骤s1中，引入一个包含参数矩阵的可训练字节嵌入层，将输入序列中的每一个离散的字节数值映射为稠密实值向量，从而转换为连续的特征矩阵。

7、优选的方案中，在步骤s1的嵌入层之后设有三层级联的一维卷积层，每个卷积层配置为卷积核大小为4、步长为2以及填充为1，并后接批归一化层和relu激活函数，使得特征序列降维后，与初始化的可学习位置编码矩阵进行逐元素相加，得到融合全局位置信息的输入特征。

8、优选的方案中，在步骤s2中，transformer编码器块采用多头自注意力机制，对输入特征进行层归一化后，通过线性变换生成查询、键和值矩阵，并计算缩放点积相似度对每个嵌入进行重加权。

9、优选的方案中，在步骤s2中，多头注意力机制独立注意力头的输出拼接后经线性变换，再通过残差连接和层归一化，送入由两个全连接层组成的前馈网络，中间通过gelu激活函数引入非线性。

10、优选的方案中，在步骤s3中，通道注意力机制由四个串联的通道自注意力模块组成，单个模块内部包含并行的主支路与分支路；主支路包含两个一维卷积层，第一个卷积层的步长设置为2以执行下采样；分支路通过一个步长为2的1x1卷积层生成下采样后的映射特征。

11、优选的方案中，针对主支路的中间特征，依次执行压缩操作与激励操作：压缩操作利用全局平均池化聚合序列维度上的信息生成通道描述符；激励操作采用两个全连接层处理描述符，最终通过sigmoid生成通道权重向量。

12、优选的方案中，将生成的通道权重向量与主支路特征进行逐元素相乘实现加权，随后将加权后的特征与分支路生成的下采样特征进行逐元素相加，得到该通道自注意力模块的输出。

13、优选的方案中，在步骤s3中，全局特征聚合阶段采用自适应全局平均池化沿序列维度对特征数值进行平均计算，生成固定维度的全局特征向量输入至分类器中；模型训练阶段采用交叉熵损失函数来衡量预测结果与真实标签的差异。

14、与现有技术相比，本发明的有益效果为：

15、（1）本发明通过端到端的数据驱动方式挖掘隐藏在底层码流中的设备判别信息，从而为相机来源取证提供了一条更底层、更鲁棒的技术路径。

16、（2）本发明的整个模型结构兼顾了全局依赖建模能力与局部判别特征提取能力，为后续分类提供了有效支撑。

17、（3）实验结果表明，本发明中的jsanet-bc在更复杂、更大规模的数据集上表现出更强的判别能力和泛化性能，尤其在vision和forensicam-215k数据集上取得了优异结果，说明原生字节流中确实蕴含着比显式exif语义信息更细粒度的设备指纹特征。

1.一种原始十六进制字节序列的深度学习识别方法，其特征在于，基于jsanet-bc模型，包括以下步骤：

2.根据权利要求1所述的一种原始十六进制字节序列的深度学习识别方法，其特征在于，在步骤s1中，提取图像文件头部的原始数据块并将其序列化为一维字节流，设定截断长度为n；序列中的每个元素代表一个字节的十进制数值，取值范围为0至255。

3.根据权利要求2所述的一种原始十六进制字节序列的深度学习识别方法，其特征在于，在步骤s1中，引入一个包含参数矩阵的可训练字节嵌入层，将输入序列中的每一个离散的字节数值映射为稠密实值向量，从而转换为连续的特征矩阵。

4.根据权利要求3所述的一种原始十六进制字节序列的深度学习识别方法，其特征在于，在步骤s1的嵌入层之后设有三层级联的一维卷积层，每个卷积层配置为卷积核大小为4、步长为2以及填充为1，并后接批归一化层和relu激活函数，使得特征序列降维后，与初始化的可学习位置编码矩阵进行逐元素相加，得到融合全局位置信息的输入特征。

5.根据权利要求1所述的一种原始十六进制字节序列的深度学习识别方法，其特征在于，在步骤s2中，transformer编码器块采用多头自注意力机制，对输入特征进行层归一化后，通过线性变换生成查询、键和值矩阵，并计算缩放点积相似度对每个嵌入进行重加权。

6.根据权利要求5所述的一种原始十六进制字节序列的深度学习识别方法，其特征在于，在步骤s2中，多头注意力机制独立注意力头的输出拼接后经线性变换，再通过残差连接和层归一化，送入由两个全连接层组成的前馈网络，中间通过gelu激活函数引入非线性。

7.根据权利要求1所述的一种原始十六进制字节序列的深度学习识别方法，其特征在于，在步骤s3中，通道注意力机制由四个串联的通道自注意力模块组成，单个模块内部包含并行的主支路与分支路；主支路包含两个一维卷积层，第一个卷积层的步长设置为2以执行下采样；分支路通过一个步长为2的1x1卷积层生成下采样后的映射特征。

8.根据权利要求7所述的一种原始十六进制字节序列的深度学习识别方法，其特征在于，针对主支路的中间特征，依次执行压缩操作与激励操作：压缩操作利用全局平均池化聚合序列维度上的信息生成通道描述符；激励操作采用两个全连接层处理描述符，最终通过sigmoid生成通道权重向量。

9.根据权利要求8所述的一种原始十六进制字节序列的深度学习识别方法，其特征在于，将生成的通道权重向量与主支路特征进行逐元素相乘实现加权，随后将加权后的特征与分支路生成的下采样特征进行逐元素相加，得到该通道自注意力模块的输出。

10.根据权利要求1所述的一种原始十六进制字节序列的深度学习识别方法，其特征在于，在步骤s3中，全局特征聚合阶段采用自适应全局平均池化沿序列维度对特征数值进行平均计算，生成固定维度的全局特征向量输入至分类器中；模型训练阶段采用交叉熵损失函数来衡量预测结果与真实标签的差异。