（计算机应用技术专业论文）多重文本数字水印技术研究.pdf

摘要 文本数字水印技术是一个涉及密码学、图形学、视觉科学、中文信息处理、图像 处理、通信及信息安全等学科的交叉边缘科学，目前在理论上是很新的一个研究方向。 已经取得的文本数字水印研究成果主要集中在基于文本格式的算法方面。最为典型的有 字移、行移及特征编码等。但是这类算法的水印信息不是加载到文本内容之中，因此难 以抵抗打印、格式转换等常见文档处理操作。而将水印嵌入文本内容的基于自然语言处 理的文本水印算法中计算机自然语言处理技术是个瓶颈。另外，一篇文档里含有多个作 者版权水印信息的时候，真正的版权信息难以确定，一些论文针对这种攻击提出了很多 协议，但是这些协议过于复杂，或者在有效性上执行的不是很好。 本文研究了一种多重文本数字水印技术，不仅能够让作者可嵌入鲁棒性要求高的版 权水印信息、信息量大的标注水印信息，还可给文档打上时间戳标记。多重文本数字水 印技术包括三种水印算法： ( 1 ) 基于文档内容的算法。该算法首先对文档进行预处理，将符合一些中文语法规 则的词组按语法规则进行组合，然后在各个词组组合集中通过对词组进行相应的变换来 嵌入水印信息。嵌入水印后的文档语句仍然通顺、意思也没有发生改变，而且只需文档 的内容没有改变，那么水印就一直存在，这是相对于基于格式水印算法的一大优点： ( 2 ) 基于文档格式的水印算法。该算法提取出文档的汉语拼音，利用汉语拼音将平 面文档立体化，再利用字符缩放将水印立体地嵌入到文档中，提取时通过提取不同层面 的水印进行互相验证。该算法载荷量相当的大，可用于加载标注水印信息，并且通过提 取的信息能够获知文档的破坏率。 ( 3 ) 基于时间戳认证的零水印算法。此算法引入一个时间戳权威机构，作者在发表 自己的作品之前，首先将代表自己身份的水印、创作的作品进行绑定，然后向时间戳权 威机构申请时间戳，以此证明某个时间开始本人对作品的所有权。申请成功后，保存含 有时间戳的水印即可，这个时间戳即可证明从那个时间开始本人对作品的所有权。这种 版权保护方案相对于其他版权保护方案来讲更为简单、有效。 在多重水印技术中最为突出的一个问题就是要保证后嵌入的水印信息对先前嵌入 的水印信息造成的影响较小或者为零。基于这种考虑，在文档中首先执行基于文档内容 的算法嵌入水印信息1 ，再按以上基于文档格式的水印算法嵌入水印信息2 ，最后再按 基于时间戳认证的零水印算法结合水印信息1 或3 给文档打上时间戳标记。由于三种算 法加载的对象不同：一种基于内容，一种基于格式，另一种基于文档的统计特征，因此 在提取水印时三个水印信息可单独进行提取而不会相互影响。 关键词：文本水印；多重水印；语法规则；鲁棒性；字符缩放；数字时间戳 a b s t r a c t t h et e c h n o l o g yo f t h et e 】【td i g i t a lw 锄跚m f ki sac r o s sm a r g i n a ls u b j e c tw i l i c hr c l a l e st o f e s 即t c h 船o fc f y p t o g m 】p h y ，孚即场c s ，s c i e n c eo fv i s i o 坞a 1 1 i l 】旧s ei n f b n n a d o np i d c e s s i n 岛 i i n a g ep r o c e s s i g ，c o m m l l n i 训o i l s ，髓di n f o m a t i c l l r i t y ，e t ca n d i sav e r yn e wr e 砌 d i r e c t i o ni nt h e o r ya tp r e n t s 0 陆t l l e q l l i r e da c l l i e v e m e n t so nt e x td i g i t a lw a t 锄缸k i n g a r em a i l yf b h c u s e do nt h ea l g o r i 血m sb 鹪e do nt e 砒f 0 咖a t t h em o s tt y p i c a lr e p r e s e n 僦v e s a r ea l g o f i t h m so nw o r d - s h i 彤n g ，l i l l e s i l i f i i n g 粕dc h 嘲c t e r c o d i n g a st h ew a ：c 盯m a r k i n 幻加鲥o no f t i l i sk i 】咀o fa l g o r i m mi sn o ti i l s c n e di n t ot h eo e x tc o n t e 吐t h e 唾p r i 廿mc a n n o t 糟s i s ts o 圮c 0 脚m o nd o c 岫c n to p c 髓t i o n s 蛐c h 船f o m a tc o n 、旧r s i o i l ，p r i n tp r o c e s s i l l g a l t l l o u g ht 1 1 et e x tw g t e n n a r k i n ga 1 9 0 r i t i l i nb a do nn a t i l m ll m 培u a g ep m c e s s i n gc a i li m e r t w a t e 唧酞si n t ot e x tc o n t e n t ，c o m p u t e rt e c l l i l o l o g ya _ b o u tm 曲r a ll 赳l g u a g ep r o c e 豁m gi sa b o m e n e c k w h e nt h e r ea r es c 、嗽mc 删g h t si nad o c m n e n t ，t h er e a lc o p y r i g b 招a r eh a r dt 0 d e f - m e s o m ep a p e r sp r e s e n t a n yp r o t o c o l st o 出斌d ew h i c hc o p y r i g h ti s 饥l c b u t 也e s e p i 蛐d c o l sa r ee i 山e rt o oc o m p l e xo rd o d tw o r k 、e 1 1 了k sp a p e r h a s 百v 髓as t l l d yo f a 妇do f m l 】l d p l e 帅t 朗n a r kt e c h n 0 1 0 9 ) r 训1 j c hc 翘n o t 0 1 l l yi n s e r tr o b u s t w a t e 栩1 a r k m f o r l a t i o na _ b o mc o p y r ig ：h t 锄dl o a d - c 甜r y i n gw a t c 咖a r k i i l f o m 僦o na b o u tl a t i e l sb u ta l s os t 卸1 pt i | n ei l ld o c 啪e n t s t h em l l l t i p l et e x td i g i t a l w a t e m l a r kt e c h n o l o g y 证c l u d e st 1 1 r e ea l g o r i l m s ( 1 ) t h ea l 酬n l mb 勰e do nt e x tc o n t e n t f i r s t l yi tp 妇a t s 也ed o c 啪e n ta n d 罂d u p s 也e w o r d s 枷c hs a t i s 母s 咖ec h i n e 罂铷砌a 廿c a lm l e sa c c o r d i i l gt ot h em l e s ，t h e ni ti n s e r t s w a t 咖a r ki n f o 咖a t i o ni ne 觚h 、 r o f dg r o u pb y 触n s f o m 血喀w o r d s t h ed o c 哪e n ta 矗e rb e i i l g i n s e n e d 靴岫a r ks t i l lr c a d sn u e n u ya n dk e 印s “so d g i i l a lm e a l l i n g w h a t ，sm o r e ，t l l e i n n e dw a t e 枞a l w a y se x i s t si nt h ed o c 啪e n ti fm et e x tc o n t e n ti s o tc h a l l g e d t h j si sa g o o da d v a n t a g ec o m p 盯e d 、) l r i t ha l g o r i t l l m sb 鹊e do nt e nf o m a t ( 2 ) t h ea l g o r i l h mb a s e do nt e x tf o n n a t ne 加佻t s l ed o c 啪e n t ，sc h h l c s ep i n y m ， m a | 【e s p l 柚a rd o c 呦e m 血r c e - d i i i l e n s i o n a lb yc l l i s ep i n y i l l ，i n s e r t sm ew a t 唧娅k i n f o m l a t i o ni m o 廿l es o l i dd o c u m e n tb yc h a r a c t e r s e x t e n d i i 培，a n de x t r a c t s 也ew a t 锄a r k so f e a c hl a y c rw l l i c hv e r i 母e a c ho t h 盯i i l l ee n d t h ea l g o r i t h mh 踮g r c a tp a y l o a dc 印a b i l 时趾d c a l lb eu s e dt oc a _ yn l ei m n l l a t i o no fl d b c l s t h r o u 曲l ed i s t i l l e di i 面珊a t i o nw ec a l l a c q u hd e s t n l c t i v cd e g r e ei fd o c u m e m s 舡em d d m e d ( 3 ) t h ez e m w a l e m a r ka l g o r i 廿nb 骶e do nt i l e s t 锄1 p i tm 协) d u c c sat i i l l es t 鲫叩 o r g a l l i 髓t i o n b e 岛r ep u b 】i s h i n g 也e i rw o r k s ，a u t h o r sa p p l yt 0t 1 1 eo 删z a t i o n 南rt l i et i i l l e t a i i l pw i t l lc o m b i i l e dw a t 咖a r k si n d i c a t i l l gm m l o si d e n t i t ya n dl l i sw o r k s a r e r 跚c c e s s f m 印p l i c a t i o n ，i t sa l lr i g h tm a t t h ea u m o rs a v e st h ew a t e m a r k 诵也廿m e s t a m p t h cp m t o c o l a b o u td i g i t a lo o p y g h tp f o t e c d o ni sb o t l ls i 1 p l e r 锄dm o r ee 硒c i e n tt h a l lo t l l e rp m t o c o la b o u t d i g i 衄lc o p y r i g h tp r o t e c t i o n t h eo u t s t a 】咀i i 培c h a r a c t e r i s t i ci l lm m t i p l ew a _ t e r l a r kt e c l l i l o l o g yi st oe 璐i l r et l l a tm e w a t e m l a r ki n f o m a t i o ni n s 髓t e da f t e 附a r d sh 嬲l i m eo rn oe f f 酿o np r e e x i s t m gw a t e i l 】n a r k i n f o m a t i o n b 觞i i l go nt h i 8c o i l s i d e r a 虹0 n ，、f i 戚p c d b mt h ea l g o f i m mb 船o do nt e x t c o n t e n tt oi n s e r t 、 l ，a “江i n a r ki n f b r i n a _ t i o n1 t t l e nw ei n s e r tm ew a t e 肌a 出i n l o i r n a t i o n2i n t o t h ed o c u m e n ta c c o r d i i l gt ot l l ea l g o r i m mb a 船do nt e x tf o 咖a t i nt h ee n dw es t a m pt l l e 缸e o nt l l ed o c u i n e n tc o m b m i i l gt h ew a t e m l a r ki i l f o 咖a t i o n1o r3 a c c o r d i i l g t om e z e r o w a t e 肌a r ka l g o r i i h i i lb a s e do n 恤ed m e s t 卸叩b e c a u s em eo b j o c t st l l r c ea l g o r i t l l m sa i l a ta r cd i f f e 咒n t ，o i l ei sb a s e do n 缸tc o n t e n t ，a n o t h e ri sb 船e do nt e x tf o n n a t ，t h e 曲匠r di sb 嬲c d o nt e x tc h 盯a c t e 嚣s t a t i s t i c ，w ec a nd i s t i u 也e 也r e ew 时e r r i l a r ki i l f b 加n a _ t i o ns 印啪t e l yw i t hn o j n t c 删o n k e yw o r d s ：1 b x tw a t e 加a r k ；m u n i p l ew a t e 姗a r k s ；g r 锄m a t i c a lr u l e s ；r o b u s 恤e s s ； c h a r a c t e de x t e n d i n g ；d i g i t a lt h e - s t a m p 插图索引 图2 1 通用数字水印嵌入模型1 1 图2 2 通用数字水印检测模型1 l 图3 1 基于文档内容的水印算法架构图2 4 图3 2 文本分层结构图2 5 图3 3 字符缩放图2 8 图3 4g b 2 3 1 2 汉字编码截图2 9 图3 5 基于文档格式的水印算法架构图3 0 图4 1 程序的主界面3 7 图4 2 原始文档3 8 图4 3 嵌入多重水印后的文档3 8 图4 4 无攻击提取界面3 9 图4 5 攻击后的提取结果4 0 图4 6 可靠性图4 l 图4 7 格式转换后的文档4 1 图4 8 格式转换后的提取结果4 2 图4 9 载荷量、速度与文档失真度的关系图- 4 3 i v 附表索引 表3 1 汉字使用统计表2 2 表3 2 分词系统词性标识对应表2 6 表4 1 嵌入速度与文档长度关系4 3 v 湖南大学 学位论文原创性声明 本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所 取得的研究成果。除了文中特另b 加以标注引用的内容外，本论文不包含任 何其他个人或集体已经发表或撰写的成果作品。对本文的研究做出重要贡 献的个人和集体，均已在文中以明确方式标明。本人完全意识到本声明的 法律后果由本人承担。 作者签名：名著 日期：吖年，月棚 学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意 学校保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文 被查阅和借阅。本人授权湖南大学可以将本学位论文的全部或部分内容编 入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存和汇 编本学位论文。 本学位论文属于 l 、保密口，在年解密后适用本授权书。 2 、不保密团。 ( 请在以上相应方框内打“”) 作者签名：歹乖著日期：c 雪年7 月7 。日 导师签名多士品以 嗍。岁锄即日 硕士学位论文 1 1 课题来源 第1 章绪论 本课题来源于国家自然科学基金项目文本数字水印及文本信息安全研究( 编号： 6 0 3 7 3 0 6 2 ) 、教育部科研重点项目汉字结构知识的表示、挖掘及其应用研究( 编号： 0 3 0 9 2 ) 、湖南省杰出中青年基金项目 1 ，3 ，5 ，7 ，9 ，1 1 ( 注： 3 = 1 + 2 ：5 = 4 + 1 ：7 = 4 + 2 + 1 ：9 = 8 + 1 ：1 l = 8 + 2 + 1 ) 。将每位校验位连同其负责的所有数据位一起 鼍成偶校验，即将l ，3 ，5 ，7 ，9 ，1 1 位上的数据一起置成偶检验，即知1 位上应该为0 ， 同理可求出2 为0 ，4 为l ，8 为0 。h 用海明码编码后的信息为：0 0 1 1 0 0 1 0 0 0 0 ( 其中l ， 2 ，4 ，8 为校验位) 。 假设发送端发送用海明码编码过的信息h ，接收端收到的信息为：0 0 1 1 1 0 1 0 0 0 0 。那 么求发送端的信息码算法的步骤如下： 算法3 1 求发送端的信息码算法： s 1 ：设错误累加器( e r r ) 初值= o ： s 2 ：求出冗余码的偶校验和，并按码位累加到e r r 中： 由a 一 1 ，3 ，5 ，7 ，9 ，1 1 得a = ( o ，1 ，1 ，1 ，0 ，o ) = le r r = e r r + 2 0 = 1 由b 一 2 ，3 ，6 ，7 ，9 ，1 0 ，1 1 得b = ( o ，l ，0 ，1 ，o ，o ，o ) = 0e r r = e r r + o = 1 由c 一 4 ，5 ，6 ，7 得c = ( 1 ，l ，o ，1 ) = l e r r = e r r + 2 2 = 5 由d 一 8 ，9 ，1 0 ，1 1 得d = ( o ，0 ，o ，o ) = oe r r = e r r + 0 = 5 由e r r 0 可知接收码字有错。 s 3 ：码字的错误位置就是错误累加器( e r r ) 的值5 。 硕士学位论文 s 4 ：将接收端信息的第e r r ( 这里为5 ) 位取反得正确码字：0 0 1 1 0 0 1 0 0 0 0 。 3 3 3 水印信息的生成 本文水印信息的字符集爿为整个u n i c o d e 编码字符，一可达2 0 ，9 0 2 。这样选择的 信息标志集合的代码分隔性差，即信息标志相互混淆的可能性增大，水印很容易被错误 地理解为另一信息，但是水印信息的集合大大增加，作者在集合中可选的余地相当的大， 可以根据他所想要的信息进行编码，也降低了攻击者猜对水印信息的可能性。至于代码 分隔性差我们可以通过差错控制来解决，本文采用的海明编码处理随机错误的效果较好 扭明 算法3 2 将水印矽转换成水印信息矿： s 1 ：将水印形转换成二进制序列“ o = 1 ，2 ，h ) s 2 ：采用( 7 ，4 ) 海明码结构将辆) 转变成 鬼) ； s 3 ： w ，) = 阴c ( ) ( w t 。矿) ； 其中p n 叼，o 为所采用的加密算法。 3 4 基于文本内容的水印算法 3 4 1 中文语言规范 目前文本水印的研究成果主要集中在基于文本格式上，而这类算法完全依赖于文档 的保存格式，如果格式遭到破坏，则水印信息也受损，因此它们的鲁棒性不是很好。而 基于文档内容的自然语言文本水印算法中计算机自然语言处理技术成为基于计算机自 然语言处理技术文本水印算法的一个瓶颈。因此本文提出利用下列的一些中文语法规则 来嵌入水印信息。 规则1 ：异型词( v a d a mf o 皿so f t l l es 锄ew b i d ) 是指普通话书面语中并存并用的 同音( 声、韵、调完全相同) 、同义( 理性意义、色彩意义和语法意义完全相同) 而书 写形式不同的词语。异型词与同义词有着本质上的区别的，同义词在语义上还是有一定 程度的差别的，而异型词发音和词义都相同。例如“惟一”和“唯一”，“想象”和“想 像”，“交代”和“交待”，“身份”和“身分”，等等。中华人民共和国教育部国家 语言文字工作委员会于2 0 0 1 年和2 0 0 3 年分别发布了两批异型词整理表，部分异型词见 附录b 。 规则2 ：根据2 0 0 2 年中国语文规范及其 “全世界的 人民平一和一渴望”。因此需要分词技术将一个个的词组正确的分离出来，而不至于 产生歧义。下面我们对分词技术进行简单的阐述。 词是最小的能够独立活动的有意义的语言成分。但汉语是以字为基本的书写单位， 词语之间没有明显的区分标记，因此，中文词法分析是中文信息处理韵基础和关键。把 硕士学位论文 中文的汉字序列切分成有意义的词，就是中文分词，也称为切词。现有的分词算法可分 为三大类：基于字符串匹配的分词方法、基于理解的分词方法和基于统计的分词方法1 。 基于字符串匹配的分词方法：又叫做机械分词方法，它是按照一定的策略将待分析 的汉字串与一个“充分大的”机器词典中的词条进行配，若在词典中找到某个字符串， 则匹配成功( 识别出一个词) 。按照扫描方向的不同，串匹配分词方法可以分为正向匹配 和逆向匹配；按照不同长度优先匹配的情况，可以分为最大( 最长) 匹配和最小( 最短) 匹 配；按照是否与词性标注过程相结合，又可以分为单纯分词方法和分词与标注相结合的 一体化方法。常用的几种机械分词方法有：最大匹配法( 从左到右的方向) 、逆向最大匹 配法( 由右向左的方向) 、最少切分( 使每一句中切分的词数最小) 。 基于理解的分词方法：这种分词方法是通过让计算机模拟人对句子的理解，达到识 别词的效果。其基本思想就是在分词的同时进行句法、语义分析，利用句法信息和语义 信息来处理歧义现象。它通常包括三个部分：分词子系统、句法语义子系统、总控部分。 在总控部分的协调下，分词子系统可以获得有关词、句子等的句法和语义信息来对分词 歧义进行判断，即它模拟了人对句子的理解过程。这种分词方法需要使用大量的语言知 识和信息。由于汉语语言知识的笼统、复杂性，难以将各种语言信息组织成机器可直接 读取的形式，因此目前基于理解的分词系统还处在试验阶段。 基于统计的分词方法：从形式上看，词是稳定的字的组合，因此在上下文中，相邻 的字同时出现的次数越多，就越有可能构成一个词。因此字与字相邻共现的频率或概率 能够较好的反映成词的可信度。可以对语料中相邻共现的各个字的组合的频度进行统 计，计算它们的互现信息。定义两个字的互现信息，计算两个汉字x 、y 的相邻共现概 率。互现信息体现了汉字之间结合关系的紧密程度。当紧密程度高于某一个阈值时，便 可认为此字组可能构成了一个词。这种方法只需对语料中的字组频度进行统计，不需要 切分词典，因而又叫做无词典分词法或统计取词方法。但这种方法也有一定的局限性， 会经常抽出一些共现频度高、但并不是词的常用字组，例如“这一”、“之一”、“有 的”、“我的”、“许多的”等，并且对常用词的识别精度差，时空开销大。实际应用 的统计分词系统都要使用一部基本的分词词典( 常用词词典) 进行串匹配分词，同时使用 统计方法识别一些新的词，即将串频统计和串匹配结合起来，既发挥匹配分词切分速度 快、效率高的特点，又利用了无词典分词结合上下文识别生词、自动消除歧义的优点。 中文是一种十分复杂的语言，让计算机理解中文语言更是困难。在中文分词过程中， 有两大难题一直没有完全突破： ( 1 ) 歧义识别：歧义是指同样的一句话，可能有两种或者更多的切分方法。例如： 表面的，因为“表面”和“面的”都是词，那么这个短语就可以分成“表面一的”和“表 一面的”。这种称为交叉歧义。 交叉歧义相对组合歧义来说是还算比较容易处理，组合歧义就必须根据整个句子来 判断了。例如，在句子“这个门把手坏了”中，“把手”是个词，但在句子“请把手拿 多重文本数字水印技术研究 开”中，“把手”就不是一个词。 还有一个歧义就是真歧义。真歧义的意思是给出一句话，由人去判断也不知道哪个 应该是词，哪个应该不是词。例如：“乒乓球拍卖完了”，可以切分成“乒乓一球拍一卖 完了”、也可以切分成“乒乓球拍卖一完了”，如果没有上下文其他句子，恐怕谁也不 知道“拍卖”在这里算不算一个词。 ( 2 ) 新词识别：新词，专业术语称为未登陆词。也就是那些在字典中都没有收录过， 但又却是能称为词的那些词。最典型的是人名，人可以很容易理解句子“王军虎去广州 了”中，“王军虎”是个词，因为是一个人的名字，但要是让计算机去识别就困难了。 如果把“王军虎”作为一个词收录到字典中去，那么收录这些人名本身就是一项巨大的 工程。新词中出了人名以外，还有机构名、地名、产品名、商标名、简称、省略语等都 是很难处理的问题。 对于搜索引擎、机器翻译、自动摘要等要求的分词准确率较高，而本文只需要对上 述几种简单的中文语言规则进行识别，因此不需要强大的识别生词、自动消除歧义等功 能。本文采用的是中科院的基于多层隐马模型的汉语词法分析系统，此系统的分词正确 率达到9 7 5 8 。 3 4 3 基于内容的文本水印算法构架 基于内容的水印算法的构架如下图： 图3 1 基于文档内容的水印算法架构图 硕士学位论文 3 4 4 水印嵌入 在嵌入前，算法首先对文档进行预处理：计算可嵌入的最大信息量，以方便水印 信息的输入；对文档的分层处理。预处理程序扫描整个文档后，计算满足以上四条规 则的词组，这个值的l 2 就是基于内容的水印信息量。 由表3 1 可知，“的”、“地”出现的频率较高，因此我们把满足规则2 的词组单 独作为一层来嵌入水印信息，满足其他规则的词组作为另外一层。 假设t 表示要嵌入水印信息的文本，w i 是满足上述4 个规则的词组( i = 1 ，2 ，3 ) ； 满足规则2 的k v e l l 满足其他规则的l c v e l 2 图3 2 文本分层结构图 这样依据需要将一篇汉字文本分解为许多层。文本分层后不再是一个只能按内码处 理的平面，而成为一个多层构成的稳定的立体。可以在各层嵌入相同或不同的数据：如 果攻击者不知道划分层的属性的话，那么他即使知道加载的方法提取得到的数据也是所 有层混杂在一起的杂乱的数据。可预见的文本分层的效果有1 ： ( 1 ) 加载数据置乱：对于加载在第，层的数据w ，其对应在文档t 中的位置集在没 有分层的情况下也是没有规律的。所有n 层加载的数据通过从该层向待加载文本t 的映 射实现了加载数据的置乱。 ( 2 ) 减少受攻击下数据破坏程度：由于数据仅在层上相互联系，在没有有效分层的 情况下，对加载数据的任何攻击都会被分散到相对多的层，使针对性的攻击难以进行。 ( 3 ) 提高受攻击后数据恢复能力：由于层属性的不同，对于任意层数据，构成的破 坏都不会导致不同层数据之间的混淆，无论w ，被破坏有多严重，也不会影响到其他层数 据的读取。这点尤其在受到增加和删除攻击时能有效提高加载数据的鲁棒性。 基于多层隐马模型的汉语词法分析系统i c t c l a s ( 1 n s d t u t eo fc 锄p u 吐n 窑t e c h o l o 烈 c h i n e l 麒i c a la l l a l y s i s8 y g t e m ) 功能有：中文分词、词性标注、未登录词识别。分词正 确率高达9 7 5 8 ( 最近的9 7 3 专家组评测结果) 。汉语词法分析系统i c t c l a s 同时还提 供一套完整的动态连接库i c t c l a s d l l 和相应的概率词典，开发者可以完全忽略汉语词 多重文本数字水印技术研究 法分析，直接在自己的系统中调用i c t c l a s ，i c t c l a s 可以根据需要输出多个高概率 的结果，输出格式也可以定制。本文用d e l p m7 0 调用i c t c l a s m l 中的几个函数的 声明如下： 缸l c t i o ni c t c l a s _ j 血：b o o l n ；s t d c a l l ；e x t 明1 a iq - d l l ； f i m c t i l c t c l a s g 甜i 删：l c h 趾；s 眦a l l ；c x 咖a lc _ - d l l ； 缸l c t i o n i c t c l a s - e x i t ：b o o l 咖；s t d c a l l ；e m 啪lc - d l l ； 缸1 甜锄i c l l a s _ s e 衄印u 拍衄a 蚋o u t p u t f o 彻a l ：i n 魄神：b 0 0 l e 缸； s t d c a l l ；醴托m a lcd l l ； 缸1 c t i o n i c t c l a s _ s 脚岍( n o i 燃a 钯1 卯e ：i 1 1 _ t e g e r ) ：b o o i c 姐；s b 如a l l ； e 柚谢谢c - d i l ； f l | l 蜘i c t c l a s p 啪g r a p b 】p i o s s ( s p 啪g f a m s i k s u l t ：p d 拼；s c o r e ，t i m e ： p d o u b l e ) ：b o o l 啪；嘶i c a l l ；e x t e f n a l 删l ；对段落进行分词 f i m c t i i c l l a s _ s e n c e n c e p r o c e s s ( s s t c n c e ：p c h 盯；n r e 砌妃印n t ：p i n t e g s r e 8 m t ：p p c h 髓；s c o 糟，t i m e ：p d o u b l e ) ：b o o l 髓n ；s t d c a l l ；e 灿e h l a lc j l l 对句子进行分词 f i l n c t i o n i c t c l a s - f i l e p r o c p s s ( s s o u r c e f i l c n a m e ，s 轴m 虾i l e n 咖e ：p c h 趾；t 蚰e ： p d o u b l e ) ：b o o l 啪；s t d c a l l ；e x t e m a lc - d 对文档进行分词 利用i c t c l a s 分词系统进行分词和词性标注，常用词性标识如表3 2 所示。 表3 2 分词系统词性标识对应表 词性 词性标识词性词性标识 名词n 动词 v 名动词 形容词a 名形词 肌 副词 d 代词 r 数词m 量词 q 助词 u 区别词 b 介词 p 标点符号w 例如将句子“她还有许许多多的亲人”分词后的结果是“w 她r 还有v 许许 多多m 的u 亲人n ”。 本算法数据库的设计是：满足规则1 的异型词统一存储在一个数据表砌e 中，而且 硕士学位论文 将满足规则4 的词组以及规则2 的“d e ”也放在数据表n l l e 中，使m l e 成为一个词库。 数据表r i l i e 有两个字段，一个是将要被替换的词组w o f d s e d ，一个是替换后的词组w o r d s 。 算法3 3 基于文本内容的水印嵌入算法： i n p u t ：水印信息矿l ，文档r ； o 却u t ：已加载水印彤1 的文档r ； s 1 ：对文档预处理； s 2 ：按水印生成算法生成水印序列矿l ： s 3 ：f o ri ：= 1t o r o r d d o c 啪e n t l s e n t c n c e s c 0 咖i ( 文档句子个数) d o b e g i l li c t c l a s _ s e l l t e n c e p r o c 船s o ；对句子i 进行分词，并标注词性，结果 存在数据组w o r d s 中： i f s a t i s 母( w o r d s d 】，m l e 2 ) = 蜘砖，触d 】满足规则2 ； r i h i n 辩n ( l 旺】) ； e n d f o r ： s 4 ：f b ri ：= lt ow o r d d o c u m 锄t 1 s e t s c o m td o b e g i l li c t c l a s _ s e n t 豇鹏p r o c e s s 0 ； l f s a l i s 6 ，( w 0 一s d 】，n l l t l l 盯) 吨u e f ，w o r d s l j 】满足其他规则； 1 h m i l l s e r t ( 形1 【七】) ； e n d f b r ： s 5 ：s h 嘶釉e s 鞭g f i n i s h e d ) ：s a v e t o ( r ) ； 3 4 5 水印提取 本算法的提取水印方法为非盲提取，即提取时需要提供原始文档。算法根据原始文 档和待检测文档比较它们满足四个规则的部分，相同者提取为1 ，不同者提取为o ，然 后再通过密钥和海明码恢复待检测文挡里的水印信息。 算法3 4 基于文本内容的水印提取算法： i n p 呲；原始文档7 ，待检测文档r ； o i 却u t ：待检测文档里的水印信息矿l ； s 1 ：蠡i ：= 1t ow i m d d o c u 锄棚：s e n t c e s c o m 喊文档t 句子个数) d o b e g i i li c t c l a 趾s e n t e n c e p r o c e 骚0 ：对句子i 进行分词，并标注词性，结果 存在数据组w o r d s 中； i f s a t i s f y ( w 哦s 啪，m l e 2 ) = 劬l e f 伽果w o r d s d 】满足规则2 ： 多重文本数字水印技术研究 w o r d s l 【k 】= 、 旧r d s d 】； e n d f o r ： f o ri ：= 1t ow o r d d o c u m 曲t 1 s e n t e l 戏s c o i i n t ( 文档r 句子个数) d o b e g i i li c t c l a s _ s 即t e n c e p r o c e s “) ：对句子i 进行分词，并标注词性，结果存 在数据组w o r d s 中； i f s a t i s 瞅瑚d s 啪，m l e 2 ) = 加i e f 如果w o r d s 【j 】满足规则2 ； w o r d s 2 陶瑚o r d s 【j 】； e n d f b f ： i f w o l d s l 嘲硼r d s 2 啁t h 蛆删；黝+ 0 e l 降爿= 阡+ 1 ，： s 2 ：再依次比较满足规则l ，3 ，4 的词组，如果文档r 和文档r 中的满足相应规则 的且位置对应的词组相同则邪= 砰僻+ ，o ，否则邪= 讳饵+ 1 ； s 3 ：l = 咧阡爿，耽目) ，将在l e v c l l 与l e v e l 2 中提取的水印伟和降田相互校验， 得到矿l ； s 4 ：矿l = 蛔埘。( 斑叫( 矿1 ) ) ，对形l 解密及海明码变换得到水印信息矽l ； 3 5 基于文档格式的水印算法 3 5 1 水印加载的方式 由于对文本字符进行微小的扩大或缩小，范围在( 0 9 5 一1 0 5 ) 之间，实验证明在 这个范围内人的肉眼是很难分辨出字符发生变化否。基于这个理论，本文提出了一种新 的基于格式的文本水印嵌入方法，即对字符进行水平拉伸，我们称之为字符缩放编码。 缩放编码是通过改变指定的一行中的词块( 一个或多个单词) 的水平拉伸程度来嵌 入信息，经过编码后，字符的变化很小并且很不均匀，因此不易被察觉。在嵌入过程中 水印信息如果为1 ，则对它进行水平拉伸1 0 1 倍，如果为0 ，则字符保持不变。 雎二憾 图3 3 字符缩放图 在图3 3 中，第一行的“我”与第一行的“个”分别水平拉伸了1 o l 倍，从图中 可知，单凭肉眼很难区分出来，因此通过字符缩放加载水印的隐蔽性较好。 硕士学位论文 3 5 2 利用汉语拼音分层的思想 为了加强算法的鲁棒性，我们利用汉语拼音来将一个文本中的汉字分为几个集合， 每个集合中的汉字就构成了一个层。 大多数计算机中的汉字多以g b 2 3 1 2 标准进行编码，简称g b 码或国标码，共定义6 7 6 3 汉字，编码如下： 第一字节，行码o 】【a 卜o x f e ，第二节字，列码0 x a 卜o x f e ，每行9 4 个汉字。其中， 卜1 5 行( a 卜a f ) 全角字母、符号；1 6 _ 5 5 行( b f ) 以拼音为序的一级汉字3 7 5 5 字；5 6 8 7 行( d o f 7 ) 以部首为序的二级汉字3 0 0 8 字。例如：g b 码1 6 行1 列表示“啊”字，编码 为o x b o a l 。 图3 4g b 2 3 1 2 汉字编码截图 在提取汉语拼音时，是基于国标码g b 2 3 1 2 - 8 0 ，g b 2 3 1 2 8 0 编码中的汉字按其使用 频率、组词能力咀及用途大小分成一级汉字和二级汉字。一级汉字按拼音字母顺序排列， 如遇同音字，则按起笔的笔形顺序排列。这样可利用g b 2 3 1 2 8 0 一级汉字的特点来提取 出整个文档中级汉字的汉语拼音。 3 5 3 基于文档格式的水印算法构架 基于文档格式和汉语拼音的水印算法架构图如下： f 悲笨毕边憋 e碑本蔽鞭鳖炳d杯苯蓖陛表饼c爆奔碧琏膘秉 b鲍被彼臂彪丙 a豹焙笔壁标柄 9暴惫鄙辟遣冰 8报备比必辫兵7抱狐鼻弊辩摈6宝倍遘敝辨宾5饱锻迸闭卞滨 4堡贝蹦痹变漩3保背泵庇便斌 2雹辈甭币扁彬薄北绷毖贬瘪0卑朋毙翁别 n a 日c d e f f 南部蚕策诧 e伯簿参厕差猖 d箔步餐草岔吕c铂布蔡曹察颤 日搏不莱槽搽阐 a勃埠彩糙磕产 9博补采操壹铲 8被哺踩藏茶缠7钵卜睬抢茬谗6拨摘财仓又馋 5播驳才舱插蝉4菝拍材苍蹭掺 3玻渤裁灿展挣2并膊薷惨测豺 病脖擦惭册柴0舶怖残侧拆 弛a b c d e f 【l瓤晨诚尺筹 【il钞尘澄侈愁楚 d抄雁惩齿稠除c超臣程耻踌滁日倡郴乘驰畴雏 a喝澈呈弛酬锄 9畅徊成迟抽蹭 8敞掣幢池宠厨 7厂擞城匙索橱 6肠扯称持虫出5偿车撑痴冲韧4长炒衬吃充臭 3常吵趁秤炽丑 2誊巢陈骋斥瞅 场潮抗逞翅绸 d嘲忱承赤仇 阳a b c d e f 图3 5 基于文档格式与汉语拼音的水印算法架构图 3 5 4 水印的嵌入 在嵌入水印之前，首先对整个文本进行分层。分层恩想如下：提取出整个文档的汉 字拼音，按熙拼音首字母出现的频率从大到小进行统计a r r i ，a r r 2 ，a r r 2 6 ，如果 a r r 1 ：l e n w a t e r m a r k h a t e r m a r k ) ，( 1 e 呻8 t e r 腿r k ( ) 为求取水印信息w a t e r 衄r k 的长 度函数，返回值为整数) 贝i j g r o u p o 为a r r 1 对应的拼音首字母，否则g r o u p o 为a r r 1 和a r r 2 对应的拼音首字母，直到g r o u p o = l e n 船t e 糯r k ( 霄a t