SHA-256哈希下基于EMD的数字高程模型数据伪装与可逆水印技术

该篇文章《基于经验模式分解的数字高程模型数据伪装方法》发表于2008年，由刘水强、陈继业和朱鸿鹏等人撰写，主要关注的是信息技术领域内的信息安全问题，特别是数据保护。研究者们针对数字高程模型(Digital Elevation Model, DEM)数据提出了一个创新的伪装技术。这种方法利用SHA-256单向Hash函数生成一个伪随机序列，这个序列受种子控制，能够确保其在每次运行时产生不同的结果，从而提高数据的混淆性和不可预测性。 经验模态分解( Empirical Mode Decomposition, EMD)被应用于数据处理，将原始的DEM数据进行分解，生成可用于伪装的EMD数据。这种分解方法有助于隐藏数据的真实结构，使得数据在视觉上具有较高的欺骗性，即难以被人轻易识别出原始信息。通过这种方式，作者实现了对DEM数据的有效伪装，增加了数据的安全性。 文章中引入了直方图概念，这是一种统计工具，被用来分析和描述数据分布情况。在这个伪装框架下，作者设计了一种方式，能够在伪装后的DEM数据中嵌入可逆的数字水印。这意味着即使数据被篡改或传播，只要提取出嵌入的水印，就能够验证数据的完整性和来源，同时还能通过种子恢复出原始的DEM数据，保持了数据的完整性。 由于使用了SHA-256这样的高级加密算法，该算法具有高强度的安全性，能有效防止数据被非法解密或篡改。因此，这种方法不仅提供了数据伪装的功能，还具备了有效的防伪和数据恢复能力，对于保护地理信息数据的安全具有重要意义。 总结来说，这篇论文的核心贡献在于提出了一种结合了经验模态分解、伪随机序列生成、直方图分析和可逆数字水印技术的数字高程模型数据伪装策略，为地理信息系统(GIS)中的数据安全提供了一种实用且高效的方法。