אלגוריתם לכיווץ־הצפנה של תמונות המבוסס על רשת עצבית BP המותאמת בעזרת אלגוריתם הזיקוקים

למה הגנה על תמונות עדיין חשובה

כל תמונה שאנחנו מצלמים, כל סריקה רפואית שאנו מאחסנים או תמונת לוויין שמשודרת ברחבי העולם היא בעצם נתונים. ככל שמספר התמונות וגודלן מתפוצצים, לשמור עליהן גם קומפקטיות להובלה מהירה וגם מאובטחות כדי לשמור על פרטיות הופך לאתגר רציני. כלים מסורתיים יכולים לכווץ קבצים או להצפין אותם, אך הם לעיתים נדירות עושים את שניהם היטב בו־זמנית. מאמר זה מציג דרך חכמה יותר לכווץ ולהצפין תמונות בצינור אחד, בניסיון לחסוך ברוחב הפס ובאחסון מבלי לפגוע באבטחה או באיכות התמונה כשמשחזרים אותה.

לעשות תמונות קטנות וחכמות יותר

הליבה של הגישה היא סוג של רשת עצבית מלאכותית הידועה כרשת החזרה לאחור (back‑propagation, BP), שמצטיינת בלמידת ייצוגים קומפקטיים של נתונים. המחברים משתמשים ברשת הזו כשכבת "סחיטה": כל בלוק קטן של תמונה מוזן לרשת, עובר דרך שכבה חבויה דקה יותר ומיוצר מחדש ביציאה. מאחר שלשכבה החבויה יש פחות נוירונים מאשר פיקסלים בקלט, הייצוג בשכבה הזו הוא גרסה מכווצת של בלוק התמונה המקורי. כאשר מעבדים בלוקים רבים כאלה, התוצאה היא קובץ תמונה קטן משמעותית שאפשר לאחר מכן להרחיב חזרה למשהו חזותית קרוב למקור.

זיקוקים לכוונון הרשת העצבית

לאמן רשת עצבית לכיווץ יעיל של תמונות זה מאתגר, מפני שהביצועים שלה תלויים במידה רבה בהגדרות ההתחלתיות של הקשרים הפנימיים. אם משקלי ההתחלה חלשים, הלמידה עלולה להיתקע או לקחת זמן רב מדי, מה שמוביל לשחזורים באיכות נמוכה. כדי להימנע מכך שואבים המחברים רעיון מהאינטליגנציה העדרית שנקרא אלגוריתם הזיקוקים. בשיטה זו כל סט מועמד של משקלים נתפס כמו זיקוק דמה ש"מתפוצץ" לרבים מהשינויים השכיחים, ובכך בוחן אפשרויות שונות. על ידי השוואת היכולת של כל מועמד לכווץ ולשחזר תמונות, האלגוריתם מצמצם בהדרגה את החיפוש למשקלים שמניבים שגיאה נמוכה. שלב האופטימיזציה הנוסף הזה מאפשר לרשת BP ללמוד מהר יותר ולייצר תמונות מכווצות באיכות גבוהה יותר מאימון סטנדרטי בלבד.

כאוס להצפנה חזקה יותר

כיווץ לבדו לא מונע מבעלי עניין לסור; לכן התמונה המכווצת מוצפנת לאחר מכן. כאן פונים המחברים למערכות כאוטיות—חוקים מתמטיים פשוטים שמייצרים רצפים בעלי חוסר־נבוניות גבוה. הם מעצבים מערכת כאוטית "בעלת פרמטר משתנה" חדשה על ידי שילוב שני מפות כאוטיות ידועות ומתן אפשרות שהן ישפיעו על פרמטרי האחת של השנייה בזמן ריצה. זה מייצר רצפי פסאודו‑אקראיות שעומדים במבחנים מחמירים של המכון הלאומי לתקנים וטכנולוגיה של ארצות הברית (NIST). רצפים אלה שולטים באיך מיקומי הפיקסלים מעורבבים גלובלית ובתוך בלוקים קטנים בכמה סבבים, ובאיך ערכי הפיקסלים משתנים באמצעות תהליך מוטציה ברמת הביט המבוסס על קוד גריי. יחד, שלבים אלה מפרקים באופן יסודי כל מבנה מזוהה בתמונה, והופכים את הגרסה המוצפנת למראה של רעש טהור.

בדיקת אבטחה ואיכות תמונה

כדי לבחון האם הסכימה עובדת בפרקטיקה, המחברים מיישמים אותה על תמונות בדיקה סטנדרטיות במספר רמות כיווץ. הם מודדים עד כמה התמונות שהופקו בהתאוששות תואמות למקור באמצעות מדדי איכות מקובלים ומראים שאפילו כאשר גודל הקובץ מצטמצם לחצי או פחות, התמונות המחוזרות נשארות חדות ומפורטות. במקביל, בדיקות סטטיסטיות מראות שהתמונות המוצפנות מציגות התפלגות פיקסלים כמעט אחידה וכמעט ללא קורלציה בין פיקסלים סמוכים—סימנים ברורים לבלבול חזק. ניסויים נוספים מטילים רעש, מוחקים חלקים מהתמונה המוצפנת או משנים קלות את מפתח ההצפנה. בכל מקרה המערכת או משחזרת את רוב התוכן הנראה כשהיא אמורה, או נכשלת לחלוטין כשהמפתח שגוי אפילו במידה זניחה—שתי תופעות רצויות בעיצוב מאובטח.

מה המשמעות לזה עבור תמונות יומיומיות

במלים פשוטות, המחקר מציג דרך לכווץ תמונות ולנעול אותן בו־זמנית, באמצעות רשת עצבית שנ"כווינה" בעזרת חיפוש דמוי‑זיקוקים ומוגנת על ידי כאוס דיגיטלי מהונדס בקפידה. התוצאה היא שיטה שיכולה להפחית עלויות אחסון ושידור ובו בזמן לאפשר שחזור ברמת נאמנות גבוהה למשתמשים מורשים ולהציע עמידות חזקה בפני תקיפות נפוצות. ככל שמידע התמונה ממשיך לגדול ולהסתעף ברשתות לא מאובטחות, סכימות משולבות של כיווץ־הצפנה כאלה עשויות לסייע לשמור על התמונות שלנו, תיקי הרפואה ותמונות רגישות אחרות גם קלות יותר וגם בטוחות יותר.

ציטוט: Liang, Y., Peng, B., Liu, R. et al. An image compression-encryption algorithm based on BP neural network optimized with fireworks algorithm. Sci Rep 16, 7967 (2026). https://doi.org/10.1038/s41598-026-36772-z

מילות מפתח: הצפנת תמונות, כיווץ תמונות, רשתות עצביות, מערכות כאוטיות, אבטחת נתונים