LLM文本隐写术
本项目实现了基于大型语言模型（LLM）的文本隐写术，使用GPT-2模型在生成的文本中隐藏信息。项目包含两种编码方法：霍夫曼编码（Huffman Coding）和固定长度编码（Fixed Length Coding, FLC）。
功能特点
- 在GPT-2文本生成中实现隐写术
- 支持两种编码方法：
- 霍夫曼编码（Huffman Coding）
- 固定长度编码（Fixed Length Coding, FLC）
- 同时生成隐写文本和普通文本用于对比
环境要求
- Python 3.8+
- PyTorch
- Transformers
- CUDA（可选，用于GPU加速）
安装步骤
安装依赖包：
使用方法
- 打开Jupyter notebook：
- notebook包含三个主要部分：
- 霍夫曼编码实现
- 固定长度编码（FLC）实现
- 文本生成与隐写
- 生成隐写文本：
- 选择编码方法（霍夫曼编码或FLC）
- 设置参数（编码的k值）
- 使用自定义提示词运行主函数
示例代码：
输出文件
程序会生成两个文本文件：
outputs-gpt2-stega.txt：隐写文本outputs-gpt2-normal.txt：没有隐写约束情况下原本正常生成的文本
注意事项
- GPT-2模型会在首次运行时自动下载，国内也可以先通过https://hf-mirror.com 镜像下载好GPT-2模型，也可以使用其他大模型。
- 确保有足够的磁盘空间（模型约500MB）
- 建议使用支持CUDA的GPU以获得更好的性能
- 隐写信息长度会影响生成的文本长度
工作原理
- 隐写过程：
- 将秘密信息转换为二进制序列
- 使用GPT-2模型生成文本
- 通过编码方法将信息位嵌入到生成的文本中
- 解码过程：
- 使用相同的GPT-2模型和上下文
- 通过解码方法从文本中提取隐藏的信息位
- 将二进制序列转换回原始信息
本章学完了吗？完成学习后打卡，进度保存在本机浏览器。