随着万物互联,数据安全变得越来越重要,信息隐藏技术作为隐蔽通信的方法之一,面临着巨大挑战。以文本为载体的信息隐藏技术,由于缺乏足够的冗余度而发展缓慢。相比基于修改的文本信息隐藏算法,无载体信息隐藏算法具有更高的嵌入容量,并且能够抵抗隐写分析攻击,但仍存在一定的局限性。针对以上背景,提出一种基于算术编码和大规模神经语言模型的隐写方法,具体工作如下:针对当前隐写方法所生成的隐写文本不可感知性较低以及隐写文本与自然文本之间的统计分布相差较大问题,提出了一种基于动态选词策略的隐写编码方法,使隐写文本达到良好的不可感知性。具体设计中,采用大规模预训练语言模型GPT-2作为隐写方法的生成模型,结合由模型得到的输出条件概率分布,以Top-K采样的方式对其进行截断构成初始候选池;根据不同生成时刻的单词概率分布,设计了通过对初始候选池中单词概率分布的方差设置阈值的形式确定单词是否能够进入新候选池的动态选词策略,同时引入保证不可感知性的不可感知系数。此外,通过对Huffman编码和算术编码在不可感知性上的分析,选择不可感知性较好的算术编码方法作为所提算法的编码算法,从而进行隐写文本生成。通过实验对比了不同方差阈值和不可感知系数下模型的嵌入率、文本质量以及统计分布,证明了方案的可行性。与所选的其他四种基线模型的对比实验表明,所提算法在保证不可感知性方面具有更好性能,可以降低困惑度,提高文本质量,但在隐藏容量上有较少的牺牲。