[論文レビュー] A Deep Learning Based Attack for The Chaos-based Image Encryption

Chen He, K.J. Ming+2 more|arXiv (Cornell University)|Jul 29, 2019

Chaos-based Image/Signal Encryption参考文献 19被引用数 12

ひとこと要約

本論文は、暗号化鍵に依存しないエンドツーエンドのディープラーニング攻撃を、力学的混乱に基づく画像暗号化に対して提案する。畳み込みエンコーダーを用いて暗号化画像から低次元特徴を抽出し、逆畳み込みジェネレータを用いて視認的に正確な平文画像を再構築する。静的鍵条件下ではMNISTの0〜9の数字で分類精度97.87％を達成し、動的鍵条件下では92.04％を達成しており、手動による鍵の特定なしに高精度な復号が可能であることを示している。

ABSTRACT

In this letter, as a proof of concept, we propose a deep learning-based approach to attack the chaos-based image encryption algorithm in \cite{guan2005chaos}. The proposed method first projects the chaos-based encrypted images into the low-dimensional feature space, where essential information of plain images has been largely preserved. With the low-dimensional features, a deconvolutional generator is utilized to regenerate perceptually similar decrypted images to approximate the plain images in the high-dimensional space. Compared with conventional image encryption attack algorithms, the proposed method does not require to manually analyze and infer keys in a time-consuming way. Instead, we directly attack the chaos-based encryption algorithms in a key-independent manner. Moreover, the proposed method can be trained end-to-end. Given the chaos-based encrypted images, a well-trained decryption model is able to automatically reconstruct plain images with high fidelity. In the experiments, we successfully attack the chaos-based algorithm \cite{guan2005chaos} and the decrypted images are visually similar to their ground truth plain images. Experimental results on both static-key and dynamic-key scenarios verify the efficacy of the proposed method.

研究の動機と目的

• 暗号化鍵の知識なしに、時間のかかる手動による鍵分析を回避する、力学的混乱に基づく画像暗号化に対する鍵依存のない攻撃手法の開発。
• 深層ニューラルネットワークを用いて、暗号化画像から平文画像を自動的かつエンドツーエンドに再構築することの実現。
• 本手法の有効性を、静的鍵および動的鍵の両方の暗号化シナリオにおいて評価すること。
• 再トレーニングなしに、さまざまな暗号化鍵に対して一般化能力を示すこと。
• 標準的な画像認識ベンチマークを用いて、再構築画像の知覚的および意味的正確性を定量的に評価すること。

提案手法

• 畳み込みエンコーダーニューラルネットワークが、暗号化画像を内容を保持する低次元の潜在特徴空間に射影する。
• 対称的な逆畳み込みジェネレーターニューラルネットワークが、潜在特徴から視認的に類似した平文画像を再構築する。
• ペアドされた暗号化画像と平文画像のデータセットを用いて、モデル全体をエンドツーエンドで学習する。
• 効率的な特徴学習と画像生成を実現するため、共有されたエンコーダ-デコーダー部を有するオートエンコーダー構造を採用する。
• 訓練データは、静的および動的鍵を用いてMNIST画像を暗号化することで生成され、多様で現実的な訓練例が得られる。
• 本手法は、暗号化鍵の知識や力学的変換プロセスの逆設計を必要としない。

実験結果

リサーチクエスチョン

• RQ1 深層学習モデルは、暗号化鍵の事前知識なしに、力学的混乱に基づく暗号化画像から平文画像を再構築できるか？
• RQ2 動的鍵暗号化シナリオにおいて、提案手法は異なる鍵に対してどの程度一般化できるか？
• RQ3 再構築画像は、画像分類などの後続タスクにおいて、どの程度意味的および知覚的正確性を保っているか？
• RQ4 提案手法の鍵依存のない攻撃は、従来の鍵推定に基づく暗号解析手法と比較して、どの程度優れているか？
• RQ5 鍵の変動が、モデルの一般化能力および高精度な再構築維持能力に与える影響は何か？

主な発見

• 静的鍵暗号化条件下で、復号画像を用いたMNISTテストセットにおける分類精度は97.87％に達し、高い知覚的および意味的正確性を示している。
• 動的鍵条件下でも、分類精度は92.04％を維持しており、変動する暗号化鍵に対して強い一般化能力を示している。
• 再構築画像は元の平文画像と視覚的に類似しており、一部の例（例：数字「2」）ではわずかな歪みや失敗が見られるが、全体として高品質である。
• 従来の手法[4]および[5]とは異なり、手動による鍵の特定や総当り的鍵探索を回避することができた。
• 一度の学習フェーズで、異なる鍵に対して一般化が可能であり、動的鍵暗号化に強く適応可能である。
• 深層学習が、複雑で混沌とした暗号化プロセスであっても、暗号化画像から平文画像への逆写像を効果的に学習できることを確認した。