[論文レビュー] A deep learning based known plaintext attack method for chaotic cryptosystem

Fusen Wang, Jun Sang+3 more|arXiv (Cornell University)|Mar 9, 2021

Chaos-based Image/Signal Encryption参考文献 20被引用数 4

ひとこと要約

本稿では、畳み込みニューラルネットワーク（CNN）を用いて平文と暗号文の写像関係を学習することで、混沌的暗号方式に対する深層学習ベースの既知平文攻撃（KPA）を提案する。大規模な平文・暗号文ペアのデータセット上でCNNを訓練することで、モデルは復号システムとして機能し、複数の混沌的暗号化方式において高い忠実度の画像再構成を達成した。これは、異なるシステムやネットワーク間で一般化できる可能性を示している。

ABSTRACT

In this paper, we propose a known-plaintext attack (KPA) method based on deep learning for traditional chaotic encryption scheme. We employ the convolutional neural network to learn the operation mechanism of chaotic cryptosystem, and accept the trained network as the final decryption system. To evaluate the attack performance of different networks on different chaotic cryptosystem, we adopt two neural networks to perform known-plaintext attacks on two distinct chaotic encryption schemes. The experimental results demonstrate the potential of deep learning-based method for known-plaintext attack against chaotic cryptosystem. Different from the previous known-plaintext attack methods, which were usually limited to a specific chaotic cryptosystem, a neural network can be applied to the cryptanalysis of various chaotic cryptosystems with deep learning-based approach, while several different networks can be designed for the cryptanalysis of chaotic cryptosystems. This paper provides a new idea for the cryptanalysis of chaotic image encryption algorithm.

研究の動機と目的

• 従来のシステム特有の攻撃に限界があるのを克服し、柔軟で一般化可能な混沌的暗号方式向けの既知平文攻撃手法を開発すること。
• 深層学習モデルが内部パラメータの事前知識なしに、混沌的暗号化方式における複雑な変換を学習し、逆方向に解読できるかどうかを調査すること。
• さまざまなCNNアーキテクチャの性能を、複数の混沌的暗号化方式の復号において比較し、再構成精度と学習効率を評価すること。
• 訓練済みモデルを異なる混沌的暗号方式間で転送可能かどうかを検討し、攻撃の適応性を高めること。
• 混沌的暗号の脆弱性を深層学習ベースの暗号解析によって特定することで、マルチメディアセキュリティ分野における新たな研究方向性を提示すること。

提案手法

• 2つの混沌的暗号化方式から生成された大規模な平文・暗号文ペアデータセット上で、2種類の異なる畳み込みニューラルネットワーク（Unetと提案するマルチステージエンコーダーデコーダーネットワーク：MSEDNet）を訓練する。
• スキップ接続を備えたエンドツーエンドのエンコーダーデコーダー構造を採用し、空間情報を保持するとともに、ピクセル単位の回帰による画像再構成を可能にする。
• 標準的な深層学習コンponentsを適用：3x3畳み込み、バッチ正則化、ReLU活性化関数、マックスプーリング（ダウンサンプリング）、および畳み込み層を用いたアップサンプリング（デコンボリューション）と結合。
• 再構成誤差を最小化するためにL1損失関数を用い、元の平文との相関係数を用いて性能を評価する。
• 一般化性能の評価のため、MNISTおよびCIFAR-10データセットを用い、画像分布の違いに対するモデルの頑健性を検証する。
• 訓練済みモデルを代替復号システムとして利用し、新たな暗号文から平文を回復する際に、鍵と同等の役割を果たすものとする。

実験結果

リサーチクエスチョン

• RQ1 1つの混沌的暗号化方式で訓練した深層学習モデルが、別の混沌的暗号方式の暗号文を効果的に復号できるか。
• RQ2 異なるCNNアーキテクチャ（例：Unet対MSEDNet）が、混沌的暗号文から平文を再構成する際に、性能にどのような差を示すか。
• RQ3 暗号化メカニズムの複雑さが、深層学習ベースのKPAにおける再構成精度にどの程度影響を及えるか。
• RQ4 1つの訓練済みニューラルネットワークが複数の混沌的暗号化方式に一般化可能か、それとも各システムごとに再訓練が必要か。
• RQ5 学習時間、モデル容量、ネットワークの深さが、復号プロセスの成功率および再構成忠実度にどのように影響するか。

主な発見

• 提案された深層学習ベースのKPAは、ロジスティック写像暗号化方式において、Unetで99.15%、MSEDNetで97.80%のテスト精度を達成し、高い再構成忠実度を示した。
• より複雑なハイブリッド混沌的写像（CIFAR-10）では、Unetが95.70%、MSEDNetが93.62%のテスト精度を達成し、ネットワークアーキテクチャの性能に顕著な差が生じることが示された。
• 両データセットにおいて、Unetは訓練効率と精度の両面でMSEDNetを上回り、より低い訓練損失と高い相関係数を達成した。
• 結果から、異なるニューラルネットワークが異なる復号効果をもたらすことが確認され、モデル選択が再構成品質に直接影響することが示された。
• 同じCNNアーキテクチャ（例：Unet）が複数の異なる混沌的暗号方式に成功裏に適用されたことから、本手法が単一システムに特化した攻撃ではなく、一般化可能な潜在的力を持つことが実証された。
• MNISTおよびCIFAR-10の両画像データセットにわたる一般化が達成されたことから、実世界のシナリオにおける入力分布の変化に対しても頑健であることが示された。