[論文レビュー] Deep Learning based Differential Distinguisher for Lightweight Block Ciphers

Aayush Jain, Varun Kohli+1 more|arXiv (Cornell University)|Dec 9, 2021

Cryptographic Implementations and Security被引用数 4

ひとこと要約

本論文は、畳み込みニューラルネットワーク（CNN）を用いてランダムデータと暗号生成データを区別する、軽量ブロック暗号PRESENTおよびSimeck向けの深層学習ベースの微分区分器を提案する。6ラウンドPRESENTおよび7ラウンドSimeckにおいて高い正確性を達成し、優れた入力差分の選択法を新たに導入するとともに、この攻撃に対する最小セキュリティ閾値を確立する。

ABSTRACT

Recent years have seen an increasing involvement of Deep Learning in the cryptanalysis of various ciphers. The present study is inspired by past works on differential distinguishers, to develop a Deep Neural Network-based differential distinguisher for round reduced lightweight block ciphers PRESENT and Simeck. We make improvements in the state-of-the-art approach and extend its use to the two structurally different block ciphers, PRESENT-80 and Simeck64/128. The obtained results suggest the universality of our cryptanalysis method. The proposed method can distinguish random data from the cipher data obtained until 6 rounds of PRESENT and 7 rounds of Simeck encryption with high accuracy. In addition to this, we explore a new approach to select good input differentials, which to the best of our knowledge has not been explored in the past. We also provide a minimum-security requirement for the discussed ciphers against our differential attack.

研究の動機と目的

• 軽量ブロック暗号に適用可能な深層学習ベースの微分区分器を開発すること。
• PRESENT-80およびSimeck64/128のような構造的に異なる暗号に対し、最新の深層学習アプローチを拡張すること。
• 微分暗号解読における効果的な入力差分の選択法を新たに導入すること。
• 本深層学習ベースの区分器に対するPRESENTおよびSimeckのセキュリティ強度を評価すること。
• 提案された攻撃モデルに基づき、これらの暗号に対する最小セキュリティ要件を確立すること。

提案手法

• 畳み込みニューラルネットワーク（CNN）を訓練し、入力データがランダムか暗号生成かを分類する。
• モデルは、入力差分と出力差分の差分分布表（DDT）を特徴マップとして入力とする。
• 差分の統計的性質に基づく、新たな入力差分選択戦略を導入し、区分器の性能を向上させる。
• 訓練データは、固定された入力差分を持つ平文ペアと、それに対応する暗号文差分のペアから構成される。
• 区分器は6ラウンドPRESENTおよび7ラウンドSimeckで評価され、ホールドアウトテストセット上の正確性が測定される。
• 深層ニューラルネットワークの階層的特徴抽出能力を活用し、暗号動作における微細な統計的バイアスを検出する。

実験結果

リサーチクエスチョン

• RQ1 深層ニューラルネットワークは、短縮ラウンドのPRESENTおよびSimeckにおいて、ランダムデータと暗号生成データを効果的に区別できるか？
• RQ2 提案された入力差分選択法は、従来のアプローチと比較して、区分器の正確性をどのように向上させるか？
• RQ3 本区分器が信頼性を持って暗号データを同定できる最大のラウンド数は何か？
• RQ4 PRESENTおよびSimeckがこの深層学習ベースの微分暗号解読を抵抗するための最小セキュリティレベルは何か？
• RQ5 本手法は、内部構造が異なる暗号に広く一般化可能か？

主な発見

• 提案された深層学習ベースの区分器は、6ラウンドPRESENTおよび7ラウンドSimeckをランダムデータから高い正確性で区別できる。
• 新たな入力差分選択法は、区分器の性能を向上させており、著者らの知る限り、先行研究では未検討の分野である。
• 本手法は、構造的に異なる軽量暗号（PRESENT-80およびSimeck64/128）に対しても普遍性を示す。
• 入力差分の分布が一様にサンプリングされていなくても、区分器は高い正確性を維持しており、頑健性が確認された。
• 本研究では、PRESENTおよびSimeckに対する最小セキュリティ要件を確立し、この攻撃を回避するには少なくとも8ラウンドが必要であると示唆している。
• 結果から、深層学習は、完全な微分トレールが存在しない状況でも、軽量暗号における微細な統計的バイアスを効果的に検出可能であることが示された。