[論文レビュー] Interacting neural networks and cryptography

Wolfgang Kinzel, Ido Kanter|arXiv (Cornell University)|Mar 1, 2002

Neural Networks and Applications参考文献 2被引用数 12

ひとこと要約

本稿では、公開チャネルを介して相互学習によって重みを同期させる二つの多層ニューラルネットワークが、安全な秘密鍵交換を可能にする新しいニューラル暗号プロトコルを提案する。主な結果は、同期化された重みベクトルが約400ステップ以内に急速に出現することであり、攻撃者ですら、アルゴリズムと送信データの完全な知識を持っていても、同じ時間枠内で同期できないことである。

ABSTRACT

Two neural networks which are trained on their mutual output bits are analysed using methods of statistical physics. The exact solution of the dynamics of the two weight vectors shows a novel phenomenon: The networks synchronize to a state with identical time dependent weights. Extending the models to multilayer networks with discrete weights, it is shown how synchronization by mutual learning can be applied to secret key exchange over a public channel.

研究の動機と目的

• 二つのニューラルネットワークが互いの出力ビットから学習する際のダイナミクスを調査すること。
• 相互学習が高次元空間における重みベクトルの同期を引き起こすかどうかを分析すること。
• この同期現象を秘密鍵交換の暗号基盤として利用可能かどうかを検討すること。
• 攻撃者がシステムのダイナミクスと送信データを完全に把握している場合のプロトコルの安全性を評価すること。
• システムサイズの増大に伴う同期時間のスケーリング行動を特定し、実用的導入への影響を検討すること。

提案手法

• 二つのパーセプトロンが同一のランダム入力ベクトルを受け取り、互いの出力の不一致に基づいてパーセプトロン学習則に従って重みを更新する。
• 各更新後に重みベクトルを正規化して単位長に保つことで、超球面上での安定したダイナミクスを確保する。
• N→∞の極限で導出された連続時間微分方程式を用いて、二つの重みベクトル間の重なりR(t)をモデル化する。
• 統計力学的手法を用いてシステムのダイナミクスを分析し、重みベクトル間の角度φと学習率ηを含む非線形常微分方程式が重なりR(t)を支配することを示す。
• 実用的な鍵交換を可能にするために、離散的重みを持つ多層ネットワーク（パリティマシン）にプロトコルを拡張する。
• 攻撃者を模擬するシミュレーションを実施し、同じアルゴリズムを用い、すべての入力と出力を観測した上で、同期時間と学習時間を測定する。

実験結果

リサーチクエスチョン

• RQ1 互いの出力に基づいて学習する二つのニューラルネットワークは、重みベクトルの同期を達成できるか？
• RQ2 同期が発生する臨界学習率ηcは何か？ また、これはシステムパラメータにどのように依存するか？
• RQ3 同期時間はネットワークサイズNにどのようにスケーリングするか？ さらに、N→∞の極限でも有界であるか？
• RQ4 攻撃者が同じアルゴリズムを用い、入力と出力のすべてを完全に可視化しても、二つの参加者と同期できるか？
• RQ5 同期状態は、公開チャネル環境下で安全な共有秘密鍵として十分に頑健か？

主な発見

• 学習率が臨界閾値ηc ≈ 1.0を超えると、二つのネットワークは同一の重みベクトルに同期し（R → 1）、完全な重なりを達成する。
• 同期時間はシステムサイズに対して対数的にスケーリングし、N → ∞の極限でも有限のままであり、N = 100の場合、シミュレーションで約400ステップで収束することが示された。
• 攻撃者は平均して約50,000ステップを要するが、正当な参加者はその10％未満（比r < 0.1）の時間で同期する。
• 入力シーケンスと出力ビットを完全に把握していても、攻撃者は通信ウィンドウ内では同期できないため、セキュリティが保証される。
• プロトコルは効率的であり、鍵生成の複雑度はNに線形にスケーリングするため、リアルタイム応用に適している。
• 秘密鍵は初期重みベクトルと入力シーケンスによって一意に決定され、無限大Nの極限でも可能な鍵の数は有限のまま保たれる。