[논문 리뷰] A Deep Learning Based Attack for The Chaos-based Image Encryption

Chen He, K.J. Ming외 2명|arXiv (Cornell University)|2019. 07. 29.

Chaos-based Image/Signal Encryption참고 문헌 19인용 수 12

한 줄 요약

이 논문은 암호화 키에 종속되지 않고 종단 간(end-to-end) 딥러닝 공격 기법을 제안한다. 혼돈 기반 이미지 암호화에 대해, 암호화된 이미지에서 저차원 특징을 추출하기 위해 컨볼루션 인코더를 사용하고, 인식 가능한 정확도의 원본 이미지를 복원하기 위해 디컨볼루션 생성기를 사용한다. 정적 키 조건에서는 MNIST 숫자 이미지에서 97.87%의 분류 정확도를 달성했고, 동적 키 조건에서는 92.04%를 기록하여 수동 키 추론 없이도 고정밀도 복호화를 실현한다.

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.

연구 동기 및 목표

• 암호화 키의 사전 지식 없이 혼란스러운 암호화 방식을 분석하는 데 오랜 시간이 소요되는 수동 키 분석을 피하는 키에 종속되지 않는 공격 방법을 개발한다.
• 딥 네트워크를 활용해 암호화된 이미지에서 원본 이미지를 자동으로 종단 간(end-to-end)으로 복원하는 것을 가능하게 한다.
• 정적 키 및 동적 키 암호화 환경에서의 성능을 평가한다.
• 재학습 없이도 다양한 암호화 키에 대해 일반화 능력을 입증한다.
• 표준 이미지 인식 벤치마크를 사용하여 복원된 이미지의 인지적 및 의미적 정밀도를 정량화한다.

제안 방법

• 컨볼루션 인코더 네트워크는 암호화된 이미지를 저차원 잠재 특징 공간으로 매핑하여 핵심 이미지 내용을 유지한다.
• 대칭적인 디컨볼루션 생성기 네트워크는 잠재 특징에서 인식적으로 유사한 원본 이미지를 복원한다.
• 모델 전체는 쌍체의 암호화된 이미지와 원본 이미지 데이터셋을 사용해 종단 간(end-to-end)으로 훈련된다.
• 효율적인 특징 학습과 이미지 생성을 위해 공유된 인코더-디코더 구성 요소를 활용한 오토인코더 유사 아키텍처를 사용한다.
• 훈련 데이터는 정적 및 동적 키를 사용해 MNIST 이미지를 암호화하여 생성되며, 다양한 실용적인 훈련 예제를 제공한다.
• 암호화 키의 지식이나 혼란스러운 변환 과정의 역공학을 필요로 하지 않는다.

실험 결과

연구 질문

• RQ1 딥러닝 모델은 암호화 키에 대한 사전 지식 없이 혼돈 기반 암호화된 이미지에서 원본 이미지를 복원할 수 있는가?
• RQ2 동적 키 암호화 환경에서 다양한 키에 대해 제안된 방법의 일반화 능력은 어떠한가?
• RQ3 복원된 이미지가 이미지 분류와 같은 후속 작업에서 의미적 및 인지적 품질을 얼마나 잘 유지하는가?
• RQ4 제안된 키에 종속되지 않는 공격 방법은 기존의 키 추론 기반 암호해석 기법과 비교해 어떤 성능을 보이는가?
• RQ5 키의 변동이 모델의 일반화 능력과 고정밀도 복원 능력 유지에 어떤 영향을 미치는가?

주요 결과

• 정적 키 암호화 조건에서 복호화된 이미지를 사용해 MNIST 테스트 세트에서 97.87%의 분류 정확도를 달성하여 높은 인지적 및 의미적 정밀도를 입증한다.
• 동적 키 조건에서는 92.04%의 분류 정확도를 유지하여 다양한 암호화 키에 대한 강력한 일반화 능력을 보여준다.
• 복원된 이미지는 원본 원본 이미지와 시각적으로 유사했으며, 일부 경우(예: 숫자 '2')에서는 미세한 왜곡이나 실패가 있었을 뿐이다.
• 이전의 접근 방식 [4] 및 [5]와 달리, 수동 키 추론이나 포괄적 키 탐색이 필요 없이 성공적으로 공격를 우회했다.
• 단일 훈련 단계 이후에 다양한 키에 대해 일반화되며, 동적 키 암호화에 강력한 적응성을 보였다.
• 딥러닝이 복잡하고 혼란스러운 암호화 과정에서도 암호화된 이미지에서 원본 이미지로의 역함수 매핑을 효과적으로 학습할 수 있음을 확인했다.