[논문 리뷰] A deep learning based known plaintext attack method for chaotic cryptosystem

Fusen Wang, Jun Sang외 3명|arXiv (Cornell University)|2021. 03. 09.

Chaos-based Image/Signal Encryption참고 문헌 20인용 수 4

한 줄 요약

이 논문은 컨volutional 신경망(CNN)을 사용하여 암호화된 텍스트-평문 매핑을 학습함으로써 혼돈 암호체계에 대한 딥러닝 기반 알려진 평문 공격(KPA)을 제안한다. 대규모 평문-암호문 쌍 데이터셋을 기반으로 CNN을 훈련시켜 모델이 암호 해독 시스템으로 기능하게 하여, 다양한 혼돈 암호화 방식에서 높은 정밀도의 이미지 복원을 달성하였으며, 이는 서로 다른 시스템과 네트워크 간의 일반화 능력을 입증한다.

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.

연구 동기 및 목표

• 기존의 시스템에 특화된 공격의 한계를 극복하고, 혼돈 암호체계에 대해 유연하고 일반화 가능한 알려진 평문 공격 방법을 개발한다.
• 딥러닝 모델이 내부 매개변수에 대한 사전 지식 없이도 혼돈 암호화 방식의 복잡한 변환을 학습하고 역으로 적용할 수 있는지 조사한다.
• 다양한 혼돈 암호화 방식을 복호화하는 데 있어 다양한 CNN 아키텍처의 성능을 평가하고, 복원 정확도와 훈련 효율성을 비교한다.
• 훈련된 모델을 서로 다른 혼돈 암호체계 간에 이식 가능하게 하여 공격의 적응성을 높일 수 있는지 탐색한다.
• 딥러닝 기반 암호 분석을 통해 혼돈 암호의 취약점을 규명하고, 미디어 보안 분야의 새로운 연구 방향을 제시한다.

제안 방법

• 두 가지 혼돈 암호화 방식에서 생성한 대규모 평문-암호문 쌍 데이터셋을 기반으로, Unet과 제안된 다단계 인코더-디코더 네트워크(MSEDNet)라는 두 가지 별개의 컨volutional 신경망을 훈련시킨다.
• 스킵 연결을 포함한 엔드 투 엔드 인코더-디코더 아키텍처를 사용하여 공간 정보를 유지하고 픽셀 단위의 회귀를 통해 이미지 복원을 실현한다.
• 표준 딥러닝 구성 요소를 적용: 3x3 컨볼루션, 배치 정규화, ReLU 활성화 함수, 맥스 풀링(다운샘플링), 연결을 통한 디컨볼루션 업샘플링.
• 복원 오차를 최소화하기 위해 L1 손실을 사용하고, 원본 평문과의 상관계수를 평가 지표로 활용하여 성능을 평가한다.
• 일반화 능력을 테스트하기 위해 MNIST와 CIFAR-10 데이터셋을 모두 활용하여 이미지 분포 간의 일반화 성능과 모델의 강건성을 평가한다.
• 훈련된 모델을 서rogate 해독 시스템으로 활용하여, 새로운 암호문으로부터 평문을 복원하기 위해 이를 등가 키로 간주한다.

실험 결과

연구 질문

• RQ1 한 혼돈 암호화 방식에서 훈련된 딥러닝 모델이 다른 혼돈 암호체계의 암호문을 성공적으로 복호화할 수 있는가?
• RQ2 Unet과 MSEDNet와 같은 다양한 CNN 아키텍처가 혼돈 암호문으로부터 평문을 복원하는 데 있어 성능 차이가 어떻게 나타나는가?
• RQ3 암호화 메커니즘의 복잡성이 딥러닝 기반 KPA의 복원 정확도에 얼마나 큰 영향을 미치는가?
• RQ4 단일 훈련된 신경망이 여러 혼돈 암호화 방식으로 일반화 가능한가, 아니면 각 시스템에 대해 재훈련이 필요한가?
• RQ5 훈련 시간, 모델 용량, 네트워크 깊이가 복호화 과정의 성공률과 복원 정밀도에 어떤 영향을 미치는가?

주요 결과

• 제안된 딥러닝 기반 KPA는 로지스틱 맵 암호화 방식에서 Unet을 사용할 경우 99.15%의 테스트 정확도, MSEDNet을 사용할 경우 97.80%의 테스트 정확도를 기록하여 높은 복원 정밀도를 입증하였다.
• 더 복잡한 하이브리드 혼돈 맵(CIFAR-10)에서는 Unet이 95.70%의 테스트 정확도를, MSEDNet가 93.62%의 테스트 정확도를 기록하여 네트워크 아키텍처의 성능에 큰 영향을 미친다는 것을 보여주었다.
• 모든 데이터셋에서 Unet이 훈련 효율성과 정확도 면에서 MSEDNet를 앞서며, 더 낮은 훈련 손실과 더 높은 상관계수를 기록하였다.
• 결과는 다양한 신경망이 서로 다른 복호화 효과를 낳으며, 이는 모델 선택이 복원 품질에 직접적인 영향을 미친다는 것을 확인한다.
• 동일한 CNN 아키텍처(예: Unet)가 여러 다른 혼돈 암호체계를 성공적으로 공격함으로써, 이 방법이 단일 시스템에 국한되지 않고 일반화 가능함을 입증하였다.
• 이 공격 방법은 MNIST와 CIFAR-10 데이터셋 간의 일반화가 가능하여, 실제 환경에서 입력 분포의 변화에 강건함을 보였다.