[논문 리뷰] Cryptolysis v.0.0.1 - A Framework for Automated Cryptanalysis of Classical Ciphers

Serguei A. Mokhov, Marc-André Laverdière외 2명|arXiv (Cornell University)|2011. 01. 05.

graph theory and CDMA systems참고 문헌 1인용 수 4

한 줄 요약

Cryptolysis v0.0.1은 통계적 방법을 활용하여 고전 암호의 자동 암호 분석을 수행하는 자바 기반 프레임워크로, n-gram 언어 모델과 사전 기반 파싱을 통해 단어 경계를 탐지하고 치환, 시프트, SPN 암호를 해독한다. 유전 알고리즘과 시뮬레이티드 어닐링과 같은 휴리스틱 검색 기법을 통해 최소한의 사용자 입력으로도 효과적인 암호 분석을 달성한다.

ABSTRACT

Cryptolysis is a framework that includes a collection of automated attacks on the classical ciphers based on the article by Clark Dawson on Optimisation heuristics for the automated cryptanalysis of classical ciphers from the Journal of Combinatorial Mathematics and Combinatorial Computing, 1998.

연구 동기 및 목표

• 고전 암호, 예를 들어 치환, 시프트, SPN 암호의 자동 암호 분석을 수행하는 것.
• 통계적 및 사전 기반 방법을 사용하여 단어 경계를 자동으로 탐지함으로써 복호화된 텍스트의 가독성을 향상시키는 것.
• 객체 지향 설계와 모듈식 아키텍처를 활용하여 효율적이고 재사용 가능한 암호 분석 모듈을 구현하는 것.
• 유전 알고리즘, 시뮬레이티드 어닐링, 탭우 검색과 같은 다양한 암호 분석 전략을 지원하는 것.
• 코퍼스에서 언어 모델과 통계적 파서를 훈련시켜 암호 분석에 활용할 수 있도록 하는 것.

제안 방법

• 프레임워크는 암호, 분석기, 파서 각각에 대응하는 표준 인터페이스를 구현한 별도의 컴ponent로 구성된 모듈식 아키텍처를 사용한다.
• 단어 경계 탐지는 두 가지 방법을 통해 수행된다: 가장 긴 단어와 일치하는 사전 기반 검색과 확률적 3-그램 문자 모델.
• 3-그램 모델은 앞서 오는 문자와 뒤이어 오는 문자의 3-그램 빈도를 기반으로 단어 경계의 확률을 계산하며, 단어 경계를 포함한다.
• 암호 분석 공격은 휴리스틱 최적화 기법을 통해 구현되며, 언어 통계 기반 피트니스 함수에 의해 유도되는 유전 알고리즘, 시뮬레이티드 어닐링, 탭우 검색을 포함한다.
• 훈련 과정은 입력 코퍼스에서 언어 통계, 사전 파서, n-그램 모델을 구축하고, 이후 재사용을 위해 직렬화한다.
• NLP 컴ponent에는 MARF(Multilingual Automatic Recognition Framework)를 사용하고, 자바의 이식성과 메모리 관리 기능을 활용하여 다중 플랫폼 배포를 지원한다.

실험 결과

연구 질문

• RQ1 자동화된 단어 경계 탐지 기법이 복호화된 고전 암호 텍스트에 효과적으로 적용되어 인간의 가독성을 향상시킬 수 있는가?
• RQ2 암호 해독이 안 된 암호문 스트림에서 단어 경계를 탐지할 때, 통계적 n-그램 모델과 사전 기반 파싱 간의 성능은 어떻게 비교되는가?
• RQ3 유전 알고리즘과 시뮬레이티드 어닐링과 같은 휴리스틱 검색 방법이 치환 및 시프트 암호와 같은 고전 암호를 얼마나 효과적으로 해독할 수 있는가?
• RQ4 다양한 고전 암호와 암호 분석 기법을 하나의 통합 시스템에서 지원할 수 있는 모듈식이고 확장 가능한 프레임워크를 설계할 수 있는가?
• RQ5 암호 분석에서 사전 기반과 n-그램 기반 단어 경계 탐지 간의 성능과 정확성의 상호 보완적 특성은 어떠한가?

주요 결과

• 프레임워크는 고전 암호에 대해 통계적, 유전 알고리즘, 시뮬레이티드 어닐링 공격을 포함한 다양한 암호 분석 기법을 성공적으로 구현하고 통합하였다.
• 3-그램 문자 n-그램 모델은 사전 기반 방법보다 낮은 저장소 오버헤드로 효율적이고 컴act하게 단어 경계 탐지를 구현하였다.
• 사전 기반 파싱은 복합어와 고유명사 처리에 어려움을 겪었으며, 'therefore'와 'there for eternity'와 같은 모호한 경우에 공간을 잘못 배치하는 경향이 있었다.
• 언어 통계 기반 피트니스 함수가 수렴을 향상시켜 휴리스틱 검색을 통한 고전 암호의 효과적인 복호화가 가능했다.
• 언어 모델과 파서의 훈련 과정이 자동화되었으며, 직렬화된 출력을 통해 세션 간 재사용이 가능했다.
• 모듈식 설계 덕분에 표준 인터페이스를 통해 새로운 암호 유형과 분석 방법이 원활하게 통합될 수 있었다.