[논문 리뷰] Deep Learning based Differential Distinguisher for Lightweight Block Ciphers

Aayush Jain, Varun Kohli외 1명|arXiv (Cornell University)|2021. 12. 09.

Cryptographic Implementations and Security인용 수 4

한 줄 요약

이 논문은 컨볼루션 신경망을 사용하여 무거운 블록 암호인 PRESENT와 Simeck에 대한 딥러닝 기반의 차등 구별자(구분자)를 제안한다. 이 구별자는 랜덤 데이터와 암호 생성 데이터를 구분한다. 6라운드 PRESENT와 7라운드 Simeck에 대해 높은 정확도를 달성하며, 우수한 입력 차등을 선택하는 데 새로운 방법을 도입하고, 이 공격에 대한 최소 보안 기준을 설정한다.

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.

연구 동기 및 목표

• 경량 블록 암호에 적용 가능한 딥러닝 기반의 차등 구별자를 개발하기 위해.
• 기존의 상태 기술적 딥러닝 접근법을 PRESENT-80과 Simeck64/128처럼 구조적으로 다른 암호로 확장하기 위해.
• 차등 암호 분석에서 효과적인 입력 차등을 선택하기 위한 새로운 방법을 제안하기 위해.
• 이 딥러닝 기반의 구별자에 대한 PRESENT와 Simeck의 보안 강도를 평가하기 위해.
• 제안된 공격 모델에 기반하여 이 암호들에 대한 최소 보안 요구 조건을 설정하기 위해.

제안 방법

• 주어진 라운드 수에서 입력 데이터를 랜덤 또는 암호 생성 데이터로 분류하도록 컨볼루션 신경망(CNN)을 훈련한다.
• 모델은 입력 및 출력 차등의 차등 분포표(DDT)를 특징 맵으로 표현하여 입력으로 사용한다.
• 차등의 통계적 성질에 기반한 새로운 입력 차등 선택 전략을 도입하여 구별자 성능을 향상시킨다.
• 훈련 데이터는 고정된 입력 차등을 가진 평문 쌍과 그에 해당하는 암호문 차등 쌍으로 구성된다.
• 구별자는 6라운드 PRESENT와 7라운드 Simeck에서 평가되며, 검증 세트에서 정확도가 측정된다.
• 딥 네트워크의 계층적 특징 추출 능력을 활용하여 암호 행동의 미세한 통계적 편향을 탐지한다.

실험 결과

연구 질문

• RQ1 딥 네트워크는 축소된 라운드 수의 PRESENT와 Simeck에서 랜덤 데이터와 암호 생성 데이터를 효과적으로 구별할 수 있는가?
• RQ2 제안된 입력 차등 선택 방법은 이전 접근법에 비해 구별자 정확도를 어떻게 향상시키는가?
• RQ3 이 구별자가 신뢰성 있게 암호 데이터를 식별할 수 있는 최대 라운드 수는 얼마인가?
• RQ4 PRESENT와 Simeck가 이 딥러닝 기반의 차등 공격을 저지하기 위해 필요한 최소 보안 수준은 무엇인가?
• RQ5 이러한 방법은 서로 다른 내부 구조를 가진 암호들 사이에서 얼마나 일반화 가능한가?

주요 결과

• 제안된 딥러닝 기반의 구별자는 6라운드 PRESENT와 7라운드 Simeck를 랜덤 데이터와 높은 정확도로 구별한다.
• 새로운 입력 차등 선택 방법은 구별자의 성능을 향상시키며, 저자들에 따르면 이는 이전 연구에서 다뤄지지 않은 분야이다.
• 이 방법은 구조적으로 다른 경량 암호, 즉 PRESENT-80과 Simeck64/128 모두에 대해 일반화 가능성을 보여준다.
• 입력 차등 분포가 균일하게 샘플링되지 않은 경우에도 구별자가 높은 정확도를 유지함으로써 강건성을 입증한다.
• 이 연구는 PRESENT와 Simeck에 대해 최소 보안 요구 조건을 설정하였으며, 이 공격을 저지하기 위해 최소 8라운드가 필요하다고 제안한다.
• 결과는 딥러닝이 전체 차등 트레일이 없는 상황에서도 경량 암호의 미세한 통계적 편향을 효과적으로 탐지할 수 있음을 시사한다.