[논문 리뷰] DeepKeyGen: A Deep Learning-based Stream Cipher Generator for Medical Image Encryption and Decryption

Yi Ding, Fuyuan Tan외 4명|arXiv (Cornell University)|2020. 12. 21.

Chaos-based Image/Signal Encryption참고 문헌 36인용 수 10

한 줄 요약

DeepKeyGen는 의료 영상 암호화를 위한 암호학적으로 강력한 비밀키를 자동으로 학습하고 생성하기 위해 조건부 GAN을 사용하는 딥러닝 기반 스트림 암호기 생성기를 제안한다. 원하는 키 '스타일'을 변환 도메인으로 간주하여, 소스 이미지(시드)를 이미지 간 번역을 통해 안전한 키로 변환한다. 이는 다양한 의료 영상 데이터셋에서 높은 보안성, 넓은 키 공간, 공격에 대한 저항성을 달성한다.

ABSTRACT

The need for medical image encryption is increasingly pronounced, for example to safeguard the privacy of the patients' medical imaging data. In this paper, a novel deep learning-based key generation network (DeepKeyGen) is proposed as a stream cipher generator to generate the private key, which can then be used for encrypting and decrypting of medical images. In DeepKeyGen, the generative adversarial network (GAN) is adopted as the learning network to generate the private key. Furthermore, the transformation domain (that represents the "style" of the private key to be generated) is designed to guide the learning network to realize the private key generation process. The goal of DeepKeyGen is to learn the mapping relationship of how to transfer the initial image to the private key. We evaluate DeepKeyGen using three datasets, namely: the Montgomery County chest X-ray dataset, the Ultrasonic Brachial Plexus dataset, and the BraTS18 dataset. The evaluation findings and security analysis show that the proposed key generation network can achieve a high-level security in generating the private key.

연구 동기 및 목표

• 수동으로 스트림 암호기 생성기를 설계하는 데 소요되는 시간과 비용을 줄이기 위한 도전 과제를 해결하기 위해.
• 딥러닝을 활용해 원하는 암호학적 '스타일'을 가진 비밀키를 자동으로 생성할 수 있는지 탐색하기 위해.
• 기존의 수학적으로 설계된 키 생성기 대신 학습 가능한 데이터 기반 접근 방식을 도입하여 의료 영상 암호화의 보안성과 효율성을 향상시키기 위해.
• 실제 의료 영상 데이터셋을 기반으로 제안된 키 생성 방법의 성능과 보안성을 평가하기 위해.

제안 방법

• 비밀키 생성의 핵심 학습 네트워크로 조건부 생성 적대적 네트워크(cGAN)를 사용한다.
• 변환 도메인—비밀키의 원하는 '스타일'을 나타내는 요소—을 조건부 입력으로 사용하여 키 생성 과정을 안내한다.
• 소스 도메인은 초기 시드 이미지로 구성되며, 이는 GAN의 생성기 네트워크를 통해 비밀키로 변환된다.
• 생성기 네트워크는 소스 도메인에서 변환 도메인으로의 매핑을 학습하여, 실제로는 이미지 간 번역을 수행함으로써 암호학적으로 강력한 키를 생성한다.
• 판별기 네트워크는 생성된 키가 실제 안전한 키와 구분되지 않도록 하여, 실제 키 샘플과의 차이를 식별함으로써 보안성을 확보한다.
• 최종 비밀키는 XOR 기반 암호화 방식에 사용되어 의료 영상의 암호화 및 복호화가 이루어진다.

실험 결과

연구 질문

• RQ1 딥러닝 모델이 원하는 '스타일'을 가진 암호학적으로 안전한 비밀키를 효과적으로 학습하여 생성할 수 있는가?
• RQ2 변환 도메인의 품질이 생성된 비밀키의 보안성과 무작위성에 어떤 영향을 미치는가?
• RQ3 제안된 방법이 다양한 의료 영상 모odalities의 암호화에서 높은 보안성과 강건성을 달성할 수 있는가?
• RQ4 기존의 수동으로 설계된 키 생성기와 비교했을 때, DeepKeyGen의 키 공간과 공격에 대한 저항성 측면에서 성능은 어떠한가?

주요 결과

• 생성된 비밀키는 높은 정보 엔트로피(최대 7.9798)와 강력한 가짜 무작위성 특성을 보이며, 강력한 암호학적 성질을 나타낸다.
• 고보안성 변환 도메인(엔트로피 7.9971)을 사용할 경우, 암호문 이미지의 엔트로피가 높게 유지되어(7.9986) 환자 정보가 효과적으로 은폐되었다.
• 저보안성 변환 도메인(엔트로피 7.1306)을 사용할 경우, 암호문 이미지에서 환자 정보(예: 흉부 윤곽선)가 드러나 보이며, 이는 변환 도메인이 보안에 결정적인 역할을 한다는 것을 입증한다.
• 넓은 키 공간과 입력 변화에 대한 높은 민감성 덕분에, DeepKeyGen은 통계적 및 차등 암호분석 공격에 저항하는 성능을 보였다.
• Montgomery County X-ray, 초음파 브레히얼 플렉서스, BraTS18 데이터셋의 다중 모odal 의료 영상에 대해 높은 정밀도와 보안성을 유지하면서 성공적으로 암호화하였다.
• 소스 도메인에서 변환 도메인으로의 매핑 학습 과정에서 모델은 안정적인 성능을 보였으며, 일관된 원하는 '스타일'을 가진 키 생성 능력을 확인하였다.