[논문 리뷰] Learning the Enigma with Recurrent Neural Networks

Sam Greydanus|arXiv (Cornell University)|2017. 08. 24.

Chaos-based Image/Signal Encryption참고 문헌 18인용 수 23

한 줄 요약

이 논문은 복수의 다중알파벳 암호—특히 비그너, 오토키, 3휠 엔리그마—의 복호화 함수를 학습하기 위해 순서에서 순서로의 RNN 모델을 제안한다. 이 모델은 평문-암호문 쌍을 학습시켜 작동한다. 주요 기여는 RNN이 복잡하고 결정적인 암호의 효율적인 내부 표현을 자율적으로 학습하고, 알려진 평문 공격을 통해 암호 분석을 수행할 수 있음을 보여주는 것이다. 이는 새로운 키와 더 긴 메시지에 대해서도 일반화 가능하다.

ABSTRACT

Recurrent neural networks (RNNs) represent the state of the art in translation, image captioning, and speech recognition. They are also capable of learning algorithmic tasks such as long addition, copying, and sorting from a set of training examples. We demonstrate that RNNs can learn decryption algorithms -- the mappings from plaintext to ciphertext -- for three polyalphabetic ciphers (Vigenère, Autokey, and Enigma). Most notably, we demonstrate that an RNN with a 3000-unit Long Short-Term Memory (LSTM) cell can learn the decryption function of the Enigma machine. We argue that our model learns efficient internal representations of these ciphers 1) by exploring activations of individual memory neurons and 2) by comparing memory usage across the three ciphers. To be clear, our work is not aimed at 'cracking' the Enigma cipher. However, we do show that our model can perform elementary cryptanalysis by running known-plaintext attacks on the Vigenère and Autokey ciphers. Our results indicate that RNNs can learn algorithmic representations of black box polyalphabetic ciphers and that these representations are useful for cryptanalysis.

연구 동기 및 목표

• 블랙박스 다중알파벳 암호의 복호화 논리를 자동으로 역공학하는 일반적인 방법을 개발하는 것.
• RNN이 암호의 구조에 대한 사전 지식 없이도 복잡한 암호의 알고리즘 표현을 학습할 수 있는지 조사하는 것.
• 모델이 새로운 키와 학습 시퀀스보다 긴 메시지 길이에 대해 일반화할 수 있는지 평가하는 것.
• RNN의 메모리 사용량이 암호의 암호화 과정의 시간 의존성과 관련이 있는지 조사하는 것.
• 학습된 표현을 암호 분석 작업, 예를 들어 키프레이즈 재구성에 활용할 수 있는지 탐색하는 것.

제안 방법

• 모델은 3000개의 유닛을 가진 LSTM 네트워크를 사용하여 복호화를 시퀀스-투-시퀀스 번역 작업으로 설정한다.
• 학습 데이터는 각 암호에 해당하는 키프레이즈와 함께 평문 및 암호문 시퀀스의 쌍으로 구성된다.
• 모델은 각 문자를 원-핫 벡터로 처리하고, LSTM의 은닉 상태를 통해 애너선스 유사 메커니즘을 암묵적으로 사용한다.
• 모델 성능은 학습 시퀀스 길이를 초월하여 새로운 키와 더 긴 메시지 시퀀스에 대한 일반화 능력으로 평가된다.
• 내부 표현은 다양한 암호에 대해 개별 메모리 유닛의 활성화를 시각화하여 분석된다.
• 키프레이즈 재구성은 평문과 암호문 벡터를 모두 입력으로 포함하도록 수정하여, 모델이 키프레이즈를 예측하도록 훈련시킨다.

실험 결과

연구 질문

• RQ1 RNN은 평문-암호문 예시만으로 비그너나 엔리그마와 같은 복잡한 다중알파벳 암호의 결정론적 복호화 함수를 학습할 수 있는가?
• RQ2 RNN이 요구하는 메모리 용량은 암호의 암호화 과정의 시간 의존성과 관련이 있는가?
• RQ3 RNN은 학습 중에 본 적 없는 키와 더 긴 메시지 시퀀스에 일반화할 수 있는가?
• RQ4 LSTM의 메모리 유닛 활성화는 기반 암호의 의미 있는 구조적 특성을 반영하는가?
• RQ5 학습된 내부 표현은 키프레이즈 재구성과 같은 암호 분석 작업에 활용될 수 있는가?

주요 결과

• LSTM 모델은 비그너와 오토키 암호의 복호화에서 99% 이상의 정확도를 달성했으며, 오토키의 경우 동적 키 업데이트로 인해 더 많은 메모리가 필요했다.
• 모델은 학습 데이터를 초월하는 새로운 키와 더 긴 메시지 길이에 대해 효과적으로 일반화되었으며, 이는 강력한 내부 표현 학습 능력을 시사한다.
• 메모리 사용량은 암호의 복잡성에 비례하여 증가했으며, 엔리그마는 비그너보다 훨씬 더 많은 메모리를 요구했으며, 이는 더 높은 시간 의존성을 반영한다.
• 개별 LSTM 메모리 유닛의 활성화는 암호의 정성적 특성을 반영했으며, 이는 구조화된 내부 표현이 있음을 시사한다.
• 모델은 비그너 키프레이즈(1~6자)를 99% 이상의 정확도로 성공적으로 재구성했고, 오토키 키프레이즈는 95% 이상의 정확도로 재구성했다.
• 본 연구는 RNN이 알려진 평문 공격을 통해 기초적인 암호 분석을 수행할 수 있음을 보여주며, 학습된 표현이 암호의 역공학에 유용하다는 것을 입증한다.