[논문 리뷰] One-way Hash Function Based on Neural Network

Shiguo Lian, Jinsheng Sun외 1명|ArXiv.org|2007. 07. 27.

Chaos-based Image/Signal Encryption참고 문헌 6인용 수 16

한 줄 요약

이 논문은 세 층으로 구성된 피드포워드 신경망을 사용한 단방향 해시 함수를 제안한다. 각 층은 각각 데이터 혼동, 확산, 압축을 구현한다. 이 설계는 강력한 암호학적 성질—역함수 저항성, 높은 키 및 평문 민감도, 버디 데이 및 미들-인-더-미들 공격에 대한 저항성—을 달성하며, 신경망 아키텍처 덕분에 병렬 계산이 가능하여 디지털 서명 및 인증에 적합하다.

ABSTRACT

A hash function is constructed based on a three-layer neural network. The three neuron-layers are used to realize data confusion, diffusion and compression respectively, and the multi-block hash mode is presented to support the plaintext with variable length. Theoretical analysis and experimental results show that this hash function is one-way, with high key sensitivity and plaintext sensitivity, and secure against birthday attacks or meet-in-the-middle attacks. Additionally, the neural network's property makes it practical to realize in a parallel way. These properties make it a suitable choice for data signature or authentication.

연구 동기 및 목표

• 신경망 원리를 활용한 암호학적으로 안전한 단방향 해시 함수를 설계하기.
• 가변 길이 입력을 지원하는 효율적이고 안전한 해시 함수의 필요성 해결하기.
• 신경망의 본질적 병렬성을 활용해 실용적인 하드웨어 구현 가능하게 하기.
• 키 및 입력 데이터에 대한 높은 민감도를 확보하여 일반적인 암호해석 공격에 저항하기.
• 신경망과 암호 primitive를 융합한 새로운 접근 방식을 통해 향상된 보안 성질 확보하기.

제안 방법

• 세 층 피드포워드 신경망을 사용하며, 각 층은 각각 혼동, 확산, 압축을 담당한다.
• 비선형 활성화 함수를 사용해 혼동을 도입하고 변환의 비선형성을 보장한다.
• 가변 길이 평문 입력을 지원하기 위해 다중 블록 해시 모드를 도입한다.
• 각 블록의 출력은 후행으로 전달되며, 최종 출력은 해시 값으로 사용된다.
• 신경망의 가중치 행렬을 암호학적 키로 간주하여 높은 키 민감도를 확보한다.
• 신경망 계산의 병렬성 특성을 활용해 병렬 아키텍처에서의 효율적 구현 가능하게 한다.

실험 결과

연구 질문

• RQ1 신경망 아키텍처가 암호학적으로 안전한 단방향 해시 함수를 효과적으로 구성하는 데 사용될 수 있는가?
• RQ2 제안된 신경망 기반 해시 함수가 버디 데이 및 미들-인-더-미들 공격과 같은 일반적인 암호 공격에 얼마나 잘 저항하는가?
• RQ3 신경망의 구조가 해시 출력에서 키 및 평문 민감도를 얼마나 향상시키는가?
• RQ4 신경망의 본질적 병렬성은 해시 함수의 성능 향상에 어떻게 활용될 수 있는가?
• RQ5 다중 블록 모드가 가변 길이 입력에 대해 보안성과 정확성을 어떻게 확보하는가?

주요 결과

• 제안된 해시 함수는 강력한 단방향 성질을 보이며, 출력에서 입력을 역으로 복원하는 것이 계산적으로 불가능하다.
• 함수는 키 및 평문 입력에 대해 매우 높은 민감도를 보이며, 입력이나 키의 미세한 변화가 크게 다른 출력을 생성한다.
• 이론적 분석과 실험 결과는 버디 데이 공격 및 미들-인-더-미들 공격에 대한 저항성을 확인한다.
• 신경망의 병렬 계산 능력 덕분에 병렬 하드웨어 플랫폼에서 효율적인 구현이 가능하다.
• 다중 블록 모드는 보안성과 무결성을 유지하면서도 가변 길이 입력을 성공적으로 지원한다.
• 신경망의 특성을 통해 암호학적 강도와 계산 효율성 간의 균형을 달성한다.