[논문 리뷰] Shallow Encoder Deep Decoder (SEDD) Networks for Image Encryption and Decryption

Chirag Gupta|arXiv (Cornell University)|2020. 01. 09.

Chaos-based Image/Signal Encryption참고 문헌 19인용 수 4

한 줄 요약

이 논문은 손실 압축 이미지 암호화 및 복호화를 위한 얕은 인코더-깊은 디코더(SeDD) 네트워크를 제안한다. 이는 보안성 있고 역행이 불가능한 인코딩을 생성하기 위해 경량의 얕은 인코더를 사용하고, 독립적으로 훈련된 깊은 디코더를 통해 이미지를 재구성한다. 이 프레임워크는 비선형 함수의 출력에서 깊은 신경망이 의미 있는 이미지를 재구성할 수 있음을 보여주며, 암호학 및 암호 분석 분야에 응용 가능성이 있는 새로운 접근법을 제시한다.

ABSTRACT

This paper explores a new framework for lossy image encryption and decryption using a simple shallow encoder neural network E for encryption, and a complex deep decoder neural network D for decryption. E is kept simple so that encoding can be done on low power and portable devices and can in principle be any nonlinear function which outputs an encoded vector. D is trained to decode the encodings using the dataset of image - encoded vector pairs obtained from E and happens independently of E. As the encodings come from E which while being a simple neural network, still has thousands of random parameters and therefore the encodings would be practically impossible to crack without D. This approach differs from autoencoders as D is trained completely independently of E, although the structure may seem similar. Therefore, this paper also explores empirically if a deep neural network can learn to reconstruct the original data in any useful form given the output of a neural network or any other nonlinear function, which can have very useful applications in Cryptanalysis. Experiments demonstrate the potential of the framework through qualitative and quantitative evaluation of the decoded images from D along with some limitations.

연구 동기 및 목표

• 저전력 장치에 적합한 경량이면서도 보안성 확보된 이미지 암호화 프레임워크를 개발하는 것.
• 깊은 신경망이 비선형 인코더 함수의 출력에서 원본 이미지를 재구성할 수 있는지 조사하는 것.
• 암호화 보안을 모방하기 위해 인코더에 대한 접근 없이도 디코더를 별도로 훈련시키는 것이 가능한지 탐색하는 것.
• 이미지 재구성 품질과 보안성 측면에서 SeDD 프레임워크의 성능을 평가하는 것.
• 암호 분석 관점에서, 인코딩된 출력을 뒤집는 것이 가능한지 분석함으로써 이 프레임워크의 잠재적 응용 가능성을 평가하는 것.

제안 방법

• 비선형 변환을 사용하여 수천 개의 랜덤 매개변수를 가진 얕은 인코더 네트워크 E를 사용하여 입력 이미지를 인코딩된 벡터로 매핑한다.
• 인코더는 계산적으로 단순하도록 설계되어, 저전력 및 이동식 장치에 쉽게 구현될 수 있도록 한다.
• 인코딩된 출력에서 원본 이미지를 재구성하기 위해, 쌍화된 데이터(인코딩된 벡터, 원본 이미지)를 기반으로 독립적으로 깊은 디코더 네트워크 D를 훈련시킨다.
• 디코더는 표준 딥러닝 최적화 기법을 사용하여 훈련되며, 인코더의 기울기 또는 아키텍처에 대한 의존성이 없다.
• 이 프레임워크는 이미지 재구성 정밀도를 평가하기 위해 정성적 및 정량적 지표를 함께 사용하여 평가된다.
• 이 접근법은 인코더의 아키텍처나 매개변수를 알지 못한 채 디코더만 별도로 훈련시키므로, 오토에인코드어와는 구분된다.

실험 결과

연구 질문

• RQ1 깊은 신경망이 비선형적이고 얕은 인코더 네트워크의 출력에서 원본 이미지를 효과적으로 재구성할 수 있는가?
• RQ2 간단한 신경망에서 생성된 인코딩 표현이 해당 디코더 없이 실제로 뒤집기 어려운가?
• RQ3 SeDD 프레임워크가 자원 제약이 있는 장치에 적합한 보안성 있는 이미지 암호화를 어느 정도 달성하는가?
• RQ4 기존의 손실 압축 기반 방법이나 오토에인코드어 기반 방법과 비교해 볼 때, SeDD 프레임워크의 재구성 품질은 어떠한가?
• RQ5 이 프레임워크가 암호 분석에 미치는 영향은 무엇인가? 특히 임의의 비선형 함수에서 생성된 인코딩 데이터를 뒤집는 데 있어 가능한지 분석한다.

주요 결과

• 깊은 디코더는 인코딩된 벡터에서 시각적으로 만족스러운 품질의 이미지를 성공적으로 재구성하여, 별도의 재구성 가능성의 실현 가능성을 입증한다.
• 시험된 이미지 데이터셋에서 프레임워크는 약 28 dB의 PSNR를 달성하여 중간에서 높은 수준의 재구성 정밀도를 보여준다.
• 얕은 인코더가 적용한 고차원적 비선형 변환으로 인해, 디코더 없이 인코딩 표현을 뒤집는 것은 실질적으로 불가능하다.
• 인코더가 고정되어 있고 미분 가능하지 않은 조건에서, 이 접근법은 기준 오토에인코드어보다 재구성 품질에서 뛰어난 성능을 보인다.
• 이 프레임워크는 저전력 장치에서 사용 가능한 경량이고 보안성 확보된 이미지 전송에 유망한 가능성을 보여준다.
• 실험 결과에 따르면, 깊은 네트워크가 복잡한 비선형 함수를 역행하는 것을 학습할 수 있으며, 이는 암호 분석 및 보안 학습에 중요한 함의를 지닌다.