[论文解读] Neural Synchronization and Cryptography

Andreas Ruttor|ArXiv.org|Nov 15, 2007

Neural Networks and Applications参考文献 52被引用 9

一句话总结

本文提出一种基于同步树自旋机的神经密码协议，双方通过共享输入交换权重以建立密码安全密钥。由于相互作用，同步速度远快于学习速度，通过调节突触深度可实现多项式时间密钥生成与指数级抗攻击能力，适用于资源受限环境下的轻量级安全密钥交换。

ABSTRACT

Neural networks can synchronize by learning from each other. In the case of discrete weights full synchronization is achieved in a finite number of steps. Additional networks can be trained by using the inputs and outputs generated during this process as examples. Several learning rules for both tasks are presented and analyzed. In the case of Tree Parity Machines synchronization is much faster than learning. Scaling laws for the number of steps needed for full synchronization and successful learning are derived using analytical models. They indicate that the difference between both processes can be controlled by changing the synaptic depth. In the case of bidirectional interaction the synchronization time increases proportional to the square of this parameter, but it grows exponentially, if information is transmitted in one direction only. Because of this effect neural synchronization can be used to construct a cryptographic key-exchange protocol. Here the partners benefit from mutual interaction, so that a passive attacker is usually unable to learn the generated key in time. The success probabilities of different attack methods are determined by numerical simulations and scaling laws are derived from the data. They show that the partners can reach any desired level of security by just increasing the synaptic depth. Then the complexity of a successful attack grows exponentially, but there is only a polynomial increase of the effort needed to generate a key. Further improvements of security are possible by replacing the random inputs with queries generated by the partners.

研究动机与目标

• 开发一种利用神经网络同步实现安全、轻量级密钥交换协议。
• 解决在资源受限环境中实现高安全性与最小计算开销的挑战。
• 分析神经同步与学习的动力学特性，量化安全性与效率之间的权衡。
• 证明神经网络之间的相互作用可实现指数级安全性增长，而成本增加微乎其微。
• 探索使用查询而非随机输入，以增强对同步难度与抗攻击能力的控制。

提出的方法

• 使用具有离散突触权重的树自旋机，并采用基于共享输入与输出同步的权重调整学习规则。
• 通过在权重分布上的随机游走及重叠等序参量（如权重向量之间的重叠）建模同步动力学。
• 利用具有吸引与排斥步长的随机过程推导出的标度律，分析同步时间与学习时间。
• 在密钥交换协议上实现并模拟四种攻击模型——简单攻击、几何攻击、多数攻击与遗传攻击。
• 引入反馈机制，使用查询代替随机输入，以实现对同步与攻击复杂度的可控调节。
• 通过在相同输入下多次协议运行中权重分布的熵，测量有效密钥空间大小。

实验结果

研究问题

• RQ1 神经网络之间的相互作用如何影响同步速度与学习速度的对比？
• RQ2 同步时间与学习时间随突触深度变化的标度律是什么？
• RQ3 各种攻击策略的成功概率如何随突触深度与网络参数变化？
• RQ4 用查询替代随机输入是否能提升安全性而不增加同步时间？
• RQ5 该协议的有效密钥空间大小是多少？其与输入序列和突触深度的关系如何？

主要发现

• 在双向交互下，同步时间随突触深度呈二次方增长；而当信息仅单向流动时，同步时间呈指数增长。
• 由于缺乏相互反馈而无法跳过不合适的输入，学习过程显著慢于同步过程。
• 攻击成功概率随突触深度增加呈指数下降，而密钥生成成本仅呈多项式增长。
• 每组输入序列生成的有效密钥数量随突触深度增加而提升，通过权重分布的熵增强安全性。
• 使用查询代替随机输入可精细调节同步与攻击复杂度，提升安全性而不增加平均同步时间。
• 通过调节突触深度，协议实现指数级安全性增长，可在极低性能成本下实现任意期望的安全级别。