[论文解读] A Deep Learning Based Attack for The Chaos-based Image Encryption

Chen He, K.J. Ming+2 more|arXiv (Cornell University)|Jul 29, 2019

Chaos-based Image/Signal Encryption参考文献 19被引用 12

一句话总结

该论文提出了一种基于混沌图像加密的、与密钥无关的端到端深度学习攻击方法，利用卷积编码器从加密图像中提取低维特征，并通过反卷积生成器重建出视觉上准确的明文图像。在静态密钥条件下，该方法在MNIST数字上的分类准确率达到97.87%；在动态密钥条件下达到92.04%，表明无需人工推断密钥即可实现高保真度解密。

ABSTRACT

In this letter, as a proof of concept, we propose a deep learning-based approach to attack the chaos-based image encryption algorithm in \cite{guan2005chaos}. The proposed method first projects the chaos-based encrypted images into the low-dimensional feature space, where essential information of plain images has been largely preserved. With the low-dimensional features, a deconvolutional generator is utilized to regenerate perceptually similar decrypted images to approximate the plain images in the high-dimensional space. Compared with conventional image encryption attack algorithms, the proposed method does not require to manually analyze and infer keys in a time-consuming way. Instead, we directly attack the chaos-based encryption algorithms in a key-independent manner. Moreover, the proposed method can be trained end-to-end. Given the chaos-based encrypted images, a well-trained decryption model is able to automatically reconstruct plain images with high fidelity. In the experiments, we successfully attack the chaos-based algorithm \cite{guan2005chaos} and the decrypted images are visually similar to their ground truth plain images. Experimental results on both static-key and dynamic-key scenarios verify the efficacy of the proposed method.

研究动机与目标

• 开发一种与密钥无关的破译混沌图像加密的方法，避免耗时的手动密钥分析。
• 利用深度神经网络实现从加密图像到明文图像的自动、端到端重建。
• 评估该方法在静态密钥和动态密钥加密场景下的有效性。
• 证明该方法在无需微调的情况下，对不同加密密钥具有泛化能力。
• 通过标准图像识别基准量化重建图像的感知质量和语义保真度。

提出的方法

• 卷积编码器网络将加密图像映射到低维潜在特征空间，保留图像内容的关键信息。
• 对称的反卷积生成器网络从潜在特征中重建出视觉上相似的明文图像。
• 整个模型通过成对的加密图像与明文图像数据集进行端到端训练。
• 该架构采用类似自编码器的结构，共享编码器-解码器组件，以实现高效的特征学习与图像生成。
• 训练数据通过使用静态和动态密钥对MNIST图像进行加密生成，形成多样化且真实的训练样本。
• 该方法无需了解加密密钥，也无需逆向工程混沌变换过程。

实验结果

研究问题

• RQ1 深度学习模型能否在不事先掌握加密密钥的情况下，从基于混沌的加密图像中重建出明文图像？
• RQ2 所提出的方法在动态密钥加密场景下，对不同密钥的泛化能力如何？
• RQ3 重建图像在语义和感知质量方面在下游任务（如图像分类）中保持的程度如何？
• RQ4 与传统的基于密钥推断的密码分析方法相比，所提密钥无关攻击方法的性能如何？
• RQ5 密钥变化对模型泛化能力及保持高保真度重建能力的影响如何？

主要发现

• 在静态密钥加密场景下，使用解密后的图像在MNIST测试集上达到97.87%的分类准确率，表明重建图像具有高度的感知与语义保真度。
• 在动态密钥场景下，模型仍保持92.04%的分类准确率，证明其在不同加密密钥下具备强大的泛化能力。
• 重建图像在视觉上与原始明文图像相似，仅在少数情况下存在轻微失真或失败，例如数字'2'的重建。
• 该方法成功绕过了对人工密钥推断或穷举密钥搜索的需求，与[4]和[5]中的先前方法不同。
• 模型在单次训练后即可泛化到不同密钥，展现出对动态密钥加密的强大适应能力。
• 结果证实，深度学习能够有效学习从加密图像到明文图像的逆映射，即使加密过程复杂且具有混沌特性。