[论文解读] A deep learning based known plaintext attack method for chaotic cryptosystem

Fusen Wang, Jun Sang+3 more|arXiv (Cornell University)|Mar 9, 2021

Chaos-based Image/Signal Encryption参考文献 20被引用 4

一句话总结

本文提出一种基于深度学习的已知明文攻击（KPA）方法，针对混沌加密系统，利用卷积神经网络（CNN）学习明文-密文映射关系。通过在大规模明文-密文对数据集上训练CNN模型，该模型可作为解密系统，实现对多种混沌加密方案的高保真图像重建，证明了其在不同系统和网络架构间的泛化能力。

ABSTRACT

In this paper, we propose a known-plaintext attack (KPA) method based on deep learning for traditional chaotic encryption scheme. We employ the convolutional neural network to learn the operation mechanism of chaotic cryptosystem, and accept the trained network as the final decryption system. To evaluate the attack performance of different networks on different chaotic cryptosystem, we adopt two neural networks to perform known-plaintext attacks on two distinct chaotic encryption schemes. The experimental results demonstrate the potential of deep learning-based method for known-plaintext attack against chaotic cryptosystem. Different from the previous known-plaintext attack methods, which were usually limited to a specific chaotic cryptosystem, a neural network can be applied to the cryptanalysis of various chaotic cryptosystems with deep learning-based approach, while several different networks can be designed for the cryptanalysis of chaotic cryptosystems. This paper provides a new idea for the cryptanalysis of chaotic image encryption algorithm.

研究动机与目标

• 开发一种灵活且可泛化的已知明文攻击方法，用于混沌加密系统，以克服传统方法对特定系统依赖的局限性。
• 探究深度学习模型是否能在不了解内部参数的前提下，学习并逆转混沌加密方案中的复杂变换。
• 评估不同CNN架构在解密各类混沌加密方案中的性能表现，比较其重建准确率与训练效率。
• 探索训练好的模型在不同混沌加密系统间迁移的潜力，提升攻击的适应性。
• 通过识别深度学习驱动的密码分析下混沌加密的潜在漏洞，开启多媒体安全领域的新研究方向。

提出的方法

• 在两个混沌加密方案生成的大规模明文-密文对数据集上，分别训练两种不同的卷积神经网络——Unet和所提出的多阶段编码-解码网络（MSEDNet）。
• 采用端到端的编码-解码架构，结合跳跃连接以保留空间信息，并实现像素级回归以完成图像重建。
• 应用标准的深度学习组件：3×3卷积、批量归一化、ReLU激活函数、最大池化（下采样）以及转置卷积上采样并结合跳跃连接。
• 使用L1损失函数进行训练，以最小化重建误差，并通过与原始明文的相关系数评估模型性能。
• 同时使用MNIST和CIFAR-10数据集测试模型在不同图像分布下的泛化能力，并评估模型鲁棒性。
• 将训练好的模型作为代理解密系统，视其为等效密钥，用于从新的密文中恢复明文。

实验结果

研究问题

• RQ1 在一种混沌加密方案上训练的深度学习模型，能否成功解密来自另一种不同混沌加密系统的密文？
• RQ2 不同CNN架构（如Unet与MSEDNet）在从混沌密文中重建明文时的性能表现如何比较？
• RQ3 加密机制的复杂性在多大程度上影响基于深度学习的已知明文攻击的重建准确率？
• RQ4 单一训练好的神经网络能否泛化应用于多个混沌加密方案，还是需要为每个系统单独重新训练？
• RQ5 训练时间、模型容量和网络深度如何影响解密过程的成功率与重建保真度？

主要发现

• 所提出的基于深度学习的已知明文攻击在Logistic映射加密方案上，Unet测试准确率达到99.15%，MSEDNet达到97.80%，证明了极高的重建保真度。
• 在更复杂的混合混沌映射（CIFAR-10）上，Unet实现95.70%的测试准确率，MSEDNet达到93.62%，表明网络架构对性能有显著影响。
• 在两个数据集上，Unet在训练效率和准确率方面均优于MSEDNet，表现为更低的训练损失和更高的相关系数。
• 结果证实，不同神经网络导致不同的解密效果，表明模型选择直接影响重建质量。
• 相同CNN架构（如Unet）成功攻击了多个不同的混沌加密系统，证明该方法具备超越单一系统目标的泛化潜力。
• 该攻击方法在图像数据集（MNIST与CIFAR-10）之间具有泛化能力，表明其对现实场景中输入分布变化具有鲁棒性。