[论文解读] One-way Hash Function Based on Neural Network

Shiguo Lian, Jinsheng Sun+1 more|ArXiv.org|Jul 27, 2007

Chaos-based Image/Signal Encryption参考文献 6被引用 16

一句话总结

本文提出一种基于三层前馈神经网络的一元哈希函数，其中各层分别实现数据混淆、扩散和压缩功能。该设计具备强密码学特性——抗原像攻击、密钥与明文敏感性高，且能抵抗生日攻击和中间相遇攻击，同时由于神经网络架构支持并行计算，适用于数字签名和身份认证。

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.

研究动机与目标

• 设计一种基于神经网络原理的密码学安全一元哈希函数。
• 解决对支持可变长度输入的高效、安全哈希函数的需求。
• 利用神经网络固有的并行性，实现面向实际硬件的高效实现。
• 确保对密钥和输入数据具有高度敏感性，抵抗常见密码分析攻击。
• 提出一种将神经网络与密码学原 primitive 相结合的新方法，以提升安全特性。

提出的方法

• 采用三层前馈神经网络，各层具有不同功能：第一层用于数据混淆，第二层用于扩散，第三层用于压缩。
• 网络使用非线性激活函数以引入混淆，并确保变换的非线性。
• 引入多块哈希模式，通过分块处理支持可变长度明文输入。
• 每个块的输出向前传递，最终输出作为哈希值。
• 将神经网络的权重重矩阵视为密码学密钥，确保高密钥敏感性。
• 设计充分利用神经网络计算的并行性，实现对并行硬件平台的高效部署。

实验结果

研究问题

• RQ1 能否有效利用神经网络架构构建密码学安全的一元哈希函数？
• RQ2 所提出的基于神经网络的哈希函数在抵抗生日攻击和中间相遇攻击等常见密码学攻击方面表现如何？
• RQ3 神经网络结构在多大程度上增强了哈希输出对密钥和明文的敏感性？
• RQ4 能否利用神经网络固有的并行性提升哈希函数的性能？
• RQ5 多块模式如何确保可变长度输入下的安全性和正确性？

主要发现

• 所提出的哈希函数表现出强单向性，使得从输出逆向推导输入在计算上不可行。
• 该函数对密钥和明文输入均表现出高度敏感性，确保输入或密钥的微小变化即产生显著不同的输出。
• 理论分析与实验结果均证实其对生日攻击和中间相遇攻击具有抵抗能力。
• 神经网络的并行计算能力使其能够在并行硬件平台上实现高效部署。
• 多块模式成功支持可变长度输入，同时保持安全性和完整性。
• 通过利用神经网络特性，该设计在密码学强度与计算效率之间实现了良好平衡。