딥러닝 기반의 알려진 평문 공격을 통한 S-PRESENT 분석
S-PRESENT Cryptanalysis through Know-Plaintext Attack Based on Deep Learning
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
암호 분석은 알려진 평문 공격, 차분 분석, 부채널 분석 등과 같이 다양한 기법으로 수행될 수 있다. 최근에는 딥러닝을 암호 분석에 적용하는 연구들이 제안되고 있다. 알려진 평문 공격(Known-plaintext Attack)은 알려진 평문과 암호문 쌍을 사용하여 키를 알아내는 암호 분석 기법이다. 본 논문에서는 딥러닝 기술을 사용하여 경량 블록 암호 PRESENT의 축소 버전인 S-PRESENT에 대해 알려진 평문 공격을 수행한다. 축소된 경량 블록 암호에 대해 수행된 최초의 딥러닝 기반의 알려진 평문 공격이라는 점에서 본 논문은 의의가 있다. 성능 향상 및 학습속도 개선을 위해 Skip connection, 1x1 Convolution과 같은 딥러닝 기법을 적용하였다. 암호 분석에는 MLP(Multi-Layer Perceptron)와 1D, 2D 합성곱 신경망 모델을 사용하여 최적화하였으며, 세 모델의 성능을 비교한다. 2D 합성곱 신경망에서 가장 높은 성능을 보였지만 일부 키공간까지만 공격이 가능했다. 이를 통해 MLP 모델과 합성곱 신경망을 통한 알려진 평문 공격은 공격 가능한 키 비트에 제한이 있음을 알 수 있다.
Abstract
Cryptanalysis can be performed by various techniques such as known plaintext attack, differential attack, side-channel analysis, and the like. Recently, many studies have been conducted on cryptanalysis using deep learning. A known-plaintext attack is a technique that uses a known plaintext and ciphertext pair to find a key. In this paper, we use deep learning technology to perform a known-plaintext attack against S-PRESENT, a reduced version of the lightweight block cipher PRESENT. This paper is significant in that it is the first known-plaintext attack based on deep learning performed on a reduced lightweight block cipher. For cryptanalysis, MLP (Multi-Layer Perceptron) and 1D and 2D CNN(Convolutional Neural Network) models are used and optimized, and the performance of the three models is compared. It showed the highest performance in 2D convolutional neural networks, but it was possible to attack only up to some key spaces. From this, it can be seen that the known-plaintext attack through the MLP model and the convolutional neural network is limited in attackable key bits.
참고문헌 (11)
- C. E. Shannon, "Communication theory of secrecy systems", The Bell system technical journal, 28(4), pp.656~715 (1949)
- M. Matsui, "Linear cryptanalysis method for DES cipher", Lecture Notes in Computer Science, 765, pp.386~397 (1994)
- K. He, "Deep residual learning for image recognition", Proceedings of the IEEE conference on computer vision and pattern recognition, pp.770~778 (2016)
- C. Szegedy, "Going deeper with convolutions", Proceedings of the IEEE conference on computer vision and pattern recognition, pp.1~9 (2015)
- O. Russakovsky, "Imagenet large scale visual recognition challenge", International journal of computer vision, 115(3), pp.211~252 (2015)
- J. W. So, "Deep Learning-Based Cryptanalysis of Lightweight Block Ciphers", Security and Communication Networks, 2020, pp.1~11 (2020)
- H. J. Kim, "Deep Learning based Cryptanalysis of Lightweight Block Ciphers, Revisited", Cryptology ePrint Archive, Jul (2022)
- Y. N. Dauphin, "Language modeling with gated convolutional networks", International conference on machine learning, PMLR, 70, pp.933~941 (2017)
- A. Bogdanov, "PRESENT : An ultra-lightweight block cipher", Cryptographic Hardware and Embedded Systems, 4727, pp.450~466 (2007)
- 박원규, "초경량 암호 PRESENT의 소프트웨어 구현 시 처리량향상에 대한 연구", 한국통신학회논문지, 42(2), pp.316~322 (2017), 한국통신학회[DOI]
- "miniPresent python"[URL]