论文部分内容阅读
近年来,深度学习在图像和语音方面取得了比较大的突破,但其在信息安全领域所涉及的还比较少,本文首次将深度学习应用到了混沌加密图像的破解当中,相对于基于密码学的传统攻击方法,本文的方法无需手动分析算法的漏洞来推断加密密钥,而是以一种密钥无关的方式直接攻击加密算法本身,且神经网络所具有的非线性映射能力可以较好地提取密文图像中隐藏的特征,从而保证了模型的有效性,经过训练的攻击模型可以自动地从密文图像中以较高的保真度重建明文图像,主要工作包括:(1)提出了一种基于pix2pix的攻击模型,对混沌图像加密算法Arnold’s cat map、Baker’s map、Baker-sub、The chaos-based image encryption algorithm和Two-dimensional logistic chaotic map和非混沌图像加密算法XOR-OTP-RC4-PIX、XOR-OTP-RC4-MSB、XOR-OTP-CSTD-PIX、XOR-OTP-CSTD-MSB和XOR-Followers进行攻击实验。其中,对于XOR-OTP-RC4-MSB和XOR-Followers这两种较为简单的加密算法,基本上可以实现全部破解,二者在静态密钥和动态密钥情况下的破解率都达到了95%左右;对于简单的加密算法,如Arnold’s cat map和The chaos-based image encryption algorithm,可实现大部分的破解,两种算法在静态密钥加密下的破解率都达到了94%以上,而在“一次一密”的情况下,对Arnold’s cat map的破解率为67.56%,对The chaos-based image encryption algorithm的破解率为44.14%;对于中等难度的加密算法,如Baker’s map,只能实现部分破解,其在静态密钥下的破解率为95.76%,在“一次一密”的情况下的破解率只有20.04%;对安全性非常高的加密算法目前还不能破解,如Twodimensional logistic chaotic map。实验结果证明了基于pix2pix的攻击模型具有一定的有效性,初步地验证了深度学习有可能直接破解图像加密算法。(2)提出了一种基于全卷积神经网络的攻击模型Decrypt Net,该模型的实验结果消除了pix2pix攻击模型中所出现的“膨胀”现象,并提高了破解性能。其中,对Arnold’s cat map和The chaos-based image encryption algorithm这两个加密算法的破解率提升较为可观,在“一次一密”的情况下,对Arnold’s cat map的破解率提高了8.8个百分点,达到了76.42%,对The chaos-based image encryption algorithm的破解率则提高了11.7个百分点,达到了55.85%,而对Baker’s map、Baker-sub、XOR-OTPRC4-MSB、XOR-OTP-RC4-PIX、XOR-OTP-CSTD-PIX、XOR-OTP-CSTD-MSB和XOR-Followers的破解率也都有一定程度的提升,实验结果证明了Decrypt Net攻击模型对加密图像的破解比pix2pix攻击模型更具有效性。