딥러닝 기반 S-Box 설계정보 분석 방법 연구 (An Study on the Analysis of Design Criteria for S-Box Based on Deep Learning)

서지정보

· 발행기관 : 한국정보보호학회
· 수록지 정보 : 정보보호학회논문지 / 30권 / 3호 / 337 ~ 347페이지
· 저자명 : 김동훈, 김성겸, 홍득조, 성재철, 홍석희

초록

CRYPTO 2019에 발표된 Gohr의 연구결과는 딥러닝 기술이 암호분석에 활용될 수 있음을 보여주었다. 본 논문에서는 특정 구조를 가진 S-box를 딥러닝 기술이 식별할 수 있는지 실험한 결과를 제시한다. 이를 위해, 2가지 실험을 수행하였다. 첫 번째로는, 경량암호 설계에 주로 사용하는 Feistel 및 MISTY, SPN, multiplicative inverse 구조를 가진 S-box의 DDT 및 LAT로 학습 데이터를 구성하고 딥러닝 알고리즘으로 구조를 식별하는 실험을 수행하여 구조는 물론 라운드까지 식별할 수 있었다. 두 번째로는 Feistel 및 MISTY구조가 특정 라운드까지 의사난수성을 보이는지에 대한 실험을 통해 이론적으로 제시된 라운드 수 보다 많은 라운드 수에서 random 한함수와 구분할 수 있음을 확인하였다. 일반적으로, 군사용 등 고도의 기밀성 유지를 위해 사용되는 암호들은 공격이나 해독을 근본적으로 차단하기 위해 설계정보를 공개하지 않는 것이 원칙이다. 본 논문에서 제시된 방법은 딥러닝기술이 이처럼 공개되지 않은 설계정보를 분석하는 하나의 도구로 사용 가능하다는 것을 보여준다.

영어초록

In CRYPTO 2019, Gohr presents that Deep-learning can be used for cryptanalysis. In this paper, we verify whetherDeep-learning can identify the structures of S-box. To this end, we conducted two experiments. First, we use DDT andLAT of S-boxes as the learning data, whose structure is one of mainly used S-box structures including Feistel , MISTY, SPN and multiplicative inverse. Surprisingly, our Deep-learning algorithms can identify not only the structures butalso the number of used rounds. The second application verifies the pseudo-randomness of and structures by increasing thenuber of rounds in each structure. Our Deep-learning algorithms outperform the theoretical distinguisher in terms of thenumber of rounds. In general, the design rationale of ciphers used for high level of confidentiality, such as for militarypurposes, tends to be concealed in order to interfere cryptanalysis. The methods presented in this paper show thatDeep-learning can be utilized as a tool for analyzing such undisclosed design rationale.

참고자료

· 없음