윱

<논문 원본>

Survey on image encryption techniques using chaotic maps in spatial, transform and spariotemporal domains

<논문 요약>

Chaotic maps in encryption images

: 초기 조건에 민감하게 반응하여 복잡하고 예측 불가능한 행동을 보이는 결정론적인 수학적 함수

• 혼돈 이론은 암호화에 적용될 때, 복잡성과 예측 불가능성을 높이는 데 사용된다.
• 특히 이미지 암호화에서는 혼돈 시스템의 무작위성과 복잡성을 이용하여 강력한 암호화 알고리즘을 설계할 수 있다.
• 이러한 혼돈 기반 암호화 알고리즘은 보안성이 높고, 다양한 공격에 대한 저항력이 강하다는 장점이 있습니다.

• 입력 이미지 (Input Image): 암호화되기 전의 원본 이미지.
• 혼돈 기반 난수 생성 (Random sequences generated by chaotic map): 혼돈 함수를 사용해 무작위 시퀀스(랜덤 시퀀스)를 생성합니다. 이 시퀀스는 암호화 과정에서 중요한 역할을 합니다. 혼돈 함수 초기 조건에 매우 민감한 시스템을 말하며, 이로 인해 생성되는 시퀀스는 매우 예측 불가능하고 복잡합니다.
• 혼돈 (Confusion): 이 단계에서는 이미지의 픽셀 위치를 뒤섞어 원본 이미지와의 연관성을 낮춥니다. L라운드 동안 이 과정이 반복됩니다.
• 확산 (Diffusion): 혼돈 과정 이후, 확산 단계에서 이미지의 픽셀 값을 변경하여 암호화된 이미지와 원본 이미지 간의 관계를 더욱 복잡하게 만듭니다. 여기서도 혼돈 기반 난수 시퀀스가 사용됩니다.
• K라운드 반복: 혼돈과 확산의 두 과정이 K라운드 동안 반복되면서 점차적으로 이미지를 암호화합니다.
• 암호화된 이미지 (Cipher Image): 원본 이미지가 혼돈 이론을 이용한 암호화 과정을 통해 암호화되어, 알아볼 수 없는 형태의 암호 이미지가 생성됩니다.

혼돈 기반 암호화의 발전과 구조

• 최근 연구자들은 혼돈 시스템과 암호화 간의 밀접한 관계를 관찰하여 안전한 이미지 암호화 및 통신을 위한 혼돈 기반 암호 알고리즘을 설계하고 있다.
• 전통적인 암호는 텍스트에 적합하지만 유사한 이미지에서 반복 정보를 가지기 때문에 이미지 암호화에는 적합하지 않으며, 혼돈 기반 암호화 기법은 정보를 숨기는 랜덤 키를 생성하여 이 문제를 해결한다.
• 혼돈 시스템의 독특한 특성은 안전하고 효율적인 암호 시스템을 설계하는 데 매우 유용하다.

디지털 멀티미디어 암호화 기술의 중요성

• 일반적으로 많은 암호화 알고리즘은 텍스트 데이터를 보호하도록 설계되었기 때문에 실시간 이미지 암호화에 어려움을 겪는다.
• 반면, 혼돈 기반의 암호화 방법은 유연성, 높은 보안성 및 적은 계산 자원을 요구하여 전통적인 방법보다 장점이 있다.
• 따라서, 혼돈 암호화 기술은 낮은 수학적 복잡성과 더 나은 보안 덕분에 최근 더 많은 주목을 받고 있다.

영상 암호화 기술에 대한 최근 연구 조사

• 혼돈 기반 영상 암호화 기법은 공간 도메인, 시간 도메인 및 시공간 도메인으로 분류되며, 다양한 성능 지표를 기준으로 이론적 조사 및 분석이 이루어졌습니다.
• 최근 연구에 따르면, 전통적인 방법과 혼돈 기반 기술을 비교한 결과, 혼돈 기반 기법이 통계적 공격에 대한 저항력을 보이고, 높은 정보 엔트로피 값을 가지고 있습니다.
• 여러 암호화 기법과 스테가노그래피 기법이 데이터 무결성과 보안을 보장하기 위해 사용되었습니다.

이미지 암호화 기술에 대한 조사 및 분석

• 이미지 암호화 기술에 대한 최근 연구는 기밀 데이터에 대한 보안성을 제공하고 있으며, 이러한 기술들은 민감한 정보를 효과적으로 보호하는 것으로 나타났다.
• 기존의 암호화 방법은 원본 이미지를 삽입하고 암호화하여 수신자에게 전송하는 방식이지만, 전송 속도가 느린 한계를 가지고 있다.
• 혼돈 기반 암호화 기술이 대형 이미지의 암호화 및 복호화 과정에서 낮은 소모 시간으로 인해 더 안전하고 간단하다는 결론을 나왔다.
• 전통적인 암호화 방식이 보안 공격에 취약한 반면, DNA 기반 알고리즘은 비인가 접근에 대해 높은 저항성을 보였으며, 혼돈 이론과 DNA 기반 알고리즘의 통합은 매우 높은 보안 수준을 달성하고 전통적인 기술을 초월하였다.

이미지 암호화 기술의 평가 기준

• 이미지 암호화 기술의 효과는 차별 분석, 통계 분석, 정보 엔트로피, 키 민감도, 잡음 공격 등의 성능 지표를 사용하여 측정된다.
• 차별 분석(DA)은 일반 이미지의 픽셀에 작은 변화를 주었을 때 암호화된 이미지의 변화를 평가하기 위해 사용되며, 주요 기준으로는 픽셀 변화율(NPCR)과 통합 평균 변화 강도(UACI)가 있다.
• 통계 분석(SA)은 알고리즘의 암호화 강도를 검증하기 위해 상관 계수(CC)와 히스토그램 분석(HA)을 사용한다.
• 정보 엔트로피(IE)는 이미지의 무작위성을 나타내며, 좋은 암호화 알고리즘의 엔트로피 범위는 [0, 8]이다.
• 잡음 공격(NA)은 효율적인 이미지 암호화에 중요한 요소로, 사용자에 의한 불특정 한 잡음이 암호화된 이미지에 추가될 때 복구할 수 없게 만든다.

DNA 기반 이미지 암호화 기법의 발전

• 최근 DNA 기반 이미지 암호화 기술이 초저전력 소모, 정보 밀도, 그리고 대규모 병렬 처리로 인해 연구자들의 주목을 받고 있다.
• 이 기술은 전통적인 암호화 기법에 비해 뛰어난 장점을 가지고 있지만, 단독으로는 현대 암호화 알고리즘의 필요를 만족시키지 않는다.
• 따라서 DNA 기반 암호화 알고리즘은 더 안전한 이미지 암호화 방법을 달성하기 위해 혼돈 기반 이미지 암호화와 결합되고 있으며, 다양한 연구에서 이론적 분석과 통계적 강인성을 조사하고 있다.
• 또한 혼돈 함수와 DNA 코딩을 결합한 안전한 이미지 암호화 기법이 제안되었고, 그 과정에서 RGB 색상 구성 요소의 섞기 및 난수 기반 확산 메커니즘이 활용된다.
• 마지막으로, 경량화된 이미지 암호화 기법이 제안되어 통계적 공격과 차등 공격에 강한 성능을 보인다.

세포 자동자 기반 이미지 암호화 기술

• 세포 자동자(CA)는 예측 불가능성, 동질성, 병렬성 및 소프트웨어 및 하드웨어 시스템에서의 쉬운 실행 특성 덕분에 이미지 암호화에 광범위하게 사용된다.
• 비균일 세포 자동자와 하이퍼 카오틱 함수에 기반한 프레임워크가 제안되어 제한된 역행 규칙 문제를 해결했으며, 이 기술은 픽셀 위치를 재배치하여 혼란을 생성하는 데 CA를 사용한다.
• 새로운 알고리즘에서는 SHA 256 해시 값을 사용하여 비밀 키와 초기 값을 생성하고, 동적 DNA 인코딩 방식을 도입하여 암호화를 수행한다.
• 다양한 연구에서 셀룰러 오토마타와 하이브리드 하이퍼 카오틱 시스템에 기반한 색상 이미지 암호화 기술이 개선되어 제안되었다.
• 최근 2D 하이브리드 카오틱 맵 이미지 암호화 기술이 안전한 이미지 전송을 위해 발표되었으며, 기존 알고리즘과 비교하여 향상된 성능을 보였다.

변환 영역에서의 이미지 암호화 기술

• 변환 기반 암호화는 광범위하게 이미지 암호화에 사용되며, 이미지 데이터는 정수 코사인 변환(DCT), 이산 웨이블릿 변환(DWT), 기하학 변환(GT) 및 푸리에 변환(FT)을 통해 공간 영역에서 주파수 영역으로 변경된다.
• Yao et al.은 색상 이미지를 회색으로 변환하는 암호화 방법을 도입하였고, Li et al.은 여러 이미지를 암호화하는 기술을 제안하며 다양한 실험으로 성능을 검증하였다.
• 2018년에 Ren et al.은 비대칭 이미지 암호화 기법을 제시하여 pixel scrambling과 random-mask를 사용하여 이미지를 스크램블하였다.
• Kumar et al.은 의료 이미지를 안전하게 보호하기 위해 로지스틱 배열을 사용하는 강력한 이미지 암호화 방법을 개발하였으며, 기존 암호화 기술의 한계를 극복하기 위한 여러 새로운 방법들이 소개되었다.
• 여러 연구들이 다양한 변환 기반 이미지 암호화 기술의 성능을 평가하기 위한 지표를 제시하였으며, 최근의 연구들은 강력한 키 감도와 뛰어난 내성을 목표로 하고 있다.

위치-시간 영역의 이미지 암호화 기술

• 최근 몇 년 간, 결합 맵 격자(CML) 기반의 위치-시간 혼돈 시스템이 안전한 통신에 있어 놀라운 특성을 보여 주며 연구자들의 주목을 받았다.
• 이 혼돈 시스템은 더 큰 매개변수 공간과 Ляпунов 지수의 스펙트럼, 그리고 의사-무작위 혼돈 시리즈를 갖는다.
• CML은 이미지 암호화 목적에 적합한 선택으로 간주되며, 혼돈 및 맞춤형 Globally Coupled Map Lattices에 기반한 색상 이미지 암호화 방식이 제안되었다.
• 제안된 방식은 네 가지 단계로 구성되어 RGB 이미지를 색상 분해 방법을 통해 세 가지 구성 요소로 분해하고, 원본 이미지와 같은 크기의 키 이미지를 생성하는 데 사용된다.
• 이미지는 네 개의 이미지(즉, 빨간 이미지, 초록 이미지, 파란 이미지 및 RGB 이미지)로 나뉘어 섞이게 되며, 마지막으로 혼동 작업을 수행하여 네 개 이미지 중 키 이미지를 선택한 후, 남은 세 이미지를 결합하여 암호 이미지가 생성된다.

[문제]

<논문 원본>

Adversarial examples for generative models - Jernej Kos, Ian Fischer, Dawn Song

<논문 요약>

VAE(Variational Auto Encoder)

• 오토인코더(Autoencoder)
  
  • 오토인코더는 데이터(예: 사진, 문서)를 압축하는 인코더와 다시 원래 데이터를 복원하는 디코더로 구성된 모델입니다.
  • 예를 들어, 복잡한 사진을 작은 크기의 중요한 정보로 압축했다가, 다시 원래 사진과 비슷하게 복원하는 것과 같습니다.
• VAE(Variational Auto Encoder)
  
  • VAE는 오토인코더의 변형된 버전으로, 단순히 데이터를 압축하는 것뿐 아니라, 새로운 데이터를 생성하는 능력을 가진다.
  • 예를 들어, 기존에 본 적 없는 새로운 사진을 만들 수 있다.

VAE 작동 방식

인코더(Encoder)

• 인코더는 입력 데이터를 받아 잠재 공간(latent space)이라는 저 차원 공간으로 변환한다.
• 이는 원래 데이터의 중요한 특징을 잡아낸 요약본 같은 것이다.

잠재 변수(Latent Variables)

• 잠재 공간은 데이터의 압축된 표현으로, VAE는 이 공간을 정규분포와 같은 특정 분포로 맞추려고 한다.
• 다양한 데이터가 이 공간 안에서 자연스럽게 퍼져있도록 하는 것이다.

디코더(Decoder)

• 디코더는 이 잠재 공간의 점들을 받아 원래 데이터와 유사한 새로운 데이터를 생성한다.
• 이는 압축된 정보를 다시 풀어 원래 데이터로 돌리는 과정이다.

관련 연구 및 배경

• 생성 모델의 취약점: 
  • 생성 모델은 다양한 출력을 생성할 수 있으며, 이러한 모델은 입력 데이터의 분포를 학습하고 그 분포에서 새로운 예제를 생성합니다.
  • 그러나 이러한 모델도 적대적 예제에 취약하다.
• 적대적 예제: 
  • 적대적 예제는 원래 데이터에 아주 작은 변화를 주어, 사람에게는 거의 동일하게 보이지만,
  • 인공지능 모델에게는 완전히 다른 것으로 인식되도록 만든 입력 데이터이다.
• 예를 들어, 고양이 사진에 인간이 거의 알아차릴 수 없는 잡음을 추가하면, 인공지능 모델이 이를 고양이가 아닌 개나 다른 동물로 잘못 인식하게 될 수 있습니다.

문제 정의

적대적 예제의 생성

• 생성 모델에 대한 적대적 예제는 공격자가 원하는 목표 출력 클래스를 생성하도록 목표 출력 클래스를 생성하도록 입력을 조작하는 것이다.
• 이를 통해 공격자는 원본 이미지의 재구성된 이미지 사이의 차이를 최적화하여 원하는 재구성을 얻을 수 있습니다.

공격 방법론

• 분류 기반 공격: 공격자가 학습된 인코더에 분류기를 추가하여 간접적으로 잠재 표현을 조작하는 방법이다.
• VAE 손실 함수 사용: VAE 손실 함수를 직접 사용하여 적대적 예제를 생성한다.
• 잠재 표현 차이 최적화: 표준 손실이나 분류기를 사용하는 대신, 원본과 목표 잠재 표현 사이의 차이를 직접 최적화하는 방법이다.

Experiment

• 결과 요약: 다양한 데이터셋(MNIST, SVHN, CelebA)에 대해 세 가지 공격 방법을 테스트한 결과, 잠재 표현 차이 최적화가 가장 좋은 성능을 보였고, 분류 기반 공격이 가장 성능이 낮았습니다.
• VAE와 VAE-GAN 생성 모델이 적대적 예제에 취약하다는 것을 보여주었고 이는 현재의 신경망 구조가 일반적으로 적대적 예제에 취약함을 시사합니다.