Yapay Zekâ Destekli Kriptanaliz: Klasik Şifreler ve Mini-DES Üzerine Deneysel Bir İnceleme
Keywords:
Kriptanaliz, Derin Öğrenme, LSTM, Bilstm, MLP, Mini-DES, Beam SearchAbstract
Bu çalışmada yapay zekâ yöntemlerinin, anahtar bilgisi verilmeden şifreli metinden açık metin
veya anahtar çıkarımı amacıyla kullanılabilirliği incelenmiştir. Deneysel kapsam; XOR, kaydırmalı
(Shift), Affine ve iki turlu 10 bit anahtarlı basitleştirilmiş DES (Mini-DES/S-DES) şifrelerini
içermektedir. XOR deneyinde çok katmanlı algılayıcı, şifreli diziden sekiz bitlik anahtarın kestirilmesi ve
ardından açık metnin elde edilmesi için kullanılmıştır. Shift ve Affine deneylerinde 330.000'den fazla
İngilizce kelimeden oluşan sözlük tabanlı veri kümesi üzerinde çift yönlü uzun kısa süreli bellek ağı
eğitilmiş; karakter olasılıkları sözlük kısıtlı beam search ile yeniden sıralanmıştır. Mini-DES deneyinde
ise şifreli bit dizisini açık bit dizisine dönüştürmek amacıyla LSTM tabanlı kodlayıcı-kod çözücü
yaklaşımı uygulanmıştır. Bulgular, XOR modelinin yaklaşık %99 doğruluğa ulaştığını; Shift ve Affine
modellerinde ham karakter doğruluğunun %80'in üzerinde olduğunu göstermiştir. Sözlük kısıtlı beam
search, özellikle yedi ve daha uzun karakterli kelimelerde Shift için %95'in, Affine için %90'ın üzerinde
kelime düzeyi başarı sağlamıştır. Affine deneyinde seyrek harflerde yaklaşık %54'e düşen başarı, veri
dağılımının etkisini ortaya koymuştur. Mini-DES modelinde %88'in üzerinde bit düzeyi doğruluk elde
edilmiştir. Sonuçlar, öğrenme tabanlı modellerin düzenli ve daraltılmış şifreleme düzenlerinde örüntü
yakalayabildiğini; ancak yüksek doğruluğun gerçek dünyadaki güvenli şifrelerin kırıldığı anlamına
gelmediğini göstermektedir. Veri dağılımı, anahtar üretim biçimi, metin sözlüğü ve şifre tur sayısı
performansı doğrudan sınırlamaktadır.
Downloads
References
[1] National Institute of Standards and Technology, Data Encryption Standard (DES), FIPS PUB 46-3, Oct. 1999.
[2] S. Greydanus, “Learning the Enigma with recurrent neural networks,” arXiv:1708.07576, 2017.
[3] A. N. Gomez, S. Huang, I. Zhang, B. M. Li, M. Osama, and L. Kaiser, “Unsupervised cipher cracking using discrete GANs,” arXiv:1801.04883, 2018.
[4] S. Srivastava and A. Bhatia, “On the learning capabilities of recurrent neural networks: A cryptographic perspective,” in Proc. IEEE Int. Conf. Big Knowledge (ICBK), 2018, pp. 287–294.
[5] A. Gohr, “Improving attacks on round-reduced Speck32/64 using deep learning,” in Advances in Cryptology – CRYPTO 2019, LNCS 11693, 2019, pp. 150–179.
[6] M. Abadi and D. G. Andersen, “Learning to protect communications with adversarial neural cryptography,” arXiv:1610.06918, 2016.
[7] E. F. Schaefer, “A simplified data encryption standard algorithm,” Cryptologia, vol. 20, no. 1, pp. 77–84, 1996.
[8] S. Hochreiter and J. Schmidhuber, “Long short-term memory,” Neural Computation, vol. 9, no. 8, pp. 1735–1780, 1997.
[9] M. Schuster and K. K. Paliwal, “Bidirectional recurrent neural networks,” IEEE Trans. Signal Processing, vol. 45, no. 11, pp. 2673–2681, 1997.
[10] I. Sutskever, O. Vinyals, and Q. V. Le, “Sequence to sequence learning with neural networks,” in Advances in Neural Information Processing Systems 27, 2014, pp. 3104–3112.
[11] D. P. Kingma and J. Ba, “Adam: A method for stochastic optimization,” in Proc. Int. Conf. Learning Representations (ICLR), 2015.
[12] M. Abadi et al., “TensorFlow: A system for large-scale machine learning,” in Proc. 12th USENIX Symp. Operating Systems Design and Implementation, 2016, pp. 265–283.
[13] F. Pedregosa et al., “Scikit-learn: Machine learning in Python,” Journal of Machine Learning Research, vol. 12, pp. 2825–2830, 2011.
[14] A. Paszke et al., “PyTorch: An imperative style, high-performance deep learning library,” in Advances in Neural Information Processing Systems 32, 2019, pp. 8024–8035.
