文摘

同步两个神经网络之间通过相互学习可以用来设计神经密钥交换协议。关键的问题是如何评估没有权向量的同步。所有现有的方法在评价同步延迟,从而影响神经的安全密钥交换。评估神经网络的同步更及时和准确,提出一种改进的方法来评价同步。首先,两个网络的频率相同的输出在前面的步骤是用来评估的程度差不多。其次,哈希函数是用来判断两个网络取得了完整的同步精确程度超过给定的阈值。改进后的方法可以找到完整的同步两个网络之间没有信息权向量的散列值。与其他方法相比,完全由两个通信伙伴同步可以早发现,采用本文提出的方法。因此,几何的成功的概率降低。因此,该方法可以提高神经交换协议的安全性。

1。介绍

这是至关重要的,以确保信息和通信安全的网络社会。有很多技巧可以达到目的。最常用的是对称加密和非对称加密。非对称加密的效率低于对称加密的效率。因此,非对称加密算法是用来构造一个密钥交换协议,并获得与对称加密密钥用于加密和解密算法。然而,密钥交换的算法主要是基于数论,这需要大量的计算和内存。因此,有一个新颖的方法来获取神经网络的对称密钥,叫做神经密钥交换。通过相互学习两个神经网络可以实现同步。他们的共同输入向量和发送输出自己的彼此。同步之后,相当于两个网络的初始权值可以使用对称密钥,可用于加密和解密在以后的会议。

神经密钥交换的关键问题之一是如何评估的程度的同步两个神经网络虽然没有对方的权重信息。方法计算权重向量的余弦值和权重向量的欧氏距离不能用在实践中,因为没有关于对方的权重向量的信息。Deolecki et al。1]提出了一种方法来评价同步的程度通过计算等效输出的频率在固定前学习同步过程的步骤。然而,有一个延迟找到完整的两个网络之间的同步方法,这意味着两个网络仍然继续学习当他们取得了完全同步。主动攻击者将显示额外的信息从额外的学习步骤。刘(2)提出了一个方法来评估神经网络的同步使用哈希函数。他们的方法可以找到完整的精确同步。然而,他们的方法就会增加通信流量和降低效率。异常,如果过早使用哈希函数,将会有大量的通信流量。有必要找到的全部同步两个网络早期和完成学习。越早找到完整的同步,攻击者可以获得的信息也越来越少。

这个工作的动机是提高安全性和提高神经密钥交换协议的效率提高的方法评估两个神经网络之间的同步。在现有的同步评价方法,如哈希函数法和频率法,有一个大延迟的判断完全同步。由于大延迟,概率神经密钥交换协议被打破的几何攻击者增加。神经密钥交换协议的效率,也减少了很大的延迟。更重要的是,频率的方法也有误判的可能性。当发生错误时,两种通信伙伴需要再次执行神经密钥交换协议。因此,同步评价方法神经密钥交换中发挥着重要作用。在本文中,一种改进的方法来减少延迟和误判率。哈希函数的优点和方法基于神经网络的输出的总和。因此,本文的贡献如下:(1)它提出了一种改进的方法来评估神经网络的同步。改进后的方法可以找到完整的同步精确和及时的。改进后的方法可以减少延迟。(2)它提出了一个算法来搜索最优参数的改进的评价方法。二叉搜索也使用。由于最优参数,改进方法的误判率降低。延迟步骤的实验结果表明,该方法比其他方法低,误判率几乎为零。神经的安全密钥交换采用改进后的方法可以增强。

本文的其余部分组织如下。相关工作在部分2。神经密钥交换协议提出了部分3。本文提出的方法提出了部分4。并给出了该方法的结果与讨论第五节。结论中给出了第六节。

2。相关工作

神经网络已被广泛应用于密码学(3- - - - - -7]。进行了大量的工作。在本节中,神经密钥交换的发展和现状进行了综述如下。

首次提出基于神经网络的密钥交换协议(8),用简单参数来实现的。作者分析了协议的安全性与天真的攻击者。加速神经网络的同步,作者还提出了bit-packages技术和广义的协议。克里莫夫et al。9]分析了协议提出了[8),解释了为什么权重的两个通信伙伴可以实现完全同步。他们的研究结果表明,天真的攻击者不能达到完全同步的两个通信伙伴即使相同的结构网络,输入,使用和学习规则。然后,他们提出了三种类型的攻击,这是遗传的攻击,几何攻击,攻击的概率。三种类型的攻击可以打破协议用简单参数(8]。然而,神经密钥交换协议的安全性取决于神经网络的结构参数。因此,增加了遗传参数可以抵御攻击,几何攻击和攻击概率。Shacham et al。10]提出了一种战略合作,配合基因攻击,几何攻击,和概率攻击,攻击者的成功概率不受深度影响突触。

拉特et al。11]比较分析基因之间的攻击,几何攻击,和大多数攻击。仿真结果表明,神经密钥交换协议是一个安全与增加突触的深度。此外,他们提出了一个方法,查询是用来代替随机常见的输入,可以改善神经密钥交换协议的安全性。Santhanalakshmi et al。12)应用遗传算法在神经网络的同步搜索最优权重的初始权重。这种方法可以加速同步减少学习时间和步骤。之后,作者分析了协议的性能提出了(12]。他们分析了遗传算法的参数和树平价机(13]。结果表明,安全可以提高通过增加的数量的隐藏层树平价机器。勒姆et al。14)提出了一个通过使用预共享密钥认证密钥交换协议作为学习的边界,称为神经密码学秘密边界(NSCB)协议。NCSB协议采用了动态学习速率和随机漫步学习规则。NCSB的优点是,它能提高神经密钥交换的安全性,而降低效率。Chourasia et al。15)提出了一种矢量化神经密钥交换协议。朋友等。16)提出了一种新的学习规则,可以加速同步和增加随机性的关键。盾和黄17)广义奇偶树机通过使用复杂的价值。埃德加et al。18)提出了一个方法来搜索最优结构树的平价机器,使神经密钥交换协议更加高效和安全。

Ruttor et al。19]采用余弦相似度评价程度的两个神经网络之间的同步。它可以判断完全同步正是通过使用Alice和Bob的权重。然而,爱丽丝和鲍勃没有对方的权重信息实践。欧氏距离方法需要重量不能用于实践。Doleci et al。1)显示两种通信伙伴的频率相同的输出可以用来评价同步。仿真结果表明,频率之间的关系方法,余弦相似性和欧几里得遥远的非常高。古普塔和德斯穆克20.)应用协议提出了(8)来加密和解密图像秘密共享。Sarkar [21应用生成的会话密钥同步的多层感知器无线通信。Shishniashvili et al。22)提出了一个技术的使用部分权向量而不是整个权向量作为会话密钥。两个神经网络之间的同步也可以用作错误和解在量子密钥分发协议(23]。Niemiec解释到(24)提出了一个新颖的方法,树平价机是用于纠正错误发生在传输过程中在量子密钥分发协议。参数变化对安全的影响和不同的学习规则对效率的影响进行了分析(25]。

这些计划前面介绍主要采取了以下四种方法来评价同步:余弦相似性,欧几里得距离,哈希函数和频率输出的双方是平等的。四种方法的优点和缺点是列在表中1。

我们从四个方面分析了方法:延迟,额外的流量,误判和实用性。指示器延迟意味着该方法不能在第一时间找到完整的同步。只有在真正的同步发生的许多步骤,同步确定,神经密钥交换完成。指标额外交通意味着通信流量增加了延迟。指标判断错误意味着神经密钥交换完成后,虽然没有实现真正的同步,不能交换的关键。指标实用性意味着在实践中是否可以使用的方法。余弦相似度法和欧氏距离法,没有延迟,没有错误,没有额外的流量。虽然他们有这么多的优点,其致命的缺点是,他们是不实际的。因为其他网络的权向量是不可用的。哈希函数法和频率法是实用。 But there is also delay and extra traffic when the two practical methods are used. The key issue of the hash function method is when to use the hash function. If the hash function is used too early, it will lead to inefficiency. If the hash function is used too late, it will reduce the security of neural key exchange. There is also misjudgment when using the frequency method.

总之,评价神经网络的同步是一个严重的问题影响神经的安全密钥交换。在这篇文章中,我们综合利用神经网络的输出和哈希函数。我们提出了一个同步评价方法,可以提高神经的安全密钥交换。

3所示。神经密钥交换协议

有两个通信伙伴叫爱丽丝和鲍勃在神经密钥交换协议。他们两人自己的一棵树平价机,是一种特殊的反馈神经网络(26]。这两个树平价机器可以通过相互学习实现完全同步。然后,树的相同的权重平价机器可以用作会话密钥加密/解密或种子生成一个密钥。神经密钥交换协议包含五个主要阶段,即初始化阶段,计算阶段,更新阶段、评估阶段,和完成阶段。神经的流程图如图密钥交换协议1,每个阶段的细节描述如下。

3.1。初始化阶段

Alice和Bob使用相同的参数初始化他们树上的平价机。然后,他们随机生成权重向量和初始化权重,分别。

3.2。计算阶段

爱丽丝和鲍勃接收常见的输入向量在每个学习步骤。他们计算奇偶树机的输出并将结果发送给对方。

3.3。更新阶段

在收到另一方的输出,他们比较两个输出是否相等。如果相等,Alice和Bob更新他们的权重根据特殊的学习规则,如Hebbian学习规则,anti-Hebbian学习规则和随机漫步学习规则。否则,它的计算阶段。

3.4。评估阶段

如果权重更新成功,Alice和Bob需要判断他们取得了完全同步。之间的同步程度评价算法使用Alice和Bob。如果完全实现同步,协议进入下一阶段。否则,它的计算阶段。

3.5。完成阶段

爱丽丝和鲍勃生成主要根据权重。他们完成神经密钥交换的过程。

4所示。该方法

在本节中,我们提出一种改进的方法来评估之间的同步两个神经网络和一个算法寻找最优参数的方法。改进方法和算法描述的阶段。每个阶段的算法。

4.1。改进的方法来评价同步

有四个方法可以评价同步,权向量的余弦,权向量的欧氏距离,相当于输出的频率,权向量的散列值。讨论了上述方法的不足部分1。并通过仿真分析了部分5。因此,重要的是要评估神经网络的同步更准确和及时的。一种改进的方法可以找到完整的同步首先提出。本文中使用的参数表中列出2。

改进的方法的主要思想是判断同步的程度大致通过计算频率,爱丽丝和鲍勃都等于输出。权重的散列值计算基于学位。然后,是否正是通过比较判断权重相等的散列值。因此,评估Alice和Bob之间同步的过程可以分为两个主要阶段,粗略的评估阶段和精确的评估阶段。评估算法的流程图如图2。每个阶段的细节描述如下。

以下4.4.1。粗略的评估阶段

爱丽丝和鲍勃没有彼此的权向量的信息。唯一的信息输出交付在一个公共通道。然而,Alice和Bob的频率相同的输出可以用来评估的程度的同步。所示的计算算法的算法1。

该算法1接受 , ,和作为输入和输出频率 。的变量是一个自然数,应该设置一个合适的值。的变量是学习步骤。如果Alice和Bob有相同的输出^th步骤,然后 。如果Alice和Bob有不同的输出^th步骤,然后 。如果学习步骤小于 ,计算出的频率方程 。如果学习步骤大于 ,计算出的频率方程 。

然后,我们比较与阈值 。如果 ,评价的过程将终止并返回状态与 。 意味着Alice和Bob没有实现完全同步,并将继续相互学习。 意味着Alice和Bob充分同步和将停止同步的过程。如果 ,它将进入下一个阶段。

4.1.2。精确的评估阶段

只有同步的程度超过阈值时,它开始这一阶段。然后,爱丽丝和鲍勃评估他们是否取得了完全同步的帮助下哈希函数。在这里,我们以爱丽丝为例展示如何判断完全同步。鲍勃,另一方应执行相同的操作,爱丽丝。所示的评价算法的算法2。

该算法2接受 , , , 作为输入和输出同步状态 。的变量是一个阈值,应该充分的选择和设置。变量算法的输出是什么1。的变量这代表了爱丽丝的权向量。的变量是鲍勃的权向量的散列值。在算法的开始2爱丽丝,比较算法的输出1和阈值。如果 ,爱丽丝计算自己的权向量的散列值并比较其与鲍勃的权向量的散列值。如果 ,状态将返回 。否则,地位将返回 。如果 ,状态还会回来吗 。

而精确的评估阶段完成后,神经密钥交换协议获得同步的状态。然后,如果 ,这意味着Alice和Bob已经达到完全同步,神经密钥交换协议将结束。如果 ,这意味着Alice和Bob没有实现完全同步,神经密钥交换协议将继续,直到两个通信伙伴实现完全同步。

4.2。该算法寻找最优参数

最优必须满足两个条件。首先,没有误判。第二,迟迟未能找到完整的同步保持尽可能小。在后面的小节中,我们已经表明,延迟步骤找到完整的同步数量的增加线性增加的 ,和误判的数量减少的增量 。因此,最低这使得没有误判发生可以作为最优 。在这里,一个算法搜索最优提出了。该算法包含两个阶段:边界搜索阶段和二进制搜索阶段。每个阶段的细节描述如下。

4.2.1。准备边界搜索阶段

在一开始,我们让从25日开始。然后,如果判断失误对于给定的数量超过0,每次将增加50到数量= 0。算法的细节中可以看到3。它不接受输入和输出参数和 ,这将用于下一阶段。

4.2.2。二进制搜索阶段

然后,采用二进制搜索法选择最优 。算法的细节中可以看到4。它接受左和右的参数作为输入和输出最优 。算法的目的是找到最小值,使之间没有发生误判和很快。

5。结果与讨论

在本节中,我们分析的方法1)和方法(2通过仿真实验)。我们还分析了本文提出的方法的性能。提出的方法和其他方法之间的对比分析也。所有的算法都是在python中实现。本文中使用的代码环境显示如下:电脑是Sugon W560-G30。操作系统与64位Ubuntu 20.04 LTS。记忆是62.6直布罗陀海峡。中央处理器是英特尔®Xeon (R)上打主意(电子邮件保护)与4 GHz核心和32个线程。

5.1。最优参数

提出的方法的想法Dolecki et al。1)来计算频率,爱丽丝和鲍勃在之前有相同的输出步骤。在这里,我们表明,该错误将发生如果参数不是正确的选择。这是因为有一些概率情况下的所有输出之间是平等的爱丽丝和鲍勃在以前步骤,但爱丽丝和鲍勃没有实现完全同步。此外,越少更大的误判的数量。例如,当增加从25到225年,我们为不同的组合模拟10000个样本 , ,和 :3-101-1,3-101-1,3-101-1,3-101-4,3-101-5,3-101-6,3-101-7(图3)。对于每一个组合的 , ,和 ,错误的数量减少的增量 。而对于一个固定的 ,错误的数量增加的增量 。

我们还表明,提出的方法Dolecki et al。1)有一个延迟发现两个神经网络的同步。因此,如果当前步骤的实现完全同步,而两个通信伙伴有一个或多个输出,在以前是不同的步骤,频率要小于1。因此,学习Alice和Bob之间将会继续,直到之间没有不同的输出爱丽丝和鲍勃在以前步骤。例如,对于 , ,和 ,如果 ,使用余弦权重向量是558的步骤,而这些步骤使用频率是603。有45延迟步骤(图4(一))。如果 ,的步骤使用权重向量的余弦是397,而使用频率是496的步骤。有99个步骤延迟(图4 (b))。

我们使用权向量的余弦值在第一时间找到完整的同步并记录当前步骤。我们也记录的步骤当他们的方法法官完全同步。然后,我们比较两个步骤和计算延迟。我们五个不同的值 :25、75、125、175和225。我们设置几个不同的值 , ,和 :3-101-1,3-101-1,3-101-1,3-101-4,3-101-5,3-101-6,3-101-7。我们模拟10000个样本,计算每种情况下的平均延迟的步骤。在图5,当 , ,和的数量是固定的,平均延迟减少增量的步骤 。这是因为之前分析的误判。当 , ,和是固定的,一般步骤的数目增加线性增加的参数 。

因此,选择一个最优的评价同步的程度是很重要的。我们使用的算法部分3选择最优对于每一个组合的 , ,和 。结果如表所示3。

5.2。安全分析

延迟发现神经网络的同步可能会导致神经密钥交换的安全问题。和延迟步骤的数量越高,越不安全的神经键交换。也就是说,因为延迟的步骤可以提高攻击者的能力。在本节中,我们做了一个比较分析延迟步骤和安全的方法1,2),这篇论文。

的评估方法1)是使用哈希函数超过阈值,当学习步骤是固定的平均学习步骤 , ,和 。本文提出的方法是使用哈希函数当同步的粗糙程度超过阈值。度阈值方法计算出的平均程度的评估阶段,完整的同步发生。在表4这一步阈值和阈值程度得到平均10000模拟。

每个方法的延迟步骤比较表5。的参数固定3吗101年是固定的。相应的阈值用于模拟展示在表4。延迟的步骤模拟计算了平均10000。然而,延迟步骤的数量在所有三种方法增加的增量 。方法的延迟步数提出三种方法中是最小的(表5)。

然后,我们使用几何攻击测试神经密钥交换协议的安全性采用的评估方法1,2分别]和摘要。我们为每个方法执行10000年模拟。几何攻击的成功概率如表所示6。为每个方法,成功概率的增加减少 。当增加到4,概率很低。当超过4,几何攻击者不能打破神经密钥交换协议。的固定值 ,我们的方法的概率是最低的,而概率的方法1是最高的。例如,我们的方法的概率是25.52%低于方法(1)和4.66%低于方法(2]。

然而,差距我们方法和概率方法(1减少的增量 。同样的现象也发生在方法(2和我们的方法。这也是一致的结论9)的成功概率几何攻击减少成倍增长增加。主要原因是每个方法的平均延迟步骤的增长慢于平均学习步骤所需的两个神经网络实现完全同步。时的值从1到7增加了1在每个步骤中,相应的平均学习所需的步骤是42.87,141.97,301.94,517.77,791.12,1106.95,和1482.51,平均延迟步骤显示,早在表的吗5。平均学习步骤所需的两个神经网络实现完全同步上升指数增加(图6)。

在每个方法的平均延迟步骤仅能直线上升增加。以来的平均延迟比一般的学习步骤,步骤长得慢的比例平均延迟步骤平均学习步骤减少。例如,当的比例是1,平均延迟步骤的数量平均学习步骤(1,2),方法是78.54%,28.78%,和13.46%,分别。当是5,平均延迟步骤的数量的比例平均学习步骤(1,2),方法是38.17%、17.62%、5.36%,分别。延迟的影响神经密钥交换的安全措施是减少。在图6,我们的方法增加最慢的数量平均延迟的步骤。而平均延迟步骤(2)比,在我们快比[法和慢1]。这就是为什么我们方法的几何攻击成功的概率低于[1,2]。

6。结论

同步的评价是一个重要的神经密钥交换的一部分。发现完全同步的时机对安全产生重大影响。在本文中,一种改进的方法来评价同步两个神经网络提出了。频率的组合两个通信伙伴有相同的输出和所使用的散列函数。该算法寻找最优的关键参数。该方法已经在神经密钥交换协议的实现和测试。延迟的实验结果表明,使用本文的方法找到完整的同步小于方法(1,2]。使用该方法神经密钥交换协议是比他们更抗几何攻击。因此,神经密钥交换协议的安全性也可以使用该方法提高了。然而,仍然有一些延迟发现完全同步。在未来,两个主要方面需要进一步改进。一是进一步降低延迟。另一种是阻止长期同步和开始一个新的同步,这是一个短期同步有高概率。

数据可用性

仿真数据用于支持这项研究包含在本文中。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项工作得到了国家自然科学基金(批准号61572521)和创新团队的基础工程大学PAP (KYTD201805)。