Graph Representation Learning of Lightweight IoT Ciphers
تقدم هذه الورقة إطار عمل مبتكر يطبق تعلم تمثيل الرسوم البيانية الموجه بتعلم الآلة لتحديد وتصور مجموعات التباين عالية الاحتمالية بكفاءة في شفرات إنترنت الأشياء خفيفة الوزن مثل SIMON وSIMECK، محققةً دقة مثالية ومظهرةً أداء تجميع قوي باستخدام خوارزمية أقرب جيران.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
في العالم الرقمي، غالبًا ما يعتمد أمن أجهزتنا على أقفال رياضية تُعرف باسم خوارزميات التشفير. وبالنسبة للشبكة الواسعة من الأجهزة الصغيرة التي تعمل بالبطاريات والتي تشكل إنترنت الأشياء، يجب أن تكون هذه الأقفال خفيفة الوزن، بحيث تستهلك قدرًا ضئيلًا جدًا من الطاقة والذاكرة لتعمل. وهناك قفلان من هذا النوع، يُطلق عليهما اسم SIMON وSIMECK، صُمِّما خصيصًا لهذه الأجهزة المتناهية الصغر. يعمل هذان القفلان عن طريق بعثرة البيانات من خلال سلسلة من الخطوات، تمامًا مثل عملية خلط معقدة. ومع ذلك، تمامًا كما قد يمتلك القفل المادي نقطة ضعف يمكن للص الماهر استغلالها، فإن هذه الأقفال الرقمية قد تكون عرضة لنوع معين من الهجمات يسمى "التحليل التفاضلي". وتتضمن هذه الطريقة تغذية القفل بمدخلات مختلفة قليلاً ومراقبة كيفية تغير المخرجات للعثور على أنماط تكشف عن المفتاح السري. وللحفاظ على سلامة هذه الأجهزة، يجب على الباحثين اختبار هذه الخوارزميات باستمرار للعثور على أقوى الأنماط الضعيفة الممكنة، وهي مهمة كانت تتطلب تقليديًا فحص جداول هائلة وغير منظمة من البيانات.
لقد اقترب فريق من الباحثين من جامعة تشارلز ستورت في أستراليا من هذه المشكلة عبر التعامل مع البيانات ليس كقائمة من الأرقام، بل كخريطة. فقد طوروا طريقة جديدة لتصور العلاقات الخفية بين نقاط البيانات المختلفة، محولين جدولاً فوضوًا من نقاط الضعف المحتملة إلى رسم بياني مهيكل. في هذه الخريطة، تمثل كل نقطة طريقة معينة لتغير البيانات، وتوضح الخطوط التي تربط بينها مدى احتمالية أن يؤدي تغيير ما إلى تغيير آخر. قام الباحثون أولاً بتنقية البيانات الخام عن طريق إضافة أربع طبقات جديدة من المعلومات إلى كل نقطة، مثل حساب عدد البتات (bits) التي تغيرت والتحقق مما إذا كانت التغييرات متطابقة بطرق محددة. وقد سمحت هذه العملية، المعروفة باسم "هندسة الميزات"، برؤية تفاصيل هيكلية كانت غير مرئية سابقًا في الأرقام الخام.
ومع امتلاكهم هذه البيانات الغنية، اختبر الفريق ثلاث أدوات مختلفة من أدوات تعلم الآلة لمعرفة أي منها يمكنه رسم الخريطة بشكل أفضل وتوجيه البحث عن أخطر نقاط الضعف. الأداة الأولى، وتسمى "الجار الأقرب" (K-Nearest Neighbour)، تعمل من خلال النظر في الجيران الأقرب لأي نقطة معينة. أما الأداتان الثانية والثالثة، وهما "أشجار القرار" (Decision Trees) و"الغابات العشوائية" (Random Forests)، فتعملان من خلال إجراء سلسلة من القرارات بنعم أو لا لفرز البيانات إلى مجموعات. قام الباحثون ببناء رسم بياني لكل أداة باستخدام بيانات من خوارزميتي SIMON وSIMECK، مع تحديد كل خريطة بخمس مئة نقطة للحفاظ على وضوح الصورة. ثم راقبوا كيف قامت هذه الأدوات بترتيب النقاط ومدى سرعة قدرتها على إيجاد مسار من نقطة بداية عشوائية إلى النتيجة الأكثر استقرارًا والأعلى احتمالية.
كشفت النتائج عن نمط بصري مذهل لم يسبق رؤيته في هذا السياق من قبل. فعندما رسمت أداة "الجار الأقرب" الخريطة، تجمعت نقاط الضعف الأكثر خطورة وعالية الاحتمالية معًا بإحكام في مجموعة هندسية متميزة، منفصلة عن بقية البيانات. وقد أكد هذا نظرية مفادها أن هذه الأنواع المحددة من نقاط الضعف تتجمع طبيعيًا معًا، ولكن لأول مرة، ظهر ذلك ككتلة بصرية واضحة على الرسم البياني. أما الأداتان الأخريان، "أشجار القرار" و"الغابات العشوائية"، فقد رتبتا البيانات بشكل مختلف، حيث وزعتا النقاط بشكل أكثر توازنًا، مما خلق بنية أكثر كثافة ودائرية. وبينما كانت أداة "الجار الأقرب" أسرع بكثير، حيث بنت خريطتها في حوالي 2.3 ثانية مقارنة بأكثر من 11 ثانية للأدوات الأخرى، إلا أنها أنشأت خريطة أكثر ازدحامًا بآلاف الخطوط المتصلة. بينما أنشأت الأداتان الأخريان خرائط أكثر تباعدًا بخطوط أقل، مما يجعل من السهل تتبع مسار مباشر عبر البيانات.
وعلى الرغم من الاختلافات في كيفية ظهور الخرائط والوقت المستغرق لبنائها، فقد كانت الأدوات الثلاث متساوية تمامًا في أهم وظيفة لها: تحديد نقاط الضعف عالية الاحتمالية. لم ترتكب أي من النماذج خطأً واحدًا في تحديد نمط خطير؛ فكلما أشارت إلى منطقة عالية المخاطر، كانت مصيبة. وهذا المعدل الصفري من الأخطاء أمر بالغ الأهمية للأمن، لأنه يعني أن الأدوات يمكنها تحديد المواضع الدقيقة التي قد يضرب فيها المهاجم بشكل موثوق. كما أظهرت الدراسة أن الأدوات استجابت للهيكل الأساسي للبيانات بدلاً من التفاصيل المحددة للخوارزمية، حيث أنتجت نتائج متطابقة تقريبًا لكل من SIMON وSIMECK.
وجد الباحثون أن كل أداة تقدم نوعًا مختلفًا من المزايا. فقد كانت أداة "الجار الأقرب" هي الأفضل في فصل الكتل الخطيرة عن البيانات الآمنة، مما يجعلها مثالية لتحديد مكان تركيز المخاطر بسرعة. أما أدوات "أشجار القرار" و"الغابات العشوائية"، رغم كونها أبطأ، فقد أنشأت مسارات أكثر مباشرة وكفاءة عبر البيانات، وهو ما قد يكون مفيدًا للعثور على أقصر طريق نحو نقطة الضعف. في النهاية، يوضح هذا العمل أن استخدام تعلم الآلة لرسم هذه الخرائط يمكن أن يكشف عن هياكل خفية في خوارزميات التشفير قد تغفل عنها الطرق التقليدية. ومن خلال تحويل البيانات المجردة إلى مشهد بصري، قدم الباحثون طريقة جديدة لفهم واختبار أمن الأقفال خفيفة الوزن التي تحمي عالمنا المتصل.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.