💻 computer science

Image Encryption Algorithm Based on Convolutional Neural Networks and Dynamic S-Box Generation

Cet article propose un algorithme de chiffrement d'image dynamique qui exploite des réseaux de neurones convolutifs pour générer des boîtes de substitution (S-boxes) adaptatives et dépendantes de l'entrée, améliorant ainsi la non-linéarité et la résistance contre diverses attaques cryptographiques par rapport aux méthodes traditionnelles à S-boxes fixes.

Auteurs originaux : Ans Ibrahim Mahameed, Fadhil Abbas Fadhil, Maryam Mahdi Alhusseini, Mohammad-Reza Feizi-Derakhshi, Nikolai Safiullin

Publié 2026-06-22

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Ans Ibrahim Mahameed, Fadhil Abbas Fadhil, Maryam Mahdi Alhusseini, Mohammad-Reza Feizi-Derakhshi, Nikolai Safiullin

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

L'idée principale : Un verrou intelligent qui change à chaque fois

Imaginez que vous ayez un tableau très précieux (votre image) que vous devez envoyer à un ami. D'habitude, vous pourriez le mettre dans un coffre-fort avec un verrou standard. Mais si un voleur sait comment ce verrou fonctionne, il peut le crocheter.

Cet article propose un nouveau type de « coffre-fort » pour les images numériques. Au lieu d'utiliser un verrou standard et immuable, les auteurs ont construit un verrou intelligent qui se remodèle de lui-même à chaque utilisation. Ils appellent cela un « S-Box Dynamique ».

Voici comment ils l'ont construit et pourquoi cela fonctionne :

1. Le problème des anciens verrous

Le chiffrement d'image traditionnel est comme utiliser une clé maîtresse qui s'adapte à de nombreuses serrures différentes. C'est rigide. Si un pirate étudie la serrure, il peut comprendre le motif et la briser. L'article explique que ces anciennes méthodes sont trop prévisibles car elles ne changent pas en fonction de l'image spécifique qu'elles protègent.

2. La solution : Un verrou qui « apprend » (Le CNN)

Les auteurs ont utilisé un type d'Intelligence Artificielle appelé Réseau de Neurones Convolutifs (CNN). Considérez un CNN comme un étudiant super intelligent qui a étudié des milliers d'images. Il sait reconnaître les motifs, les textures et les détails.

Comment ça marche : Lorsque vous voulez chiffrer une image spécifique (comme une photo d'une maison ou d'un babouin), le CNN examine cette image précise.
La Magie : En fonction de ce qu'il voit dans cette photo spécifique, le CNN conçoit instantanément un « verrou » unique et sur mesure (le S-Box) juste pour cette image.
Le Résultat : Si vous chiffrez une photo de maison, vous obtenez un verrou unique. Si vous chiffifiez une photo de babouin, le CNN crée un verrou complètement différent. Même si vous chiffrez la même maison une seconde fois avec un changement infime (comme un nuage qui bouge), le verrou change entièrement.

3. Le processus de chiffrement : Une danse en trois étapes

Une fois que le CNN a créé ce verrou personnalisé, l'image passe par une danse en trois étapes pour être brouillée :

Substitution (Le Masque) : Le verrou personnalisé du CNN remplace chaque pixel (point) de l'image par une nouvelle valeur aléatoire. C'est comme remplacer chaque lettre d'un message secret par une lettre différente, selon un code qui n'existe que pour ce message spécifique.
Permutation (Le Mélange) : L'image est ensuite mélangée. Imaginez prendre un jeu de cartes, regarder l'ordre, puis les mélanger de sorte que le pixel « Toit » ne soit plus à côté du pixel « Maison ». Cela est fait à l'aide de « cartes chaotiques » (des mathématiques qui agissent comme un tourbillon) pour garantir que le mélange est totalement aléatoire.
Diffusion (L'Onde) : Enfin, l'image est mélangée avec un flux de clés secrètes. C'est comme ajouter une couche de bruit statique qui se propage sur toute l'image. Si vous changez juste un minuscule point dans la photo originale, cette étape garantit que l'image brouillée entière paraîtra complètement différente.

4. Pourquoi est-ce meilleur ? (Les résultats des tests)

Les auteurs ont testé leur nouvelle méthode sur des images standards (comme un babouin, une maison, un avion et un poivron). Voici ce qu'ils ont trouvé :

Imprévisibilité (Entropie) : Les images brouillées ressemblaient à du pur bruit statique. Les données étaient si aléatoires qu'il était impossible de deviner l'image originale. Le « score de l'aléatoire » était presque parfait (proche de 8,0).
Sensibilité (NPCR & UACI) : S'ils changeaient un seul pixel dans la photo originale, le résultat brouillé changeait de plus de 99 %. C'est comme changer une seule lettre dans un mot et faire en sorte que toute la phrase devienne un charabia. Cela rend la tâche très difficile pour les pirates qui tentent de deviner le secret.
Vitesse : Malgré sa complexité et son intelligence, le système était rapide. Il pouvait chiffrer et déchiffrer des images en moins de 50 millisecondes (plus vite qu'un clin d'œil humain).
Résilience : Ils ont tenté de « casser » les images en les recadrant (en coupant des parties) ou en ajoutant du bruit (statique). Même avec ces dommages, l'image originale pouvait être récupérée avec une bonne qualité, prouvant que le système est robuste.

5. Le Verdict

L'article conclut qu'en utilisant un « étudiant intelligent » (le CNN) pour concevoir un verrou unique pour chaque image, ils ont créé un système de chiffrement qui est :

Plus difficile à craquer que les anciennes méthodes fixes.
Plus rapide que de nombreuses alternatives complexes.
Adaptable, ce qui signifie qu'il devient plus intelligent en fonction de l'image qu'il protège.

En bref, ils ont transformé le chiffrement d'image d'un verrou « taille unique » en un coffre-fort « sur mesure et changeant de forme » qui change ses règles à chaque utilisation.

Résumé Technique : Algorithme de Chiffrement d'Image Basé sur des Réseaux de Neurones Convolutifs et une Génération de S-Box Dynamique

Énoncé du Problème
Les algorithmes de chiffrement d'images traditionnels peinent souvent face aux caractiques uniques des données d'image, telles que le volume élevé de données, la forte corrélation spatiale et le regroupement de données. Les algorithmes de chiffrement symétrique conventionnels, comme l'AES, reposent sur des boîtes de substitution (S-boxes) fixes pour introduire la non-linéarité et la confusion. Cependant, ces S-boxes fixes manquent d'adaptabilité aux données d'entrée spécifiques, ce qui les rend vulnérables aux analyses cryptographiques linéaires et différentielles. Bien que des études récentes aient tenté d'améliorer l'adaptabilité des S-boxes à l'aide de systèmes chaotiques ou d'optimisations métaheuristiques, beaucoup restent non pilotées par les données ou conçues à la main, limitant ainsi leur flexibilité et leur sécurité contre les attaques sophistiquées. Il existe un besoin démontré pour des systèmes intelligents et pilotés par les données, capables de générer des S-boxes sécurisées et spécifiques aux images.

Méthodologie
Le cadre proposé introduit un schéma de chiffrement d'image dynamique qui intègre les réseaux de neurones convolutifs (CNN) avec les principes cryptographiques classiques. La méthodologie se déroule en cinq étapes principales :

Préparation et Prétraitement des Données : Un ensemble de données de patchs d'images en niveaux de gris (par exemple, USC-SIPI, MNIST ou CIFAR-10) est redimensionné en $N \times N$ (par exemple, $32 \times 32$ ) et mis à l'échelle dans l'intervalle $[0, 1]$ . L'objectif est d'extraire les motifs statistiques et spatiaux pour entraîner le CNN.
Génération de S-Box Basée sur le CNN : Un CNN est entraîné pour apprendre une transformée de substitution idéale.
- Architecture : Le réseau utilise des couches convolutives avec une activation ReLU pour extraire la complexité de l'image, suivies de couches entièrement connectées qui mappent vers des valeurs de substitution (vecteurs de 16 ou 64 éléments).
- Application de la Contrainte de Sortie : Une couche de sortie personnalisée garantit que le vecteur généré forme une S-box bijective valide (une permutation de valeurs distinctes dans $[0, 255]$ ). Cela implique d'écarter les valeurs dupliquées et de les recréer à l'aide d'un algorithme d'injection de bruit hybride piloté par les poids du CNN.
- Fonction de Perte : L'entraînement utilise une fonction de perte multi-objectifs : $Loss = -(\alpha \cdot \text{Non-linéarité} + \beta \cdot \text{SAC} + \gamma \cdot \text{BIC} + \delta \cdot \text{Uniformité})$ . Cela optimise la résistance à la cryptanalyse linéaire, au critère d'avalanche strict (SAC), au critère d'indépendance des bits (BIC) et à l'uniformité des valeurs.
Évaluation de la S-Box : Les S-boxes générées sont rigoureusement testées par rapport aux normes cryptographiques (Non-linéarité, SAC, Uniformité Différentielle, Indépendance des Bits). Seules celles dépassant des seuils prédéterminés sont sélectionnées pour le chiffrement.
Processus de Chiffrement : Le schéma utilise une architecture de réseau de substitution-permutation (SPN) modifiée, répétée sur plusieurs cycles (typiquement 3 à 5) :
- Substitution : Les valeurs des pixels sont remplacées en utilisant la S-box dynamique générée par le CNN.
- Permutation : Les positions des pixels sont réorganisées à l'aide d'un vecteur de permutation dérivé de cartes chaotiques (par exemple, les cartes Logistique ou Lorenz) itérées avec une clé secrète.
- Diffusion : Une opération XOR pixel par pixel est appliquée entre l'image permutée et un flux de clés généré par une seconde S-box basée sur le CNN ou un générateur de nombres pseudo-aléatoires (PRNG).
Déchiffrement : Le processus est inversé en utilisant le vecteur de permutation inverse et l'inverse de la S-box dynamique, assurant une récupération sans perte de l'image originale.

Contributions Clés

Génération de S-Box Adaptative : Le cadre génère des S-boxes dynamiques où les caractéristiques apprises de l'image d'entrée spécifique pilotent les motifs de substitution. Cela améliore la non-linéarité et la confusion par rapport aux méthodes statiques.
Architecture de Sécurité Hybride : L'intégration de l'apprentissage profond avec des systèmes chaotiques non linéaires augmente le caractère aléatoire et la complexité, ciblant spécifiquement la résistance aux attaques différentielles et statistiques.
Performance et Évolutivité : L'algorithme est conçu pour un poids faible et une grande évolutivité, démontrant la capacité d'application en temps réel tout en sécurisant des données d'images à haute résolution.
Évaluation Complète : L'étude fournit un examen critique de l'algorithme en utilisant des images de référence standards (Baboon, House, Airplane, Pepper) et compare ses performances avec les algorithmes de chiffrement traditionnels et récents.

Résultats Expérimentaux
La méthode proposée a été évaluée sur des images de test standards à l'aide de plusieurs métriques cryptographiques :

Entropie : Les valeurs se sont approchées de l'idéal maximum de 8,0 (allant de 7,9947 à 7,9980), indiquant des distributions de pixels hautement imprévisibles.
NPCR (Taux de Changement du Nombre de Pixels) : Les résultats ont dépassé 99,5 % (par exemple, 99,610 % pour Baboon), démontrant une haute sensibilité aux changements mineurs d'entrée et une forte résistance aux attaques différentielles.
UACI (Intensité de Changement Moyenne Unifiée) : Les scores ont oscillé autour de l'idéal de 33 % (par exemple, 33,42 %), confirmant des différences significatives entre les images originales et chiffrées.
Corrélation : Les coefficients de corrélation moyens entre les pixels voisins étaient proches de zéro (par exemple, 0,0058), brisant efficacement les corrélations spatiales naturelles du texte clair.
Uniformité de l'Histogramme : Les images chiffrées présentaient des histogrammes plats et uniformes, détruisant les motifs visuels.
Robustesse : Le système a démontré une résilience face au rognage (jusqu'à 20 %) et aux attaques de bruit (Gaussien et Sel et Poivre), maintenant des caractéristiques reconnaissables avec des valeurs PSNR et SSIM acceptables.
Tests Statistiques NIST : Les clés cryptographiques générées ont passé tous les tests statistiques majeurs du NIST (Fréquence, Runs, Série, Complexité Linéaire, etc.) avec des p-valeurs supérieures au seuil de signification de 0,01.
Vitesse : Les temps de chiffrement et de déchiffrement étaient inférieurs à 50 millisecondes pour les tailles d'images testées, confirmant l'efficacité computationnelle.

Signification et Revendications
L'article affirme que l'approche de S-box dynamique basée sur le CNN offre un équilibre supérieur entre performance, complexité et sécurité par rapport aux méthodes de S-box fixes traditionnelles. En rendant le mécanisme de substitution piloté par les données et spécifique à l'image, le système augmente considérablement la résistance aux attaques à texte clair connu, différentielles et statistiques. Les auteurs soutiennent que cette méthode résout les compromis traditionnels du chiffrement d'images, fournissant une solution robuste et intelligente adaptée à la transmission et au stockage sécurisés dans les systèmes de communication et multimédias modernes. L'étude conclut que l'intégration de l'apprentissage profond dans la conception des composants cryptographiques représente une voie viable vers des systèmes de chiffrement d'images plus fiables et plus efficaces.