Evaluating PQC KEMs, Combiners, and Cascade Encryption via Adaptive IND-CPA Testing Using Deep Learning

यहाँ शोध पत्र "Evaluating PQC KEMs, Combiners, and Cascade Encryption via Adaptive IND-CPA Testing Using Deep Learning" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

पोस्ट-क्वांटम क्रिप्टोग्राफी (PQC) की ओर संक्रमण के लिए हाइब्रिड एन्क्रिप्शन स्कीम्स का उपयोग आवश्यक है, जो माइग्रेशन अवधि के दौरान जोखिमों को कम करने के लिए शास्त्रीय एल्गोरिदम (जैसे RSA) को क्वांटम-प्रतिरोधी प्रिमिटिव्स (जैसे ML-KEM, BIKE, HQC) के साथ जोड़ते हैं। हालांकि इन कंस्ट्रक्शन्स के लिए सैद्धांतिक सुरक्षा प्रमाण मौजूद हैं, लेकिन वास्तविक दुनिया के कार्यान्वयन में उनकी सुरक्षा गुणों का अनुभवजन्य सत्यापन (empirical validation) करना चुनौतीपूर्ण बना हुआ है।

विशेष रूप से, Indistinguishability under Chosen-Plaintext Attack (IND-CPA) का सत्यापन करना महत्वपूर्ण है। IND-CPA यह सुनिश्चित करता है कि एक हमलावर दो अलग-अलग प्लेनटेक्स्ट के सिफरटेक्स्ट (ciphertexts) के बीच अंतर नहीं कर सकता है। पारंपरिक क्रिप्टोएनालिसिस अक्सर सैद्धांतिक या गणनात्मक रूप से गहन होता है। लेखक एक व्यावहारिक, डेटा-संचालित विधि की आवश्यकता को संबोधित करते हैं ताकि यह अनुभवजन्य रूप से परीक्षण किया जा सके कि क्या विशिष्ट PQC की एनकैप्सुलेशन मैकेनिज्म (KEMs), उनके हाइब्रिड संयोजन, और कैस्केड सिमेट्रिक एन्क्रिप्शन ऐसे शोषण योग्य पैटर्न लीक करते हैं जो IND-CPA सुरक्षा का उल्लंघन करते हैं।

2. कार्यप्रणाली (Methodology)

यह शोध पत्र एक फ्रेमवर्क प्रस्तावित करता है जो IND-CPA सुरक्षा खेल को डीप न्यूरल नेटवर्क्स (DNNs) का उपयोग करके एक बाइनरी क्लासिफिकेशन टास्क के रूप में मॉडल करता है।

A. मुख्य अवधारणा (Core Concept)

• खेल (The Game): लेखक एक IND-CPA गेम का अनुकरण करते हैं जहाँ एक चैलेंजर या तो एक निश्चित प्लेनटेक्स्ट (जैसे, सभी शून्य) या एक समान रूप से यादृच्छिक (uniformly random) प्लेनटेक्स्ट को एन्क्रिप्ट करता है।
• प्रतिद्वंद्वी (The Adversary): एक DNN प्रतिद्वंद्वी के रूप में कार्य करता है, जिसे सिफरटेक्स्ट को दो वर्गों में से एक में वर्गीकृत करने के लिए प्रशिक्षित किया जाता है (Fixed बनाम Random)।
• सुरक्षा मीट्रिक (Security Metric): यदि एन्क्रिप्शन स्कीम IND-CPA सुरक्षित है, तो DNN की सटीकता (accuracy) यादृच्छिक अनुमान (50%) से काफी अधिक नहीं होनी चाहिए। यदि DNN उच्च सटीकता प्राप्त करता है, तो यह एक भेद्यता (vulnerability) का संकेत देता है (एक पहचानने योग्य पैटर्न)।

B. प्रयोगात्मक सेटअप (Experimental Setup)

• परीक्षण किए गए एल्गोरिदम:
  • PQC KEMs: ML-KEM (Kyber), BIKE, और HQC (NIST उम्मीदवार)।
  • Hybrid KEMs: PQC KEMs का शास्त्रीय एसिमेट्रिक सिफर्स (RSA-OAEP, Plain RSA) और प्लेनटेक्स्ट के साथ संयोजन, एक प्रमाणित सुरक्षित कॉम्बाइनर संरचना का उपयोग करके: $k = F(k_1, c) \oplus F(k_2, c)$।
  • Cascade Symmetric Encryption: AES (CTR, CBC, ECB), ChaCha20, और DES का संयोजन।
• न्यूरल आर्किटेक्चर: दो नेटवर्क आकारों का परीक्षण किया गया (Small: 2 परतें, 100 नोड्स; Big: 4 परतें, 600 नोड्स)। इनपुट कच्चे सिफरटेक्स्ट बाइट्स (raw ciphertext bytes) थे।
• प्रशिक्षण (Training):
  • लॉस फंक्शन (Loss Function): बाइनरी क्रॉस-एन्ट्रॉपी (BCE)।
  • ऑप्टिमाइज़र (Optimizer): नेस्टरोव एक्सीलरेटेड ग्रेडिएंट (NAG) के साथ स्टोकेस्टिक ग्रेडिएंट डिसेंट (SGD)।
  • डेटा: प्रशिक्षण के लिए प्रति क्लास 500,000 नमूने, ओवरफिटिंग को रोकने के लिए कठोर सत्यापन और परीक्षण सेट के साथ।
• सांख्यिकीय सत्यापन (Statistical Validation): पिछले डीप लर्निंग क्रिप्टोएनालिसिस शोध पत्रों के विपरीत, यह कार्य परिणामों को यह निर्धारित करने के लिए कि क्या क्लासिफायर की सटीकता 50% से सांख्यिकीय रूप से भिन्न है, टू-साइडेड बाइनोमियल हाइपोथीसिस टेस्टिंग (महत्व स्तर $\alpha = 0.01$) का उपयोग करता है।

C. एल्गोरिथमिक विस्तार (Algorithographic Extensions)

• एल्गोरिदम 1 (Standard): मानक PKE स्कीम्स (जो KEMs का आधार हैं) और कैस्केड एन्क्रिप्शन के लिए उपयोग किया गया।
• एल्गोरिदम 2 (Hybrid): विशेष रूप से हाइब्रिड KEMs के लिए डिज़ाइन किया गया। DNN के लिए इनपुट दो घटकों के सिफरटेक्स्ट का संयोजन (concatenation) है। क्लासिफिकेशन कार्य यह अंतर करता है कि साझा गुप्त (shared secrets) समान हैं (जिससे एक विशिष्ट XOR संरचना बनती है) बनाम स्वतंत्र हैं।

3. मुख्य योगदान (Key Contributions)

1. PQC के लिए अनुभवजन्य IND-CPA परीक्षण: NIST-मानकीकृत PQC एल्गोरिदम (ML-KEM, BIKE, HQC) के अंतर्निहित PKE घटकों के लिए DNN-आधारित डिस्टिंग्विशर का पहला अनुप्रयोग।
2. नवीन हाइब्रिड KEM फ्रेमवर्क: प्रमाणित सुरक्षित कॉम्बिनर्स का उपयोग करके हाइब्रिड KEMs को परीक्षण करने के लिए DNN पद्धति का विस्तार, यह सत्यापित करना कि सुरक्षा बनी रहती है भले ही एक घटक असुरक्षित हो (जैसे, Plain RSA)।
3. कैस्केड एन्क्रिप्शन विश्लेषण: सिमेट्रिक कैस्केड एन्क्रिप्शन (जैसे, AES-CTR के बाद AES-CBC) के लिए फ्रेमवर्क का अनुप्रयोग, यह प्रदर्शित करना कि यह विधि एसिमेट्रिक क्रिप्टोग्राफी से परे सामान्यीकरण योग्य है।
4. कठोर सांख्यिकीय शुद्धता: परिणामों को मान्य करने के लिए औपचारिक हाइपोथीसिस टेस्टिंग (बाइनोमियल टेस्ट) का परिचय, जो केवल सटीकता मीट्रिक्स से आगे बढ़कर सांख्यिकीय महत्व सुनिश्चित करता है।

4. परिणाम (Results)

प्रयोगों ने सभी परीक्षण किए गए परिदृश्यों में सुसंगत परिणाम दिए:

• बेसलाइन सत्यापन (Baseline Validation): DNN ने Plain RSA (टेक्स्टबुक RSA) पर 100% सटीकता प्राप्त की, जिससे ज्ञात कमजोरियों का पता लगाने की मॉडल की क्षमता की पुष्टि हुई। इसके विपरीत, इसने RSA-OAEP पर ~50% सटीकता प्राप्त की, जो इसकी सुरक्षा की पुष्टि करती है।
• PQC KEMs: ML-KEM, BIKE, और HQC के लिए, DNN ने लगभग 50% के आसपास की सटीकता प्राप्त की (49.73% से 50.26% के बीच)।
  • सांख्यिकीय महत्व: किसी भी परिणाम ने $\alpha = 0.01$ पर नल हाइपोथीसिस ($H_0: \pi = 0.5$) को खारिज नहीं किया। यहाँ तक कि HQC में मामूली विचलन (छोटा नेटवर्क, p=0.02) भी बड़े नेटवर्क में महत्वपूर्ण नहीं था और यह एक व्यावहारिक ब्रेक नहीं था।
• Hybrid KEMs: सुरक्षित कॉम्बाइनर का उपयोग करके असुरक्षित घटकों (Plain RSA, Plaintext) के साथ PQC KEMs के संयोजन ने कोई भी पहचानने योग्य लाभ नहीं दिखाया। DNN पैटर्न सीखने में विफल रहा, और ~50% सटीकता बनाए रखी। यह अनुभवजन्य रूप से इस सैद्धांतिक गारंटी का समर्थन करता है कि एक सुरक्षित कॉम्बाइनर सुरक्षा को बनाए रखता है यदि कम से कम एक घटक सुरक्षित है।
• कैस्केड एन्क्रिप्शन: सभी परीक्षण किए गए सिमेट्रिक संयोजन (जिनमें AES-ECB या DES-ECB जैसे गैर-IND-CPA सिफर्स शामिल थे) ने यादृच्छिक अनुमान से अछूत सटीकता दिखाई, बशर्ते कम से कम एक घटक IND-CPA सुरक्षित हो।

5. महत्व और सीमाएँ (Significance and Limitations)

महत्व:

• व्यावहारिक सत्यापन: यह अध्ययन दर्शाता है कि डीप लर्निंग, औपचारिक गणितीय प्रमाणों के पूरक के रूप में, क्रिप्टोग्राफिक कार्यान्वयन और संयोजनों को अनुभवजन्य रूप से मान्य करने के लिए एक बहुमुखी, अनुकूलनीय उपकरण के रूप में कार्य कर सकती है।
• हाइब्रिड सुरक्षा की पुष्टि: यह डेटा-संचालित साक्ष्य प्रदान करता है कि हाइब्रिड निर्माण (PQC और शास्त्रीय क्रिप्टो को जोड़ना) प्रभावी रूप से जोखिमों को कम करते हैं, क्योंकि सुरक्षित कॉम्बाइनर का उपयोग करने पर DNN प्रतिद्वंद्वी कमजोर घटकों का फायदा नहीं उठा सका।
• पद्धतिगत प्रगति: सांख्यिकीय परीक्षण का उपयोग मशीन लर्निंग-आधारित क्रिप्टोएनालिसिस के लिए एक नया मानक स्थापित करता है, जो यादृच्छिक उतार-चढ़ाव से होने वाले 'फॉल्स पॉजिटिव' को रोकता है।

सीमाएँ:

• थ्रेट मॉडल गैप (Threat Model Gap): इस अध्ययन में DNN प्रतिद्वंद्वी के पास सार्वजनिक कुंजियों (public keys) या एन्क्रिप्शन ऑरेकल तक पहुंच नहीं है, जैसा कि एक पूर्ण IND-CPA प्रतिद्वंद्वी के पास होता है। जबकि मॉडल मौलिक संरचनात्मक कमजोरियों को पकड़ता है, यह उन हमलों को मिस कर सकता है जो ऑरेकल एक्सेस पर निर्भर करते हैं।
• दायरा (Scope): अध्ययन विशिष्ट NIST उम्मीदवारों और मानक कॉम्बिनर्स पर केंद्रित है; विभिन्न पैरामीटर सेट या गैर-मानक कार्यान्वयन के साथ परिणाम भिन्न हो सकते हैं।

निष्कर्ष:
शोध पत्र निष्कर्ष निकालता है कि परीक्षण किए गए PQC एल्गोरिदम, उनके हाइब्रिड संयोजन और कैस्केड सिमेट्रिक एन्क्रिप्शन, विचारित DNN प्रतिद्वंद्वी मॉडल के तहत मजबूत IND-CPA गुण प्रदर्शित करते हैं। डेटा में शोषण योग्य पैटर्न की कमी इन कंस्ट्रक्शन्स के सैद्धांतिक सुरक्षा गारंटियों का समर्थन करती है।