Graph Representation Learning of Lightweight IoT Ciphers
यह शोध पत्र एक नवीन ढांचे (framework) को प्रस्तुत करता है जो SIMON और SIMECK जैसे हल्के IoT सिफर्स में उच्च-संभाव्यता वाले डिफरेंशियल क्लस्टर्स को कुशलतापूर्वक पहचानने और विज़ुअलाइज़ करने के लिए मशीन लर्निंग-निर्देशित ग्राफ रिप्रजेंटेशन लर्निंग को लागू करता है, जिससे पूर्ण परिशुद्धता (perfect precision) प्राप्त होती है और K-निकटतम पड़ोसियों (K-Nearest Neighbors) के साथ मजबूत क्लस्टरिंग प्रदर्शन प्रदर्शित होता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
डिजिटल दुनिया में, हमारे उपकरणों की सुरक्षा अक्सर एन्क्रिप्शन एल्गोरिदम नामक गणितीय तालों पर निर्भर करती है। इंटरनेट ऑफ थिंग्स (IoT) के छोटे, बैटरी से चलने वाले गैजेट्स के विशाल नेटवर्क के लिए, इन तालों को बहुत हल्का होना चाहिए, ताकि वे काम करने के लिए बहुत कम ऊर्जा और मेमोरी का उपयोग करें। SIMON और SIMECK नामक दो ऐसे ताले विशेष रूप से इन छोटे उपकरणों के लिए डिज़ाइन किए गए हैं। वे डेटा को चरणों की एक श्रृंखला के माध्यम से बिखेरते हैं, जो एक जटिल शफल (shuffle) की तरह है। हालाँकि, जिस तरह एक भौतिक ताले में एक कमजोर बिंदु हो सकता है जिसका एक कुशल चोर फायदा उठा सकता है, ये डिजिटल ताले भी 'डिफरेंशियल क्रिप्टैनालिसिस' नामक एक विशिष्ट प्रकार के हमले के प्रति संवेदनशील हो सकते हैं। इस पद्धति में ताले में थोड़े अलग इनपुट दिए जाते हैं और आउटपुट में होने वाले बदलावों को देखा जाता है ताकि गुप्त कुंजी (secret key) को प्रकट करने वाले पैटर्न खोजे जा सकें। इन उपकरणों को सुरक्षित रखने के लिए, शोधकर्ताओं को लगातार इन एल्गोरिदम का परीक्षण करना चाहिए ताकि वे कमजोरी के सबसे मजबूत संभावित पैटर्न खोज सकें, जो कि एक ऐसा कार्य है जिसके लिए पारंपरिक रूप से डेटा की विशाल, अव्यवस्थित तालिकाओं को छानना पड़ता था।
ऑस्ट्रेलिया के चार्ल्स स्टर्ट यूनिवर्सिटी के शोधकर्ताओं की एक टीम ने इस समस्या के प्रति यह दृष्टिकोण अपनाया है कि डेटा को केवल संख्याओं की एक सूची के रूप में नहीं, बल्कि एक मानचित्र (map) के रूप में देखा जाए। उन्होंने डेटा बिंदुओं के बीच छिपे संबंधों को दृश्य रूप में प्रस्तुत करने का एक नया तरीका विकसित किया, जिससे डेटा के एक अराजक टेबल को एक संरचित ग्राफ में बदल दिया गया। इस मानचित्र में, प्रत्येक बिंदु डेटा के बदलने के एक विशिष्ट तरीके का प्रतिनिधित्व करता है, और उन्हें जोड़ने वाली रेखाएं यह दिखाती हैं कि एक परिवर्तन के दूसरे में बदलने की कितनी संभावना है। शोधकर्ताओं ने पहले प्रत्येक बिंदु में चार नई सूचनात्मक परतें जोड़कर कच्चे डेटा को व्यवस्थित किया, जैसे कि कितने बिट्स बदले और क्या परिवर्तन विशिष्ट तरीकों से मेल खाते थे। 'फीचर इंजीनियरिंग' के रूप में ज्ञात इस प्रक्रिया ने उन्हें उन संरचनात्मक विवरणों को देखने की अनुमति दी जो कच्चे नंबरों में अदृश्य थे।
इस समृद्ध डेटा के साथ, टीम ने यह देखने के लिए तीन अलग-अलग मशीन लर्निंग उपकरणों का परीक्षण किया कि कौन सा उपकरण मानचित्र को बेहतर ढंग से बना सकता है और सबसे खतरनाक कमजोरियों की खोज में मार्गदर्शन कर सकता है। पहला उपकरण, जिसे 'K-नेरेस्ट नेबर' (K-Nearest Neighbour) कहा जाता है, किसी भी दिए गए बिंदु के निकटतम पड़ोसियों को देखकर काम करता है। दूसरा और तीसरा उपकरण, 'डिसीजन ट्री' (Decision Trees) और 'रैंडम फॉरेस्ट' (Random Forests), डेटा को समूहों में वर्गीकृत करने के लिए हाँ-या-ना के निर्णयों की एक श्रृंखला बनाकर काम करते हैं। शोधकर्ताओं ने SIMON और SIMECK दोनों एल्गोरिदम के डेटा का उपयोग करके प्रत्येक उपकरण के लिए एक ग्राफ बनाया, और चित्र को स्पष्ट रखने के लिए प्रत्येक मानचित्र को पांच सौ बिंदुओं तक सीमित रखा। फिर उन्होंने देखा कि इन उपकरणों ने बिंदुओं को कैसे व्यवस्थित किया और एक यादृच्छिक शुरुआती बिंदु से सबसे स्थिर, उच्च-संभावना वाले परिणाम तक पहुँचने में उन्हें कितना समय लगा।
परिणामों ने एक आश्चर्यजनक दृश्य पैटर्न प्रकट किया जो इस संदर्भ में पहले कभी नहीं देखा गया था। जब K-नेरेस्ट नेबर टूल ने मानचित्र बनाया, तो सबसे खतरनाक, उच्च-संभावना वाली कमजोरियां बाकी डेटा से अलग, एक विशिष्ट ज्यामितीय समूह में एक साथ केंद्रित हुईं। इसने इस सिद्धांत की पुष्टि की कि इस प्रकार की कमजोरियां स्वाभाविक रूप से एक साथ समूह बनाती हैं, लेकिन पहली बार इसे एक ग्राफ पर एक स्पष्ट दृश्य क्लस्टर के रूप में दिखाया गया। अन्य दो उपकरणों, डिसीजन ट्री और रैंडम फॉरेस्ट ने डेटा को अलग तरह से व्यवस्थित किया, जिससे बिंदु अधिक समान रूप से फैल गए और एक सघन, गोलाकार संरचना बन गई। जबकि K-नेरेस्ट नेबर टूल काफी तेज़ था, जिसने अन्य उपकरणों के 11 सेकंड से अधिक के मुकाबले लगभग 2.3 सेकंड में अपना मानचित्र बनाया, इसने हजारों जोड़ने वाली रेखाओं के साथ बहुत अधिक भीड़भाड़ वाला मानचित्र बनाया। अन्य दो उपकरणों ने बहुत कम रेखाओं के साथ बहुत विरल (sparse) मानचित्र बनाए, जिससे डेटा के माध्यम से सीधा रास्ता खोजना आसान हो गया।
इन अंतरों के बावजूद कि मानचित्र कैसे दिखते थे और उन्हें बनाने में कितना समय लगा, तीनों उपकरण अपने सबसे महत्वपूर्ण काम में समान रूप से पूर्ण थे: उच्च-संभावना वाली कमजोरियों की पहचान करना। किसी भी मॉडल ने खतरनाक पैटर्न को चिह्नित करने में एक भी गलती नहीं की; जब भी उन्होंने किसी उच्च-जोखिम वाले क्षेत्र की ओर इशारा किया, तो वह सही था। यह शून्य-त्रुटि दर सुरक्षा के लिए अत्यंत महत्वपूर्ण है, क्योंकि इसका अर्थ है कि उपकरण विश्वसनीय रूप से उन सटीक स्थानों को उजागर कर सकते हैं जहाँ एक हमलावर प्रहार कर सकता है। अध्ययन ने यह भी दिखाया कि उपकरण एल्गोरिदम के विशिष्ट विवरणों के बजाय डेटा की अंतर्निहित संरचना के प्रति प्रतिक्रिया करते थे, क्योंकि उन्होंने SIMON और SIMECK दोनों के लिए लगभग समान परिणाम दिए।
शोधकर्ताओं ने पाया कि प्रत्येक उपकरण एक अलग प्रकार का लाभ प्रदान करता है। K-नेरेस्ट नेबर टूल खतरनाक क्लस्टरों को सुरक्षित डेटा से अलग करने में सर्वश्रेष्ठ था, जो जोखिमों के संकेंद्रण को जल्दी से पहचानने के लिए आदर्श है। डिसीजन ट्री और रैंडम फॉरेस्ट उपकरण, हालांकि धीमे थे, डेटा के माध्यम से अधिक प्रत्यक्ष और कुशल पथ बनाते थे, जो कमजोरी तक सबसे छोटा रास्ता खोजने के लिए उपयोगी हो सकता है। अंततः, यह कार्य प्रदर्शित करता है कि इन मानचित्रों को बनाने के लिए मशीन लर्निंग का उपयोग करने से एन्क्रिप्शन एल्गोरिदम में छिपी संरचनाओं को उजागर किया जा सकता है जिन्हें पारंपरिक विधियाँ चूक जाती हैं। डेटा को एक दृश्य परिदृश्य में बदलकर, शोधकर्ताओं ने हमारे जुड़े हुए संसार की सुरक्षा करने वाले हल्के तालों को समझने और परीक्षण करने का एक नया तरीका प्रदान किया है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।