💻 computer science

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

본 논문은 합성곱 신경망(CNN)을 활용하여 입력값에 따라 적응적인 S-박스를 생성함으로써, 기존의 고정된 S-박스 방식에 비해 비선형성을 강화하고 다양한 암호 해독 공격에 대한 저항성을 높이는 동적 이미지 암호화 알고리즘을 제안한다.

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

게시일 2026-06-22

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

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

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

핵심 아이디어: 매번 형태가 바뀌는 스마트 자물쇠

당신에게 아주 귀중한 그림(이미지)이 있고, 이를 친구에게 보내야 한다고 상상해 보세요. 보통은 표준적인 자물쇠가 달린 금고 상자에 그림을 넣을 것입니다. 하지만 도둑이 그 자물쇠의 작동 방식을 알아낸다면, 자물쇠를 따낼 수 있습니다.

이 논문은 디지털 이미지를 위한 새로운 종류의 "금고 상자"를 제안합니다. 고정된 표준 자물쇠를 사용하는 대신, 저자들은 사용할 때마다 스스로 형태를 바꾸는 스마트 자물쇠를 만들었습니다. 그들은 이것을 "동적 S-Box(Dynamic S-Box)"라고 부릅니다.

이들이 어떻게 이 시스템을 구축했는지, 그리고 왜 효과적인지에 대한 설명입니다.

1. 기존 자물쇠의 문제점

전통적인 이미지 암호화는 여러 개의 자물쇠에 다 들어맞는 마스터 키를 사용하는 것과 같습니다. 이는 경직되어 있습니다. 만약 해커가 자물쇠를 연구한다면, 그 패턴을 파악하여 뚫어낼 수 있습니다. 논문에 따르면, 기존 방식들은 보호하려는 특정 이미지에 따라 변화하지 않기 때문에 너무 예측 가능합니다.

2. 해결책: "학습하는" 자물쇠 (CNN)

저자들은 **합성곱 신경망(CNN)**이라 불리는 일종의 인공지능을 사용했습니다. CNN을 수천 장의 사진을 공부한 매우 똑똑한 학생이라고 생각해보세요. CNN은 패턴, 질감, 세부 사항을 인식하는 법을 알고 있습니다.

작동 방식: 당신이 특정 이미지(예: 집 사진이나 개비비 사진)를 암호화하고 싶을 때, CNN은 그 특정 사진을 살펴봅니다.
마법 같은 점: CNN은 그 특정 사진에서 보이는 것을 바탕으로, 오직 그 이미지만을 위한 고유하고 맞춤화된 "자물쇠"(S-Box)를 즉석에서 설계합니다.
결과: 만약 집 사진을 암호화하면, 하나의 고유한 자물쇠가 만들어집니다. 만약 개비비 사진을 암호화하면, CNN은 완전히 다른 자물쇠를 만듭니다. 심지어 똑같은 집 사진이라도 구름이 움직이는 등의 아주 미세한 변화만 있어도, 자물쇠는 완전히 바뀝니다.

3. 암호화 과정: 3단계의 댄스

CNN이 이 맞춤형 자물쇠를 만들고 나면, 이미지는 데이터를 뒤섞기 위해 세 단계의 댄스를 거칩니다.

치환 (Substitution - 마스크): CNN의 맞춤형 자물쇠는 이미지의 모든 픽셀(점)을 새로운 무작위 값으로 교체합니다. 이는 비밀 메시지의 모든 글자를 그 메시지에만 존재하는 코드를 바탕으로 다른 글자로 바꾸는 것과 같습니다.
치환 (Permutation - 셔플): 그 다음 이미지를 섞습니다. 카드 한 덱을 가져와서 순서를 본 다음, "집" 픽셀이 더 이상 "지붕" 픽셀 옆에 있지 않도록 섞어버리는 것을 상상해 보세요. 이는 "카오스 맵(chaotic maps)"(수학적으로 소용돌이처럼 작동함)을 사용하여 섞는 과정이 완전히 무작위가 되도록 합니다.
확산 (Diffusion - 리플): 마지막으로, 이미지는 비밀 키 스트림과 혼합됩니다. 이는 이미지 전체로 퍼져나가는 정전기 노이즈 층을 추가하는 것과 같습니다. 원본 사진에서 단 하나의 작은 점만 바뀌더라도, 이 단계는 암호화된 전체 이미지가 완전히 다르게 보이도록 만듭니다.

4. 왜 더 좋은가? (테스트 결과)

저자들은 표준 이미지(개비비, 집, 비행기, 피망 등)를 사용하여 새로운 방식을 테스트했습니다. 결과는 다음과 같습니다.

예측 불가능성 (엔트로피): 암호화된 이미지는 순수한 정전기 노이즈처럼 보였습니다. 데이터가 너무 무작위적이어서 원래의 그림을 추측하는 것이 불가능했습니다. "무작위성 점수"는 거의 완벽했습니다 (8.0에 근접).
민감도 (NPCR & UACI): 원본 사진에서 단 하나의 픽셀만 바꾸어도, 암호화된 결과는 99% 이상 변했습니다. 이는 단어의 글자 하나를 바꿨을 뿐인데 문장 전체가 외계어로 변하는 것과 같습니다. 이는 해커가 비밀을 추측하기 매우 어렵게 만듭니다.
속도: 이 시스템은 똑똑하고 복잡함에도 불구하고 매우 빨랐습니다. 이미지를 암호화하고 복호화하는 데 50밀리초 미만이 걸렸습니다 (사람이 눈을 깜빡이는 것보다 빠릅니다).
회복력: 저자들은 이미지를 자르거나(크롭) 노이즈(정전기)를 추가하여 이미지를 "파괴"하려고 시도했습니다. 손상이 있음에도 불구하고 원본 이미지를 좋은 품질로 복구할 수 있었으며, 이는 시스템이 매우 견고함을 증명합니다.

5. 결론

이 논문은 모든 이미지에 대해 고유한 자물쇠를 설계하기 위해 "똑똑한 학생"(CNN)을 사용함으로써, 다음과 같은 암호화 시스템을 만들었다고 결론짓습니다.

기존의 고정된 방식보다 뚫기 어렵고,
많은 복잡한 대안들보다 빠르며,
이미지를 보호함에 따라 더 똑똑해지는 적응성을 갖추고 있습니다.

요약하자면, 그들은 이미지 암호화를 "모두에게 똑같이 적용되는" 자물쇠에서, 사용할 때마다 규칙이 바뀌는 "맞춤 제작된 형상 변형" 금고로 바꾸어 놓았습니다.

기술 요약: 합성곱 신경망 및 동적 S-Box 생성을 기반으로 한 이미지 암호화 알고리즘

문제 정의
전통적인 이미지 암호화 알고리즘은 높은 데이터 볼륨, 강한 공간적 상관관계, 데이터 클러스터링과 같은 이미지 데이터의 고유한 특성으로 인해 어려움을 겪는 경우가 많다. AES와 같은 기존의 대칭 키 알고리즘은 비선형성과 혼돈(confusion)을 도입하기 위해 고정된 치환 박스(S-box)에 의존한다. 그러나 이러한 고정된 S-box는 특정 입력 데이터에 대한 적응성이 부족하여 선형 및 차분 해독 공격에 취약하다. 최근 연구들이 카오스 시스템이나 메타휴리스틱 최적화를 사용하여 S-box의 적응성을 개선하려는 시도를 해왔으나, 많은 방식이 데이터 기반이 아니거나 수작업으로 설계되어 유연성과 정교한 공격에 대한 보안성이 제한적이다. 따라서 보안성이 높고 이미지 특화된 S-box를 생성할 수 있는 지능형 데이터 기반 시스템에 대한 필요성이 입증되었다.

방법론
제안된 프레임워크는 합성곱 신경망(CNN)을 고전적인 암호학적 원리와 결합한 동적 이미지 암호화 체계를 도입한다. 방법론은 다음의 다섯 가지 주요 단계로 진행된다:

데이터셋 준비 및 전처리: 그레이스케일 이미지 패치(예: USC-SIPI, MNIST 또는 CIFAR-10) 데이터셋을 $N \times N$ (예: $32 \times 32$ ) 크기로 조정하고 $[0, 1]$ 범위로 스케일링한다. 목표는 CNN을 훈련시키기 위한 통계적 및 공간적 패턴을 추출하는 것이다.
CNN 기반 S-Box 생성: CNN은 이상적인 치환 변환을 학습하도록 훈련된다.
- 구조: 네트워크는 이미지 복잡성을 추출하기 위해 ReLU 활성화 함수를 사용하는 합성곱 계층을 활용하며, 이어서 치환 값(16 또는 64개의 요소로 구성된 벡터)으로 매핑하는 완전 연결 계층을 사용한다.
- 출력 강제화: 커스텀 출력 계층은 생성된 벡터가 유효한 전단사(bijective) S-box(즉, $[0, 255]$ 범위 내의 서로 다른 값들의 순열)를 형성하도록 보장한다. 이는 중복된 값을 제거하고 CNN 가중치에 의해 구동되는 하이브리드 노이즈 주입 알고리즘을 사용하여 값을 재생성하는 과정을 포함한다.
- 손실 함수: 훈련에는 다목적 손실 함수 $Loss = -(\alpha \cdot \text{Nonlinearity} + \beta \cdot \text{SAC} + \gamma \cdot \text{BIC} + \delta \cdot \text{Uniformity})$ 가 사용된다. 이는 선형 해독 저항성, 엄격한 눈사태 기준(SAC), 비트 독립성 기준(BIC) 및 값의 균일성을 최적화한다.
S-Box 평가: 생성된 S-box는 암호학적 표준(비선형성, SAC, 차분 균일성, 비트 독립성)에 대해 엄격하게 테스트된다. 사전에 결정된 임계값을 초과하는 S-box만이 암호화에 선택된다.
암호화 과정: 제안된 방식은 일반적으로 3~5회의 라운드를 반복하는 수정된 치환-순열 네트워크(SPN) 구조를 활용한다:
- 치환(Substitution): 동적 CNN 생성 S-box를 사용하여 픽셀 값을 교체한다.
- 순열(Permutation): 비밀 키와 함께 반복 실행되는 카오스 맵(예: 로지스틱 또는 로렌츠 맵)에서 유도된 순열 벡터를 사용하여 픽셀 위치를 재배열한다.
- 확산(Diffusion): 두 번째 CNN 기반 S-box 또는 의사 난수 생성기(PRNG)로부터 생성된 키 스트림과 순열된 이미지를 픽셀 단위로 XOR 연산한다.
복호화: 역순열 벡터와 동적 S-box의 역함수를 사용하여 과정을 역전시킴으로써 원본 이미지를 손실 없이 복구한다.

주요 기여

적응형 S-Box 생성: 본 프레임워크는 특정 입력 이미지의 학습된 특징이 치환 패턴을 구동하는 동적 S-box를 생성한다. 이는 정적 방식에 비해 비선형성과 혼돈을 향상시킨다.
하이브리드 보안 아키텍처: 딥러닝과 카오스 비선형 시스템의 통합은 무작위성과 복잡성을 증가시켜 특히 차분 및 통계적 공격에 대한 저항력을 높인다.
성능 및 확장성: 알고리즘은 저중량 및 확장성을 갖도록 설계되었으며, 고해상도 이미지 데이터를 보호하면서 실시간 적용이 가능함을 입증한다.
포괄적 평가: 본 연구는 표준 벤치마크 이미지(Baboon, House, Airplane, Pepper)를 사용하여 알고리즘을 비판적으로 검토하고, 전통적 및 최신 암호화 알고리즘과 성능을 비교한다.

실험 결과
제안된 방법은 여러 암호학적 지표를 사용하여 표준 테스트 이미지에 대해 평가되었다:

엔트로피(Entropy): 값이 이상적인 최대치인 8.0에 근접하였다(7.9947 ~ 7.9980 범위). 이는 픽셀 분포가 매우 예측 불가능함을 나타낸다.
NPCR (픽셀 변화율): 결과가 99.5%를 초과하였다(예: Baboon의 경우 99.610%). 이는 미세한 입력 변화에 대한 높은 민감도와 강력한 차분 공격 저항성을 보여준다.
UACI (평균 변화 강도): 점수가 이상적인 33% 부근을 유지하였다(예: 33.42%). 이는 원본 이미지와 암호화된 이미지 간의 상당한 차이를 확인시켜 준다.
상관관계(Correlation): 인접 픽셀 간의 평균 상관 계수가 0에 가까웠다(예: 0.0058). 이는 평문의 자연적인 공간적 상관관계를 효과적으로 파괴했음을 의미한다.
히스토그램 균일성: 암호화된 이미지는 평탄하고 균일한 히스토그램을 보여 시각적 패턴을 제거하였다.
강건성(Robustness): 시스템은 크로핑(최대 20%) 및 노이즈 공격(가우시안 및 솔트 앤 페퍼)에 대한 탄력성을 보여주었으며, 수용 가능한 PSNR 및 SSIM 값을 유지하며 인식 가능한 특징을 보존하였다.
NIST 통계 테스트: 생성된 암호 키는 모든 주요 NIST 통계 테스트(빈도, 런, 직렬, 선형 복잡도 등)를 통과하였으며, p-값은 유의 수준인 0.01보다 컸다.
속도: 암호화 및 복호화 시간은 테스트된 이미지 크기에 대해 50밀리초 미만으로, 계산 효율성을 확인하였다.

의의 및 주장
본 논문은 제안된 CNN 기반 동적 S-box 접근 방식이 전통적인 고정 S-box 방식에 비해 성능, 복잡성 및 보안성 사이에서 우수한 균형을 제공한다고 주장한다. 치환 메커니즘을 데이터 기반 및 이미지 특화 방식으로 만듦으로써, 시스템은 알려진 평문 공격, 차분 공격 및 통계적 공격에 대한 저항력을 크게 높인다. 저자들은 이 방법이 이미지 암호화의 전통적인 트레이드오프 문제를 해결하여, 현대의 멀티미디어 및 통신 시스템에서 안전한 전송과 저장을 위한 견고하고 지능적인 솔루션을 제공한다고 단언한다. 본 연구는 딥러닝을 암호 구성 요소 설계에 통합하는 것이 더 신뢰할 수 있고 효율적인 이미지 암호화 시스템을 향한 유망한 경로임을 결론짓는다.