💻 computer science

Color Image Encryption Based on Joint Parameter Optimization and Chaotic Key-Stream Reconstruction with Application to Medical Images

본 논문은 적응성, 통계적 견고성 및 평문 변화에 대한 민감도를 향상시키기 위해 개선된 식물 근계 성장 최적화(Plant Rhizome Growth Optimization) 프레임워크 내에서 카오스 수열 생성과 키 스트림 재구성 파라미터를 통합한 의료용 컬러 이미지 암호화 기법을 제안한다.

원저자: Dawei Wang, Wei Yu, Yajun Chen, Chenyang Li, Gaofeng Meng

게시일 2026-09-29

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Dawei Wang, Wei Yu, Yajun Chen, Chenyang Li, Gaofeng Meng

원본 논문은 CC BY 4.0 (https://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

디지털 시대에 이미지는 더 이상 단순한 사진이 아닙니다. 그것은 휴가 시절의 추억부터 중요한 의료 진단에 이르기까지 모든 것을 실어 나르는, 네트워크를 통해 이동하는 거대한 데이터의 흐름입니다. 단순한 텍ext 메시지와 달리, 컬러 이미지는 수백만 개의 작은 색상 점들로 구성되어 있으며, 이 점들은 결코 무작위적이지 않습니다. 예를 들어, 얼굴 사진의 경우 눈 주변의 픽셀들은 이웃한 픽셀들과 매우 유사하며, 이는 컴퓨터가 쉽게 읽을 수 있는 예측 가능한 패턴을 형성합니다. 이러한 예측 가능성은 약점이 됩니다. 만약 누군가 암호화되지 않은 이미지를 가로챈다면, 픽셀의 통계적 패턴을 관찰함으로써 그 안에 무엇이 들어있는지 종종 추측할 수 있습니다. 이러한 이미지를 보호하기 위해 과학자들은 데이터를 철저히 뒤섞어 결과물이 마치 무작위 노이즈처럼 보이게 만드는 과정인 암호화를 사용합니다. 가장 효과적인 현대적 방법들은 혼돈(chaos)에 의존하는데, 이는 시스템이 시작 규칙에 의해 완전히 결정되지만 관찰자에게는 완전히 예측 불가능해 보이는 방식으로 진화하는 개념입니다. 이러한 혼돈 시스템을 사용하여 픽셀 값을 섞고 변화시킴으로써, 연구자들은 원래의 이미지를 통계적 무작위성의 벽 뒤로 숨길 수 있습니다.

하지만 이러한 혼돈 시스템을 어떻게 조정하느냐에 있어서는 중대한 과제가 남아 있습니다. 기존의 많은 보안 방식에서는 혼돈의 숫자를 생성하는 설정이 이미지를 실제로 뒤섞는 단계와 별개로 선택됩니다. 이는 마치 열쇠를 만드는 사람과 자물쇠를 만드는 사람이 서로 대화하지 않는 것처럼, 열쇠 제작자와 자물쇠 제작자가 따로 존재하는 것과 같습니다. 이러한 분리는 혼돈의 숫자가 이미지가 뒤섞이는 구체적인 방식에 완벽하게 부합하지 않을 수 있기 때문에 보안상의 공백을 남길 수 있습니다. 산시 정상 대학교(Shanxi Normal University)의 연구팀은 혼돈의 숫자 생성과 이미지의 스크램블링(scrambling)을 하나의 통합된 과정으로 취급하는 새로운 암호화 프레임워크를 개발함으로써 이 단절 문제를 해결했습니다. 최적의 설정을 추측하는 대신, 그들은 보안을 극대화하기 위한 매개변수의 완벽한 조합을 자동으로 탐색하는 시스템을 개발했습니다.

연구진은 현재의 방식들이 종 often 혼돈 시스템을 고립된 상태에서 최적화하며, 그 설정이 픽셀 값을 재배열하고 확산시키는 후속 단계들과 어떻게 상호작용하는지는 무시한다는 점을 인정하며 시작했습니다. 이를 해결하기 위해, 그들은 복잡한 수학적 시스템의 내부 설정과 스크램블링 키를 재구성하는 데 사용되는 변수들을 연결하는 통합 제어 모델을 설계했습니다. 그런 다음, 식물의 뿌리가 토양을 탐색하며 자라는 방식에서 영감을 받은 특수한 탐색 알고리즘을 사용하여 최적의 설정을 찾아냈습니다. 더 효율적으로 개선된 이 알고리즘은 단순히 무작위 숫자를 선택하는 것이 아니라, 수천 가지의 서로 다른 매개변수 조합에 대해 전체 암호화 과정을 시뮬레이션합니다. 이 알고리즘은 결과로 나온 스크램블 이미지가 원래의 데이터를 얼마나 잘 숨기는지에 따라 각 시도를 평가하며, 픽셀 값이 완전히 무작위이고, 인접한 픽셀 간의 관계가 깨졌으며, 심지어 원래 이미지의 아주 미세한 변화가 스크램블된 결과에 거대한 변화를 일으키는 상태를 찾습니다.

알고리즘이 최적의 설정을 식별하자, 연구진은 이를 4차원 혼돈 시스템에 적용하여 숫자 스트림을 생성했습니다. 이 숫자들은 컬러 이미지에 두 가지 주요 동작을 수행하는 데 사용되었습니다. 첫째, 이미지는 셔플(shuffle)되었습니다. 빨강, 초록, 파랑 채널 전체에 걸쳐 픽س의 행과 열이 동시에 재배열되어 사진의 공간적 구조가 파괴되었습니다. 둘째, 픽셀 값은 확산(diffusion)이라고 불리는 과정을 통해 변경되었습니다. 이 단계에서 연구진은 채널들을 서로 결합함으로써 새로운 복잡성을 도입했습니다. 스크램블된 빨간색 채널이 초록색 채널에 영향을 주고, 초록색 채널이 파란색 채널에 영향을 주었습니다. 이는 이미지의 한 부분에 생긴 변화가 전체 그림에 파동처럼 퍼져나가 세 가지 색상 모두에 영향을 미치게 되었음을 의미합니다. 보안을 더욱 강화하기 위해, 연구진은 세그먼트를 재배열하고 이동시켜 확산에 사용되는 키 스트림을 재구성함으로써 변화의 패턴이 매우 불규리하고 예측하기 어렵도록 만들었습니다.

연구팀은 유명한 "레나(Lena)" 초상화를 비롯한 표준 테스트 이미지와 피부 병변 스캔을 포함한 실제 의료 영상을 대상으로 이 방법을 테스트했습니다. 결과는 암호화된 이미지가 균일한 정적(static)처럼 보였으며, 원래 콘텐츠의 흔적이 전혀 보이지 않았음을 보여주었습니다. 통계적 분석은 스크램블된 이미지가 높은 수준의 무작위성을 달래서 픽셀 값이 가능한 모든 명도에 걸쳐 고르게 분포되어 있음을 확인해주었습니다. 결정적으로, 이 방법은 키에 극도로 민감하다는 것을 입증했습니다. 즉, 복호화 중에 설정값이 아주 미세하게라도 바뀌면 결과는 완전히 알아볼 수 없는 이미지가 되었으며, 이는 이 시스템이 추측만으로는 해킹될 수 없음을 증명했습니다. 또한 연구진은 노이즈 등으로 인해 암호화된 이미지의 일부가 손실되거나 손상되었을 때의 회복력도 테스트했습니다. 그들은 이미지 품질이 심각한 손상으로 인해 저하되기는 하지만, 핵심적인 시각 정보는 여전히 복구될 수 있다는 것을 발견했으며, 이는 이 방법이 실제 전송 환경에서도 견고할 수 있음을 시사합니다.

아마도 가장 중요한 점은, 이 최적화된 접근 방식이 민감한 의료 데이터에도 효과적으로 작동한다는 것을 입증했다는 것입니다. 피부 질환의 더모스코피(dermoscopic) 이미지에 적용했을 때, 이 시스템은 올바른 키를 사용했을 때 원래 이미지를 완벽하게 복구할 수 있는 능력을 유지하면서도 진단 세부 사항을 성공적으로 숨겼습니다. 이는 통합 최적화 전략이 단순히 일반적인 사진뿐만 아니라 의료 영상에서 발견되는 복잡한 구조에도 적응할 수 있음을 나타냅니다. 연구진은 혼돈의 숫자 생성을 암호화 단계와 직접 연결함으로써 더 적응력이 높고 안전한 프레임워크를 구축했다고 결론지었습니다. 그들의 연구는 미래의 보안 시스템이 키 생성과 데이터 잠금 작업을 별개의 작업으로 다루는 것이 아니라, 시각 정보에 대한 최고 수준의 보호를 보장하기 위해 설정값이 끊임없이 조율되는 하나의 협력적인 노력으로 다루어야 함을 시사합니다.

기술 요약: 결합 파라미터 최적화 및 카오스 키 스트림 재구성에 기반한 컬러 이미지 암호화

문제 정의
디지털 이미지의 광범기적인 전송과 저장, 특히 의료 진단과 같은 민감한 영역에서의 활용은 데이터 프라이버시와 보안에 대한 우려를 높였습니다. 카오스 기반 이미지 암호화는 유망한 접근 방식이지만, 기존 방법들은 카오스 시스템 파라미터의 최적화와 후속 암호화 연산 사이의 단절 문제로 어려움을 겪는 경우가 많습니다. 구체적으로, 현재의 방식들은 카오스 초기 상태나 제어 파라미터를 독립적으로 최적화하는 경향이 있으며, 키 스트림 생성과 관련된 변수(예: 순열 인덱스 및 확산 스케줄링)를 하나의 통합된, 결합 최적화 시스템으로 다루는 경우는 드뭅니다. 이러한 분리는 카오스 역학과 암호화 과정 사이의 적응성을 제한하며, 결과적으로 공간 의존성 감소 및 차분 공격에 대한 저항성 측면에서 보안상의 공백을 남길 수 있습니다. 또한, 많은 기존 방식에서 나타나는 적색(Red), 녹색(Green), 청색(Blue) 채널 간의 상호작용 메커니ism은 여전히 불충분하여, 평문의 변화가 색상 성분 전체로 전파되는 것을 제한합니다.

방법론
본 논문은 **결합 파라미터 최적화(Joint Parameter Optimization)**와 **카오스 키 스트림 재구성(Chaotic Key-Stream Reconstruction)**을 통합한 보안 컬러 이미지 암호화 프레임워크를 제안합니다. 방법론은 두 가지 주요 단계로 구성됩니다.

개선된 식물 근계 성장 최적화(Improved Plant Rhizome Growth Optimization, IPRGO):
- 4차원 로렌츠(Lorenz) 카오스 시스템의 파라미터(초기 상태 $x_0, y_0, z_0, w_0$ 및 제어 파라미터 $r$ )와 섭동 레이어 변수(랜덤 시드, 이동량, 융합 모드, 세그먼트 스케일)를 결합한 통합 제어 벡터를 구축합니다.
- IPRGO 알고리즘을 사용하여 최적의 파라미터 조합을 탐색합니다. 이 알고리즘은 다음과 같은 기능을 도입하여 표준 식물 근계 성장 최적화(PRGO)를 개선합니다.
  - 적응형 성장 모드 확률(Adaptive Growth-Mode Probability): 최적화 진행 상황에 따라 "직근"(전역 탐색)과 "측근"(지역 정밀화) 연산자를 선택할 확률을 동적으로 조정합니다.
  - 정체 감지 기반 지역 재설정(Stagnation-Detection-Driven Local Reset): 탐색이 정체될 때 열등한 개체의 일부를 재초기화하여, 고품질의 해를 보존하면서도 새로운 탐색 방향을 도입합니다.
- 적합도 함수(Fitness function)는 정보 엔트로피, 인접 픽셀 상관관계, 픽셀 변화율(NPCR), 통합 평균 변화 강도(UACI)를 기준으로 후보군을 평가합니다.
최적화 가이드 암호화 프로세스:
- 카오스 시퀀스 생성: 최적화된 카오스 레이어 파라미터는 4차원 로렌츠 시스템을 초기화하여 순열 인덱스와 기본 확산 키 스트림에 사용될 시퀀스를 생성합니다.
- 키 스트림 재구성: 최적화된 섭동 레이어 파라미터는 세그먼트 재배열, 순환 이동(R 및 G 채널용), 채널 융합(B 채널용)을 포함하는 재구성 과정을 주도하여 최종 확산 키 스트림을 생성합니다.
- RGB 동기 순열: 카오스 시퀀스로부터 유도된 단일 쌍의 행-열 순열 인덱스를 세 가지 색상 채널에 동시에 적용하여 공간적 일관성을 보장합니다.
- 채널 결합 양방향 비선형 확산: R 채널의 암호문이 G 채널의 확산에 영향을 미치고, G 채널의 암호문이 B 채널의 확산에 영향을 미치는 점진적 확산 구조를 채택합니다. 이는 아발란체 효과(avalanche effect)를 강화하기 위해 순방향 및 역방향 스캐닝 방향 모두에서 수행됩니다.

주요 기여

통합 최적화 전략: 본 논문은 카오스 생성과 키 스트림 재구성 변수를 하나의 통합된 제어 벡터로 취급하는 결합 최적화 모델을 구축하여, 최적화 과정이 시퀀스 생성과 암호화 실행을 직접적으로 조절할 수 있도록 합니다.
카오스 키 스트림 재구성: 세그먼트 재배열, 순환 이동, 채널 융합을 포함하는 메커니즘을 설계하여 암호화 시퀀스 구축의 유연성과 무작위성을 향상시켰습니다.
RGB 동기 및 결합 확산: RGB 동기 순열 전략과 채널 결합 양방향 비선형 확산 구조를 도입하여 공간적 스크램블링과 채널 간 정보 상호작용을 개선했습니다.
강화된 최적화 알고리즘: 적응형 성장 조절 및 정체 기반 지역 업데이트 기능을 갖춘 IPRGO 알고리즘을 도입하여, 고차원의 결합된 파라미터 공간에서의 탐색 효율성과 능력을 향상시켰습니다.

실험 결과
제안된 방식은 표준 테스트 이미지(Lena, Peppers, House)와 의료 이미지(Melanoma, Nevus, Basal cell carcinoma)를 사용하여 평가되었습니다.

통계적 보안: 암호화된 이미지는 이론적 최대치인 8에 근접하는 정보 엔트로피 값(예: Lena의 경우 ~7.9994)을 보여 높은 무작위성을 입증했습니다. 인접 픽셀 상관계수는 거의 0에 가까운 수준(평균 절대값 ~0.00042)으로 감소하여 공간적 의존성을 효과적으로 깨뜨렸습니다.
차분 공격 저항성: 본 방식은 평문 변화에 대한 강력한 민감도를 보였으며, NPCR 값은 평균 ~99.609%, UACI 값은 평균 ~33.462%로 이론적 참조 값에 매우 근접했습니다.
키 민감도: 약간의 편차(예: $10^{-14}$ 편차)를 가진 키로 복호화했을 때 높은 평균 제곱 오차(MSE)와 낮은 최대 신호 대 잡음비(PSNR)가 나타나, 정확한 키 없이는 의미 있는 데이터를 복구할 수 없음을 확인했습니다.
강건성(Robustness): 본 방식은 솔트-앤-페퍼(salt-and-pepper) 노이즈와 블록 크로핑(block cropping)에 대한 내성을 보였으며, 중간 강도의 공격 하에서도 복호화된 이미지가 인식 가능한 콘텐츠를 유지했습니다.
비교 성능: 기존 알고리즘(예: Refs [33]–[38])과의 비교에서, 제안된 방법은 엔트로피, 상관관계, NPCR 및 UACI 지표 전반에서 우수하거나 경쟁력 있는 결과를 달anim했습니다.
의료 이미지 적용: 표준 이미지로부터 도출된 최적화된 파라미터는 재최적화 없이도 다양한 의료 이미지를 성공적으로 암호화 및 복호화하였으며, 안정적인 보안 지표(평균 엔트로피 ~7.9971)를 유지했습니다.

의의 및 주장
저자들은 본 프레임워크가 현재의 카오스 시스템에서 나타나는 파라미터 최적화와 암호화 연산의 분리 문제를 해결한다고 주장합니다. 카오스 생성과 키 스트림 재구성 변수를 모두 통합된 최적화 공간에 포함함으로써, 파라미터 선택과 암호화 실행 사이의 상호작용을 강화합니다. 결과에 따르면, 제안된 프레임워크는 안정적인 암호화 성능, 강력한 차분 및 통계적 공격 저항성, 그리고 신뢰할 수 있는 가역성을 제공함으로써 민감한 시각 데이터를 보호하는 데 효과적입니다. 본 논문은 이 방법이 의료 영상의 안전한 저장 및 전송을 위한 실행 가능한 솔루션임을 결론지으며, 향후 최적화 효율 개선 및 자원이 제한된 환경을 위한 경량 버전 개발을 향후 과제로 제시합니다.

유사한 논문