⚡ electrical engineering

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

Dit artikel presenteert een methode om de IND-CPA-veiligheid van post-kwantum KEM's, hybride combinaties en cascade-versleuteling empirisch te valideren door ciphertexts te modelleren als een binaire classificatietask met diepe neurale netwerken, waarbij de experimenten bevestigen dat geen van de geteste algoritmen of combinaties kwetsbaarheden vertonen die afwijken van de theoretische veiligheidsgaranties.

Oorspronkelijke auteurs: Simon Calderon, Niklas Johansson, Onur Günlü

Gepubliceerd 2026-04-09

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Simon Calderon, Niklas Johansson, Onur Günlü

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

De Kern: Is je post echt onleesbaar?

Stel je voor dat je een briefje in een glazen busje doet. Als de busjes er allemaal precies hetzelfde uitzien, kan een spion (een hacker) niet zien welke brief bij wie hoort. Dat is het doel van moderne versleuteling: ononderscheidbaarheid. Als een hacker niet kan zeggen of een versleuteld bericht "A" of "B" is, is het veilig.

De auteurs van dit artikel (Simon, Niklas en Onur) willen weten of de nieuwe, toekomstbestendige versleuteling (die veilig is tegen quantumcomputers) dit doel ook echt haalt. Ze gebruiken hiervoor geen traditionele wiskundige berekeningen, maar kunstmatige intelligentie (AI).

De Vergelijking: De AI als "Gokker"

In plaats van te rekenen, laten ze een slimme computer (een Deep Neural Network) spelen als een gokker.

Het spel: De computer krijgt twee soorten versleutelde berichten.
1. Versleutelde berichten van willekeurige, zinneloze tekst.
2. Versleutelde berichten van een vaste, saaie tekst (bijvoorbeeld alleen maar nullen).
De opdracht: De computer moet raden welke categorie een bericht tot hoort.
De verwachting: Als de versleuteling perfect is, moet de computer net zo goed zijn als een muntje opgooien (50% kans op goed). Als de computer beter is dan 50%, betekent dat dat er een zwakke plek in de versleuteling zit die de computer heeft ontdekt.

Wat hebben ze getest?

Ze hebben drie soorten "testen" gedaan:

1. De Nieuwe Sleutels (PQC KEMs)

Ze testten de nieuwe standaarden die door het NIST (een Amerikaans instituut) zijn gekozen, zoals ML-KEM, BIKE en HQC.

De analogie: Stel je voor dat je drie nieuwe, supersterke sloten hebt. De AI probeert te raden of een gesloten kastje leeg is of vol zit, puur op basis van hoe het slot eruitziet.
Het resultaat: De AI kon het niet. Ze gokten net zo goed als een muntje. De sloten zijn veilig. (Alleen bij de oude, simpele RSA-versleuteling kon de AI het perfect raden, wat we al wisten: dat is verouderd).

2. De "Twee Sloten" Methode (Hybride Versleuteling)

Soms wil je extra zekerheid door twee verschillende sloten op één deur te doen. Als één slot breekt, is het andere nog steeds dicht. Dit noemen ze hybride encryptie.

De analogie: Je doet je brief in een envelop, en die envelop in een tweede, nog stevigere doos. De auteurs testten of deze combinatie veilig is, zelfs als één van de twee sloten (bijvoorbeeld een oude RSA-sleutel) zwak is.
Het resultaat: Zelfs als ze een zwak slot combineerden met een nieuw slot, kon de AI het verschil niet zien. De combinatie bleek veilig. Het is alsof je een zwak hangslot combineert met een betonnen muur; de muur maakt het geheel onbreekbaar voor de AI.

3. De "Twee Deuren" Methode (Cascade Encryptie)

Hierbij versleutel je een bericht twee keer achter elkaar met twee verschillende methoden.

De analogie: Je doet je brief in een kluisje, en dat kluisje in een tweede, grotere kluis.
Het resultaat: Ook hier kon de AI geen zwakke plek vinden. Zolang er maar één veilig slot in de keten zit, is de hele keten veilig.

De Conclusie in Eenvoudige Woorden

De auteurs zeggen: "Onze AI is een heel slimme spion, maar hij kon geen enkele fout vinden."

De nieuwe quantum-veilige versleuteling werkt zoals beloofd.
Het mixen van oude en nieuwe versleuteling (hybride) is een slimme en veilige strategie.
Het dubbel versleutelen (cascade) is ook veilig.

Waarom is dit belangrijk?

Vroeger moesten wiskundigen jarenlang rekenen om te bewijzen dat iets veilig is. Dit artikel laat zien dat je ook data-driven kunt werken: je kunt een AI trainen om te "snuffelen" naar fouten. Als de AI na duizenden pogingen nog steeds niet kan raden, is dat een sterk bewijs dat de versleuteling in de praktijk ook echt veilig is.

Het is alsof je een nieuw slot niet alleen op papier controleert, maar het ook duizenden keren laat proberen te kraken door de slimste inbreker die je kunt vinden. Als die inbreker faalt, kun je je huis veilig voelen.

Titel en Context

Het paper onderzoekt de effectiviteit van deep learning (DL) als een adaptieve, empirische methode om de IND-CPA (Indistinguishability under Chosen-Plaintext Attack) eigenschap te valideren voor post-kwantum cryptografie (PQC), hybride constructies en cascade-versleuteling. De auteurs, Simon Calderon, Niklas Johansson en Onur Günlü, stellen een raamwerk voor dat neurale netwerken gebruikt om te bepalen of ciphertexts onderscheidbaar zijn van willekeurige data, wat essentieel is voor cryptografische veiligheid.

Het Probleem

De overgang naar post-kwantum cryptografie (PQC) vereist nieuwe algoritmen die bestand zijn tegen quantumcomputers (bijv. via Shor's algoritme). NIST heeft recent algoritmen zoals ML-KEM (Kyber) gestandaardiseerd.

Uitdaging: Formele cryptanalytische bewijzen zijn complex en soms niet volledig toepasbaar op specifieke implementaties of hybride combinaties.
Hybride encryptie: Om risico's te spreiden, worden vaak hybride systemen gebruikt die klassieke en PQC-algoritmen combineren. Het is cruciaal om empirisch te verifiëren of deze combinaties de IND-CPA-eigenschap behouden, zelfs als één component zwak is.
Bestaande methoden: Traditionele statistische tests kunnen beperkt zijn in het detecteren van subtiele patronen in ciphertexts die door geavanceerde adversaries (zoals deep learning) kunnen worden uitgebuit.

Methodologie

De auteurs modelleren het IND-CPA-spel als een binair classificatieprobleem voor een Deep Neural Network (DNN).

Het IND-CPA Spel als Classificatie:
- Klasse 0: Ciphertexts gegenereerd door het versleutelen van een vast plaintext (bijv. allemaal nullen).
- Klasse 1: Ciphertexts gegenereerd door het versleutelen van willekeurige plaintexts.
- Doel: Het DNN wordt getraind om deze twee klassen te onderscheiden. Als het algoritme IND-CPA veilig is, zou de nauwkeurigheid van het netwerk niet significant boven 50% (willekeurig gissen) moeten liggen.
Architectuur en Training:
- Er worden twee netwerken getraind: een "klein" netwerk (2 lagen, 100 nodes) en een "groot" netwerk (4 lagen, 600 nodes).
- Verliesfunctie: Binary Cross-Entropy (BCE).
- Data: 500.000 samples per klasse voor training, 100.000 voor validatie en 100.000 voor testen.
- Statistische Validatie: Om te bepalen of een nauwkeurigheid boven 50% significant is, wordt een tweezijdige binomiale test gebruikt met een significantieniveau van $\alpha = 0.01$ .
Toepassingsgebieden:
- Standaard PQC KEMs: Toepassing op de onderliggende PKE-schema's van ML-KEM, BIKE en HQC.
- Hybride KEMs: Een nieuw raamwerk (Algorithm 2) voor het testen van combinaties waarbij een gedeeld geheim $k$ wordt gegenereerd via een combiner: $k = F(k_1, c) \oplus F(k_2, c)$ . Hierbij worden PQC KEMs gecombineerd met RSA (OAEP en ongevuld) en plaintext.
- Cascade Encryptie: Testen van symmetrische encryptieketens (bijv. AES-CBC gevolgd door ChaCha20) om te zien of de volgorde of de combinatie de veiligheid beïnvloedt.

Belangrijkste Bijdragen

Empirische Validatie van PQC: Het is de eerste studie die een DL-benadering toepast om de IND-CPA-eigenschap van de onderliggende PKE-componenten van gestandaardiseerde PQC-algoritmen (ML-KEM, HQC, BIKE) te testen.
Nieuwe Hybride Testmethode: Introductie van een specifieke DNN-architectuur om hybride KEMs te testen, waarbij het netwerk de structuur van gecombineerde ciphertexts analyseert om te zien of de combiner de ononderscheidbaarheid behoudt.
Generaliteit: Uitbreiding van de methode naar cascade encryptie, waarbij diverse AES-modi, ChaCha20 en DES worden getest.
Rigoureuze Statistiek: In tegenstelling tot eerdere DL-cryptanalyse studies, gebruiken de auteurs strikte hypothese-toetsing (binomiale test) om te voorkomen dat kleine fluctuaties in nauwkeurigheid ten onrechte als succes worden geïnterpreteerd.

Resultaten

De experimenten leverden de volgende bevindingen op:

Standaard PQC KEMs:
- ML-KEM, BIKE, HQC: De DNN's bereikten een nauwkeurigheid die statistisch niet significant verschilde van 50% (p-waarden > 0.01). Dit bevestigt dat deze algoritmen onder de geteste omstandigheden IND-CPA veilig zijn.
- HQC: Toonde een zeer kleine afwijking in het kleine netwerk (p=0.02), maar dit was niet significant in het grote netwerk en niet significant op het $\alpha=0.01$ niveau.
- Controles: Plain RSA (onversleuteld) werd met 100% nauwkeurigheid onderscheiden, wat bevestigt dat de methode wel degelijk zwaktes kan detecteren. RSA-OAEP bleek veilig (rond 50%).
Hybride KEMs:
- Combinaties van PQC KEMs met RSA-OAEP, Plain RSA of plaintext, verwerkt via de XOR-combiner, toonden geen significant onderscheidingsvermogen (alle p-waarden > 0.01, behalve marginale uitzonderingen die niet significant waren).
- Dit ondersteunt de theoretische stelling dat hybride systemen veilig zijn zolang ten minste één component veilig is, zelfs als de andere component (zoals Plain RSA) onveilig is.
Cascade Encryptie:
- Alle geteste combinaties van symmetrische ciphers (inclusief combinaties met onveilige ciphers zoals AES-ECB of DES-ECB) resulteerden in nauwkeurigheden rond de 50%.
- Dit suggereert dat cascade encryptie de IND-CPA-eigenschap niet degradeert, mits ten minste één component in de keten veilig is.

Betekenis en Conclusie

Het paper demonstreert dat deep learning een krachtig, adaptief en veelzijdig instrument kan zijn voor de empirische validatie van cryptografische implementaties en composities.

Praktische Toepassing: De methode biedt een aanvulling op formele bewijzen door potentiële zwaktes in specifieke implementaties of ongebruikelijke combinaties te detecteren voordat deze in de praktijk worden ingezet.
Beperkingen: De auteurs erkennen dat het DL-model beperkter is dan een volledig IND-CPA-adversary, omdat het geen toegang heeft tot een versleutelingsorakel of publieke sleutels in de testfase. Een succesvolle aanval door een DNN zou echter een sterk signaal zijn van onveiligheid.
Toekomst: De studie pleit voor verdere ontwikkeling van neurale classifiers die meer context (zoals toegang tot orakels) kunnen integreren om nog nauwkeurigere empirische tests uit te voeren.

Kortom, de studie bevestigt de robuustheid van de huidige PQC-kandidaten en hun hybride combinaties onder een adaptieve DL-aanval, en biedt een nieuwe, data-gedreven standaard voor het testen van cryptografische veiligheid.