💻 computer science

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

Dit artikel stelt een dynamisch beeldencryptie-algoritme voor dat gebruikmaakt van Convolutionele Neurale Netwerken om adaptieve, input-afhankelijke S-boxen te genereren, waardoor de niet-lineariteit en de weerstand tegen diverse cryptografische aanvallen wordt verbeterd in vergelijking met traditionele methoden met vaste S-boxen.

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

Gepubliceerd 2026-06-22

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

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

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

Het Grote Idee: Een Slim Slot dat Elke Keer Verandert

Stel je voor dat je een zeer waardevol schilderij (jouw afbeelding) hebt dat je naar een vriend wilt sturen. Normaal gesproken zou je het in een kluis met een standaard slot kunnen doen. Maar als een dief weet hoe dat slot werkt, kan hij het kraken.

Dit artikel stelt een nieuw soort "kluis" voor voor digitale afbeeldingen. In plaats van een standaard, onveranderlijk slot, hebben de auteurs een slim slot gebouwd dat elke keer dat je het gebruikt, van vorm verandert. Ze noemen dit een "Dynamische S-Box".

Zo hebben ze het gebouwd en waarom het werkt:

1. Het Probleem met Oude Sloten

Traditionele beeldencryptie is als het gebruik van een universele sleutel die op veel verschillende sloten past. Het is star. Als een hacker het slot bestudeert, kan hij het patroon ontdekken en het breken. Het artikel stelt dat deze oude methoden te voorspelbaar zijn omdat ze niet veranderen op basis van de specifieke afbeelding die ze beschermen.

2. De Oplossing: Een "Leerend" Slot (De CNN)

De auteurs gebruikten een type Kunstmatige Intelligentie genaamd een Convolutional Neural Network (CNN). Denk aan een CNN als een super slimme student die duizenden afbeeldingen heeft bestudeerd. De student weet hoe hij patronen, texturen en details moet herkennen.

Hoe het werkt: Wanneer je een specifieke afbeelding wilt versleutelen (zoals een foto van een huis of een baviaan), kijkt de CNN naar die specifieke foto.
De Magie: Op basis van wat de CNN ziet in die specifieke foto, ontwerpt de CNN direct een uniek, op maat gemaakt "slot" (de S-Box) dat alleen voor die afbeelding is.
Het Resultaat: Als je een foto van een huis versleutelt, krijg je één uniek slot. Als je een foto van een baviaan versleutelt, creëert de CNN een totaal ander slot. Zelfs als je dezelfde foto van een huis opnieuw versleutelt met een kleine verandering (zoals een bewegende wolk), verandert het slot volledig.

3. Het Versleutelingsproces: Een Dans met Drie Stappen

Zodra de CNN dit op maat gemaakte slot heeft gecreëerd, gaat de afbeelding door een driestapsdans om de afbeelding te verwarren:

Substitutie (Het Masker): Het op maat gemaakte slot van de CNN vervangt elke pixel (punt) in de afbeelding door een nieuwe, willekeurige waarde. Het is alsof je elke letter in een geheim bericht vervangt door een andere letter op basis van een code die alleen voor dat specifieke bericht bestaat.
Permutatie (De Schudding): De afbeelding wordt vervolgens gehusseld. Stel je voor dat je een kaartspel pakt, naar de volgorde kijkt, en ze dan door elkaar mengt zodat de "Huis"-pixel niet meer naast de "Dak"-pixel ligt. Dit gebeurt met behulp van "chaotische kaarten" (wiskunde die werkt als een windvlaag) om ervoor te zorgen dat het schudden totaal willekeurig is.
Diffusie (De Rimpeling): Ten slotte wordt de afbeelding gemengt met een geheime sleutelstroom. Dit is als het toevoegen van een laag statische ruis die zich over de hele afbeelding verspreidt. Als je slechts één klein puntje in de originele foto verandert, zorgt deze stap ervoor dat de gehele verwarde afbeelding er totaal anders uitziet.

4. Waarom is dit Beter? (De Testresultaten)

De auteurs hebben hun nieuwe methode getest op standaard afbeeldingen (zoals een baviaan, een huis, een vliegtuig en een peper). Dit is wat ze vonden:

Onvoorspelbaarheid (Entropie): De verwarde afbeeldingen zagen eruit als pure statische ruis. De gegevens waren zo willekeurig dat het onmogelijk was om de originele afbeelding te raden. De "willekeurscore" was bijna perfect (bijna 8.0).
Gevoeligheid (NPCR & UACI): Als ze slechts één pixel in de originele foto veranderden, veranderde het verwarde resultaat met meer dan 99%. Het is alsof je één letter in een woord verandert en de hele zin in wartaal verandert. Dit maakt het voor hackers erg moeilijk om het geheim te raden.
Snelheid: Ondanks dat het systeem slim en complex is, was het snel. Het kon afbeeldingen versleutelen en ontsleutelen in minder dan 50 milliseconden (sneller dan een menselijke knipoog).
Veerkracht: Ze probeerden de afbeeldingen te "breken" door ze bij te snijden (delen weg te halen) of ruis (statische ruis) toe te voegen. Zelfs met schade kon de originele afbeelding nog steeds met goede kwaliteit worden hersteld, wat bewijst dat het systeem robuust is.

5. Het Eindoordeel

Het artikel concludeert dat door een "slimme student" (de CNN) te gebruiken om een uniek slot voor elke afbeelding te ontwerpen, zij een versleutelingssysteem hebben gecreëerd dat:

Moeilijker te kraken is dan oude, vaste methoden.
Sneller is dan veel complexe alternatieven.
Aanpasbaar is, wat betekent dat het slimmer wordt op basis van de afbeelding die het beschermt.

Kortom, ze hebben beeldversleuteling veranderend van een "one-size-fits-all" slot naar een "op maat gemaakte, vormveranderende" kluis die elke keer dat je hem gebruikt, de regels verandert.

Technische Samenvatting: Beeldversleutelingsalgoritme gebaseerd op Convolutionele Neurale Netwerken en Dynamische S-Box Generatie

Probleemstelling
Traditionele beeldversleutelingsalgoritmen hebben vaak moeite met de unieke kenmerken van beeldgegevens, zoals een hoog datavolume, sterke ruimtelijke correlatie en dataclustering. Conventionele symmetrische sleutelalgoritmen, zoals AES, vertrouwen op vaste substitutieboxen (S-boxes) om niet-lineariteit en verwarring (confusion) te introduceren. Deze vaste S-boxes missen echter de aanpasbaarheid aan specifieke invoergegevens, waardoor ze vatbaar zijn voor lineaire en differentiële cryptanalyse. Hoewel recente studies hebben geprobeerd de S-box aanpasbaarheid te verbeteren met behulp van chaotische systemen of metaheuristische optimalisaties, blijven veel hiervan niet-datagedreven of handmatig ontworpen, wat de flexibiliteit en beveiliging tegen geavanceerde aanvallen beperkt. Er is een aangetoonde behoefte aan intelligente, datagedreven systemen die in staat zijn om veilige, beeldspecifieke S-boxes te genereren.

Methodologie
Het voorgestelde framework introduceert een dynamisch beeldversleutelingsschema dat Convolutionele Neurale Netwerken (CNN's) integreert met klassieke cryptografische principes. De methodologie verloopt via vijf primaire fasen:

Datasetvoorbereiding en Preprocessing: Een dataset van grijswaarden beeldpatches (bijv. uit USC-SIPI, MNIST of CIFAR-10) wordt op $N \times N$ (bijv. $32 \times 32$ ) geherformatteerd en geschaald naar het bereik $[0, 1]$ . Het doel is om statistische en ruimtelijke patronen te extraheren om de CNN te trainen.
CNN-gebaseerde S-Box Generatie: Een CNN wordt getraind om een ideale substitutietransform te leren.
- Architectuur: Het netwerk maakt gebruik van convolutionele lagen met ReLU-activatie om beeldcomplexiteit te extraheren, gevolgd door volledig verbonden (fully connected) lagen die naar substitutiewaarden mappen (vectoren van 16 of 64 elementen).
- Output Handhaving: Een aangepaste outputlaag zorgt ervoor dat de gegenereerde vector een geldige bijectieve S-box vormt (een permutatie van unieke waarden in $[0, 255]$ ). Dit omvat het verwijderen van gerepliceerde waarden en het opnieuw creëren ervan met behulp van een hybride ruisinjectie-algoritme dat wordt aangestuurd door de CNN-gewichten.
- Verliesfunctie: Training maakt gebruik van een multi-objective verliesfunctie: $Loss = -(\alpha \cdot \text{Nonlinearity} + \beta \cdot \text{SAC} + \gamma \cdot \text{BIC} + \delta \cdot \text{Uniformity})$ . Dit optimaliseert voor weerstand tegen lineaire cryptanalyse, het Strict Avalanche Criterion (SAC), de Bit Independence Criterion (BIC) en waarde-uniformiteit.
S-Box Evaluatie: Gegenereerde S-boxes worden rigoureus getest tegen cryptografische standaarden (Niet-lineariteit, SAC, Differentiële Uniformiteit, Bit Independence). Alleen degenen die vooraf bepaalde drempelwaarden overschrijden, worden geselecteerd voor versleuteling.
Versleutelingsproces: Het schema maakt gebruik van een gemodificeerde Substitution-Permutation Network (SPN) architectuur die over meerdere ronden wordt herhaald (typisch 3–5):
- Substitutie: Pixelwaarden worden vervangen met behulp van de dynamische, door de CNN gegenereerde S-box.
- Permutatie: Pixelposities worden geherordend met behulp van een permutatievector afgeleid van chaotische kaarten (bijv. Logistische of Lorenz-kaarten) die iteratief worden toegepast met een geheime sleutel.
- Diffusie: Een pixelwijze XOR-operatie wordt toegepast tussen het gepermuteerde beeld en een keystream gegenereerd door een tweede CNN-gebaseerde S-box of een Pseudo-Random Number Generator (PRNG).
Decryptie: Het proces wordt omgekeerd met behulp van de inverse permutatievector en de inverse van de dynamische S-box, wat zorgt voor een verliezingsvrije (lossless) herstel van het originele beeld.

Belangrijkste Bijdragen

Adaptieve S-Box Generatie: Het framework genereert dynamische S-boxes waarbij de geleerde kenmerken van het specifieke invoerbeeld de substitutiepatronen aansturen. Dit verhoogt de niet-lineariteit en verwarring vergeleken met statische methoden.
Hybride Beveiligingsarchitectuur: De integratie van deep learning met chaotische niet-lineaire systemen verhoogt de willekeur en complexiteit, specifiek gericht op weerstand tegen differentiële en statistische aanvallen.
Prestaties en Schaalbaarheid: Het algoritme is ontworpen voor een laag gewicht en schaalbaarheid, waarbij het in staat is tot real-time toepassingen terwijl het hoog-resolutie beeldgegevens beveiligt.
Uitgebreide Evaluatie: De studie biedt een kritische examen van het algoritme met behulp van standaard benchmark-beelden (Baboon, House, Airplane, Pepper) en vergelijkt de prestaties met traditionele en recente versleutelingsalgoritmen.

Experimentele Resultaten
De voorgestelde methode werd geëvalueerd op standaard testbeelden met behulp van verschillende cryptografische metrieken:

Entropie: Waarden benaderden de ideale maximum van 8.0 (variërend van 7.9947 tot 7.9980), wat duidt op zeer onvoorspelbare pixelverdelingen.
NPCR (Number of Pixels Change Rate): Resultaten overschreden 99,5% (bijv. 99,610% voor Baboon), wat een hoge gevoeligheid voor kleine wijzigingen in de input en sterke weerstand tegen differentiële aanvallen aantoont.
UACI (Unified Average Changing Intensity): Scores schommelden rond de ideale 33% (bijv. 33,42%), wat significante verschillen bevestigt tussen het originele en het versleutelde beeld.
Correlatie: Gemiddelde correlatiecoëfficiënten tussen naburige pixels waren bijna nul (bijv. 0,0058), waardoor de natuurlijke ruimtelijke correlaties van de plaintext effectief worden doorbroken.
Histogram Uniformiteit: Versleutelde beelden vertoonden vlakke, uniforme histogrammen, waardoor visuele patronen werden vernietigd.
Robuustheid: Het systeem demonstreerde veerkracht tegen cropping (tot 20%) en ruis-aanvallen (Gaussian en Salt-and-Pepper), waarbij herkenbare kenmerken werden behouden met acceptabele PSNR- en SSIM-waarden.
NIST Statistische Tests: De gegenereerde cryptografische sleutels slaagden voor alle belangrijke NIST statistische tests (Frequentie, Runs, Serial, Lineaire Complexiteit, etc.) met p-waarden groter dan het significantieniveau van 0,01.
Snelheid: Versleuteling en decryptie tijden waren onder de 50 milliseconden voor de geteste beeldgroottes, wat de computationele efficiëntie bevestigt.

Betekenis en Claims
Het artikel claimt dat de voorgestelde CNN-gebaseerde dynamische S-box benadering een superieur evenwicht biedt tussen prestaties, complexiteit en beveiliging vergeleken met traditionele vaste S-box methoden. Door het substitiemechanisme datagedreven en beeldspecifiek te maken, verhoogt het systeem aanzienlijk de weerstand tegen bekende-plaintext, differentiële en statistische aanvallen. De auteurs stellen dat deze methode traditionele trade-offs in beeldversleuteling oplost, door een robuuste, intelligente oplossing te bieden die geschikt is voor veilige transmissie en opslag in moderne multimedia- en communicatiesystemen. De studie concludeert dat de integratie van deep learning in het ontwerp van cryptografische componenten een levensvatbaar pad vormt naar meer betrouwbare en efficiënte beeldversleutelingssystemen.