Graph Representation Learning of Lightweight IoT Ciphers
Dit artikel introduceert een nieuw framework dat Machine Learning-gestuurde Graph Representation Learning toepast om efficiënt hoog-waarschijnlijke differentiële clusters te identificeren en te visualiseren in lichtgewicht IoT-cijfers zoals SIMON en SIMECK, waarbij een perfecte precisie wordt bereikt en een sterke clusteringprestatie wordt aangetoond met K-Nearest Neighbors.
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
In de digitale wereld rust de beveiliging van onze apparaten vaak op wiskundige sloten die bekend staan als encryptiealgoritmen. Voor het enorme netwerk van kleine, op batterijen werkende gadgets dat het Internet of Things vormt, moeten deze sloten lichtgewicht zijn en zeer weinig energie en geheugen verbruiken om te functioneren. Twee dergelijke sloten, genaamd SIMON en SIMECK, zijn specifiek ontworpen voor deze minuscule apparaten. Ze werken door gegevens te door elkaar te husselen via een reeks stappen, vergelijkbaar met een complexe schudbeurt. Echter, net zoals een fysiek slot een zwak punt kan hebben dat een bekwame inbreker kan uitbuiten, kunnen deze digitale sloten kwetsbaar zijn voor een specifiek type aanval genaamd differentiële cryptanalyse. Deze methode houdt in dat men de lock voert met licht verschillende inputs en observeert hoe de output verandert om patronen te vinden die de geheime sleutel onthullen. Om deze apparaten veilig te houden, moeten onderzoekers deze algoritmen constant testen om de sterkst mogelijke patronen van zwakte te vinden, een taak die traditioneel vereiste dat enorme, ongeorganiseerde tabellen met gegevens werden doorzocht.
Een team van onderzoekers van de Charles Sturt University in Australië heeft deze aanpak aangepakt door de gegevens niet als een lijst met getallen te behandelen, maar als een kaart. Ze ontwikkelden een nieuwe manier om de verborgen relaties tussen verschillende gegevenspunten te visualiseren, waarbij ze een chaotische tabel van potentiële zwakheden transformeerden naar een gestructureerde graaf. In deze kaart vertegenwoordigt elk punt een specifieke manier waarop de gegevens kunnen veranderen, en de lijnen die hen verbinden laten zien hoe waarschijnlijk het is dat één verandering tot een andere leidt. De onderzoekers hebben de ruwe gegevens eerst opgeschoond door vier nieuwe lagen informatie aan elk punt toe te voegen, zoals het tellen van hoeveel bits veranderden en het controleren of de veranderingen op specifieke manieren overeenkwamen. Dit proces, bekend als feature engineering, stelde hen in staat om structurele details te zien die voorheen onzichtbaar waren in de ruwe getallen.
Met deze verrijkte gegevens in handen, testte het team drie verschillende machine learning-tools om te zien welke het beste een kaart kon tekenen en een zoektocht naar de gevaarlijkste zwakheden kon begeleiden. De eerste tool, genaamd K-Nearest Neighbour, werkt door te kijken naar de dichtstbijzijnde buren van een gegeven punt. De tweede en derde tools, Decision Trees en Random Forests, werken door een reeks ja-of-nee-beslissingen te nemen om de gegevens in groepen te sorteren. De onderzoekers bouwden een graaf voor elke tool met gegevens van zowel de SIMON- als de SIMECK-algoritmen, waarbij elke kaart werd beperkt tot vijfhonderd punten om het beeld helder te houden. Ze observeerden vervolgens hoe deze tools de punten rangschikten en hoe snel ze een pad konden vinden van een willekeurig startpunt naar de meest stabiele, hoog-waarschijnlijke uitkomst.
De resultaten onthulden een opvallend visueel patroon dat nog nooit eerder in deze context was gezien. Wanneer de K-Nearest Neighbour-tool de kaart tekende, klonterden de gevaarlijkste, hoog-waarschijnlijke zwakheden nauw samen in een duidelijke geometrische groep, gescheiden van de rest van de gegevens. Dit bevestigde een theorie dat dit soort specifieke zwakheden van nature samenklonteren, maar voor het eerst werd dit getoond als een duidelijke visuele cluster op een graaf. De andere twee tools, Decision Trees en Random Forests, rangschikten de gegevens anders, waardoor de punten meer gelijkmatig werden verspreid en een dichtere, meer cirkelvormige structuur ontstond. Hoewel de K-Nearest Neighbour-tool aanzienlijk sneller was, waarbij de kaart in ongeveer 2,3 seconden werd gebouwd vergeleken met meer dan 11 seconden voor de anderen, creëerde het een veel drukkere kaart met duizenden verbindingslijnen. De andere twee tools creëerden veel minder dichte kaarten met minder lijnen, wat het makkelijker maakte om een direct pad door de gegevens te volgen.
Ondanks deze verschillen in hoe de kaarten eruit zagen en hoe lang het duurde om ze te bouwen, waren alle drie de tools even perfect in hun belangrijkste taak: het identificeren van de hoog-waarschijnlijke zwakheden. Geen van de modellen maakte een enkele fout bij het signaleren van een gevaarlijk patroon; telkens wanneer ze naar een hoog-risicogebied wezen, was dat correct. Deze foutenmarge van nul is cruciaal voor de beveiliging, aangezien het betekent dat de tools betrouwbaar de exacte plekken kunnen markeren waar een aanvaller zou kunnen toeslaan. De studie toonde ook aan dat de tools reageerden op de onderliggende structuur van de gegevens in plaats van op de specifieke details van het algoritme, aangezien ze bijna identieke resultaten produceerden voor zowel SIMON als SIMECK.
De onderzoekers ontdekten dat elke tool een ander soort voordeel bood. De K-Nearest Neighbour-tool was het beste in het scheiden van de gevaarlijke clusters van de veilige gegevens, waardoor het ideaal is om snel te spotten waar de risico's geconcentreerd zijn. De Decision Tree en Random Forest-tools waren, hoewel langzamer, beter in het creëren van directere en efficiëntere paden door de gegevens, wat nuttig kan zijn voor het vinden van de kortste route naar een zwakte. Uiteindelijk demonstreert dit werk dat het gebruik van machine learning om deze kaarten te tekenen verborgen structuren in encryptiealgoritmen kan onthullen die traditionele methoden missen. Door abstracte gegevens te transformeren naar een visueel landschap, hebben de onderzoekers een nieuwe manier geboden om de beveiliging van de lichtgewicht sloten die onze verbonden wereld beschermen, te begrijpen en te testen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.