Anais - Engenharia de Redes de Comunicação - UnB

car devem se encontrar antes e compartilhar a chave que será usada para criptografar
as mensagens através de um meio de comunicação seguro [Burnett e Paine 2001].
O principal problema com esse protocolo é a dificuldade na troca de chaves que
surge quando as partes estão em locais geograficamente distantes ou quando muitas
partes desejam se comunicar, situações em que ocorrem problemas de logística que
inviabilizam a troca [Burnett e Paine 2001].
No caso de terceiro confiável, cada parte possui uma chave diferente compartilhada
com uma terceira parte confiável (trusted third party, TTP), que armazena a
chave de todas as outras partes e tem acesso a todas as mensagens [Burnett e Paine
2001]. O principal problema com esse protocolo é que a confiabilidade da TTP é extremamente
crítica, e caso a TTP seja perdida ou comprometida de qualquer forma,
é necessário obter outra TTP e reiniciar o processo de geração de chaves para todas
as partes, o que pode ser muito custoso [Burnett e Paine 2001].
Criptografia neural utiliza os pesos de redes neurais sincronizadas como chaves
criptográficas [Kinzel e Kanter 2002]. O protocolo se baseia na propriedade de
sincronização de certas redes neurais e no fato de que a sincronização é muito mais
rápida que o aprendizado de uma terceira rede neural de um atacante que esteja
apenas monitorando a comunicação [Ruttor 2007].
3. Redes Neurais Artificiais
Redes neurais artificiais (RNAs) são sistemas paralelos distribuídos por unidades
de processamento simples (neurônios artificiais) que calculam determinadas funções
matemáticas [Braga et al. 2007].
O primeiro neurônio artificial, que foi proposto em 1943 por McCulloch e
Pitts, é um simplificação do neurônio biológico, que é dividido em corpo ou soma,
dendritos e axônio, conforme ilustrado na Figura 1.
Figura 1. Modelo de neurônio biológico com o corpo, os dendritos e o axônio com
seus terminais sinápticos. Fonte: próprio autor
O modelo de neurônio artificial foi composto de n terminais de entrada, recebendo
os valores x 1 , x 2 , . . . , x n , com pesos acoplados w 1 , w 2 , . . . , w n representando a
força das sinapses do neurônio, com o efeito da sinapse i então sendo dado por x i w i
no momento em que o neurônio atinge seu limiar de excitação, dado pela somatória
dos valores x i w i e por uma função de ativação f(u), com o disparo sendo dado pela
saída y nos valores 1 ou 0 [Braga et al. 2007] [Russell e Norvig 2010]. O modelo do
neurônio artificial é representado na Figura 2.
312