Anais - Engenharia de Redes de Comunicação - UnB

ataque geométrico alternadamente [Ruttor 2007]. O ataque de maioria é o com maior
taxa de sucesso contra a criptografia neural, e para aumentar a segurança contra
esse protocolo foi proposto por [Ruttor 2007] o uso de queries, em que um algoritmo
utiliza informações internas de uma das TPM para gerar vetores de entradas com
maior probabilidade de ocorrência de passos atrativos entre os parceiros.
O ataque genético é baseado em um algoritmo evolucionário. No ataque
genético, E começa com apenas uma TPM, mas pode usar até m redes neurais.
Quando y A = y B , o seguinte algoritmo é aplicado:
m
• Caso E tenha até Tree Parity Machines, ele determina todas as 2 K−1
2 K−1
representações internas (o 1 , o 2 , . . . , o i ) que produzem a saída y A e os usa para
atualizar os pesos de acordo com a regra de aprendizado. Assim E cria 2 K−1
variantes de cada TPM nesse passo de mutação [Ruttor 2007].
• Caso E já tenha mais que
E isso é obtido descartando todas as redes que predisseram menos que U
saídas y A nos últimos V passos de aprendizagem em que y A = y B no passo
de seleção. Como regra adicional, E mantém ao menos 20 TPMs.
m
TPMs, só as mais aptas devem ser mantidas.
2 K−1
Foram propostas duas melhorias ao algoritmo, sendo o uso de queries, por
[Ruttor 2007], e o uso de transmissões errôneas, proposto por [Allam e Abbas 2010],
em que as TPMs parceiras enviam suas saídas erroneamente com probabilidade
baseada na distância estimada entre os pesos de A e B e a rede parceira tenta
predizer o envio desta informação usando os mesmos cálculos.
5. Conclusões
O protocolo foi implementado na linguagem Python para comprovar o funcionamento
da técnica de criptografia neural. Com a implementação, pode-se observar
o fenômeno de sincronização de redes neurais e validar algumas características do
protocolo. Foi possível confirmar que, conforme verificado por Ruttor 2007 e Firmino
Filho 2009, o tempo de sincronização das redes neurais aumenta exponencialmente
com o aumento de L.
Foram utilizadas duas redes neurais Tree Parity Machine utilizando a regra
de aprendizado de Hebb e configuradas com K = 4, N = 4 e L variável para obter
a média do tempo de sincronização e sua variação com L. Os resultados obtidos
encontram-se na figura 4, onde pode-se observar um crescimento polinomial no
número de mensagens trocadas para atingir a sincronização com o aumento de L.
Mantendo o valor L = 3, N = 4 e variando o parametro K, obtemos os tempos
de sincronização exibidos na figura 5, onde podemos observar que o aumento
no número de mensagens trocadas para a sincronização não aumenta consideravelmente
com o aumento de K, porém, o tempo de processamento gasto aumenta
proporcionalmente.
Temos que, após cada sincronização bem sucedida entre TPMs, obtemos uma
matriz de pesos de tamanho K × N, exemplificada na figura 6. É possível, dentre
outras formas, utilizar a matriz como chave criptográfica concatenando os valores e
aplicando um algoritmo de hash, como o SHA-256, para gerar imediatamente uma
chave de 256 bits válida para um algoritmo criptográfico simétrico, como o AES.
317