基于随机对抗神经数据混淆模型(RANDOM)的Transformer加密方案：一种高效且安全的对抗神经网络密码学新范式

本研究针对神经网络加密存在的量化误差、通信开销和密钥复用问题，提出随机对抗神经数据混淆模型(RANDOM)。该方案通过投影层(PL)、逆投影层(IPL)和点积层(DPL)实现高维数据变换，在16秒内即可生成新型加密映射，支持2.5Mb/s端到端加密通信，且无需量化处理即可实现100%比特恢复精度，为对抗神经网络密码学(ANC)提供了突破性解决方案。

　　

在数字通信安全领域，传统加密算法面临两大困境：一是人工设计的加密方案更新周期长（如Kyber算法耗时6年部署），二是量子计算威胁日益迫近。更棘手的是，现有基于卷积神经网络(CNN)和长短期记忆网络(LSTM)的对抗神经网络密码学(ANC)方案存在致命缺陷——加密消息会因量化产生比特错误，且不同密钥可能生成相同密文，这直接违反了密码学基本准则。正如密码学家Rubin指出的，真正的"一次性密码本"(OTP)必须确保每个加密消息都唯一对应特定密钥。

为解决这些挑战，研究人员开发了名为"随机对抗神经数据混淆模型"(RANDOM)的创新方案。这项研究通过三个关键技术创新：首先设计了能提升数据维度的投影层(PL)，其次开发了处理高维数据的点积层(DPL)，最后构建了降维还原的逆投影层(IPL)。实验采用包含Alice（加密）、Bob（解密）和Eve（窃听者）的威胁模型，在MATLAB R2024a平台上使用配备Nvidia Tesla V100的集群进行训练。特别值得注意的是，研究团队创造性地将输入数据从±1转换到[0,1]区间，通过双曲正切激活函数实现非线性变换，这种处理既保留了二进制特性又避免了量化误差。

研究结果部分揭示了多项突破性发现。在加密唯一性验证中，RANDOM对256条8比特消息生成的17,920个密文实现了100%唯一性，而CNN和LSTM方案最高仅达25%和3.52%。比特恢复测试显示，RANDOM无需量化即达100%准确率，显著优于CNN(99.5%)和LSTM(99.1%)。投影维度影响研究发现，当内部投影维度N_w
=8时，模型在34.08%的初始化中成功收敛，仅需16秒即可完成训练。吞吐量测试表明，在Apple M1 Pro平台处理1024字节消息时，RANDOM可达2.5Mb/s加密速度，较传统RSA快13倍。

讨论部分强调了该研究的双重突破：在理论层面，RANDOM首次实现了真正符合OTP标准的ANC方案，其加密方案数量随密钥长度呈指数增长（16^N_k

种），使得量子计算机破译时间从1秒延长至31,700年；在应用层面，135kb的轻量化设计使其可部署于边缘设备，而创新的"逐比特加密"机制能有效防御中间人(MitM)攻击。这些发现为后量子时代加密技术提供了新思路，特别适合需要快速更新加密方案的军事通信和物联网场景。未来研究将聚焦硬件加速器设计和针对侧信道攻击等新型威胁的防御策略。