《Egyptian Informatics Journal》：Optimized hybrid cryptographic model with deep learning for secure IoT data
编辑推荐：
智能设备的快速增长增加了对鲁棒且可扩展加密机制的需求，同时扩大了网络威胁的攻击面，尤其是在物联网（IoT）环境中。深度学习（DL）的最新进展为改进加密方法、实现安全数据存储与传输以抵御新兴网络威胁创造了新机遇。本文提出了一种优化安全框架，将DL与优化密码方案集
智能设备的快速增长增加了对鲁棒且可扩展加密机制的需求，同时扩大了网络威胁的攻击面，尤其是在物联网（IoT）环境中。深度学习（DL）的最新进展为改进加密方法、实现安全数据存储与传输以抵御新兴网络威胁创造了新机遇。本文提出了一种优化安全框架，将DL与优化密码方案集成，以提供安全有效的数据保护。采用混合卷积神经网络与长短期记忆网络（HCL）模型生成候选密码密钥，然后应用蛇优化算法（SO）选择使熵最大化并最小化加解密时间的最优密钥。为增强数据保密性，采用高级加密标准与Blowfish（ABF）算法。在密钥选择实验中，结果表明HCL-SO实现了最低的平均密钥选择时间（211 ms），与HCL分别集成灰狼优化算法（GWO）、蜜獾算法（HBA）和哈里斯鹰优化算法（HHO）相比，分别提升了17.51%、9.14%和16.55%。在数据保密性方面，所提出的密钥生成机制结合ABF算法，与标准AES-Blowfish加密模型相比，平均加密延迟降低了64.2%，吞吐量提高了25.3%。此外，通过NIST统计测试和密钥敏感性分析验证了所提方法的安全性。结果表明具有高随机性和对微小变化的强敏感性，表明所提框架为保护IoT数据应用提供了一种有效且安全的方法。
研究背景方面，物联网设备在智能医疗和工业系统等领域的快速普及导致大量敏感数据的持续生成与交换，使IoT环境更易受到网络攻击和数据泄露的威胁。在设计安全算法时，还需考虑IoT设备的处理能力和资源约束。传统密码学方法往往无法提供优化的安全解决方案：DES等早期对称算法因56位密钥长度和64位分组大小的限制而安全性不足；RSA等标准非对称密码学因使用大素数导致计算开销高，降低了整体加密数据速率。AES和Blowfish（BF）算法因计算复杂度低、执行速度快而更适合智能设备。混合加密因结合多种算法的优势而在资源受限的IoT环境中受到更多关注，但密钥质量对密码系统强度至关重要，弱密钥或可预测密钥使强算法也变得脆弱。现有密码系统使用静态密码或确定性算法生成密钥，但许多方法未考虑密钥选择对设备性能和安全级别的影响。为此，研究人员提出了一种基于HCL的智能密钥生成方法，利用心电信号（ECG）作为密码随机性来源，并采用SO算法基于加密性能优化密钥选择。
研究人员开展了HCL-SO-ABF安全框架的研究，该框架包含三个阶段：智能密钥生成、基于SO的最优密钥选择和混合ABF加密。研究得出以下结论：SO在密钥选择时间上分别优于GWO、HBA和HHO达17.51%、9.14%和16.55%；HCL-SO-ABF在不同数据大小下相比Blowfish-AES、AES-Blowfish和AES-Twofish分别实现了51.8%、25.3%和20.2%的平均吞吐量提升；生成的密钥具有高随机性，NIST测试全部通过，密钥敏感性（雪崩效应）范围为46.88%至52.97%。该研究的重要意义在于为IoT医疗环境提供了一种集成深度学习自适应密钥生成、元启发式优化和混合加密的安全高效方案。
关键技术方法方面，研究人员采用HCL模型进行多维特征提取，其中CNN层提取局部形态特征（P、Q、R、S、T峰值，RR和PP间期，QRS复合波），堆叠LSTM层学习时间依赖关系；采用SO算法基于熵和加解密时间的加权适应度函数进行最优密钥选择；采用ABF混合加密方案，通过SHA-256密钥派生将256位主密钥分为两个128位子密钥分别用于AES-CBC和BF加密。实验使用PhysioNet公开的MIT-BIH心律失常数据集（48条30分钟ECG记录，采样率360Hz，来自47名受试者，约109,446个标注心搏），按70%训练、15%验证、15%测试划分。
研究结果方面，第一，熵分析：HCL模型生成的100个密钥的香农熵均值为6.97 bits，范围为6.69至7.419 bits，标准差为0.095 bits，表明密钥生成过程稳定一致。第二，NIST统计测试：所有优化算法选出的密钥均通过15项测试（p值>0.01），但SO实现了最高的平均p值（0.6075），优于GWO（0.1968）、HBA（0.3341）和HHO（0.331），表明SO选择的密钥具有更一致的随机性。第三，暴力攻击抵抗：256位主密钥经密钥派生生成两个独立的128位子密钥，每个加密阶段的有效搜索空间为2^128，计算上不可穷举。第四，密钥敏感性：5个代表性密钥的雪崩效应平均范围为46.88%至52.97%，表明对密钥变化具有高敏感性。第五，密钥选择时间比较：SO平均密钥选择时间为201.18 ms，低于GWO（244.77 ms）、HBA（225.90 ms）和HHO（241.08 ms）；SO仅需25次迭代达到最优解，而GWO、HBA和HHO分别需要27、43和39次。第六，加密时间比较：在最小数据量（137.16 KB）下，HCL-SO平均加密时间为1.684 ms，分别比HCL-GWO、HCL-HBA和HCL-HHO快40.37%、4.11%和6.31%；在最大数据量（2194.55 KB）下，HCL-SO平均加密时间为19.065 ms。第七，解密时间比较：HCL-SO实现最低解密时间，在最小和最大数据量下分别优于HCL-GWO达6.8%和5.7%。第八，吞吐量比较：HCL-SO保持最高吞吐量，分别比HCL-GWO、HCL-HBA和HCL-HHO提高9.5%、5.6%和3.1%。第九，与现有混合加密模型比较：HCL-SO-ABF加密时间平均比Blowfish-AES降低72.5%，比AES-Blowfish降低64.2%，比AES-Twofish降低45.2%；吞吐量分别提高51.8%、25.3%和20.2%。
讨论部分总结了该研究的贡献与局限。研究证明HCL-SO在所有优化算法中因探索与利用的有效平衡和快速收敛行为而在吞吐量、执行时间和密钥随机性方面持续表现最优。然而，HLC-SO-ABF框架的实现仅限于基于软件的评估。未来工作将在真实IoT嵌入式平台（如ESP32、STM32微控制器板和Raspberry Pi设备）上实现和评估该框架，评估指标将包括能耗、内存利用率和加密延迟。研究结论翻译如下：本研究提出了一种使用混合深度学习模型进行自适应密钥生成并结合优化ABF加密方案的智能安全框架。该安全框架使用HCL架构与四种不同优化算法（SO、GWO、HBA和HHO）进行最优密钥选择的设计与评估。HCL-SO在吞吐量、执行时间和密钥随机性方面持续优于其他优化算法，这归因于其在探索与利用之间的有效平衡和快速收敛行为。在密钥选择实验中，结果表明SO的密钥选择时间分别比GWO、HBA和HHO提升了17.51%、9.14%和16.55%。HCL-SO-ABF方法还表现出一致的加解密性能，在不同数据大小下相比Blowfish-AES、AES-Blowfish和AES-Twofish分别实现了51.8%、25.3%和20.2%的平均吞吐量提升，证明了其对自适应IoT环境的可扩展性。此外，HCL-SO生成的最优密钥确保了高随机性，在NIST测试中获得了最高的平均p值，并表现出46.88%至52.97%的高密钥敏感性，有效抵抗了暴力攻击和差分密码分析攻击。总体而言，这些结果表明所提出的算法设计、DL模型和优化策略在改善IoT环境中的安全性和系统性能方面发挥着重要作用。
