基于神经网络的物理层混沌加密安全性分析方案

《Frontiers in Physics》：A security analysis scheme for physical layer chaos encryption based on neural networks

　　

摘要

引言：物理层加密方案因其操作灵活、数据保护全面以及低成本快速计算等优势，对当代数据保护具有重要意义。然而，目前尚缺乏一种通用且有效的方法来对物理层加密系统进行安全性分析。随着各种物理层加密方法的涌现，一个关键问题在于所设计的系统能否有效抵御未授权攻击。

方法：本文从密码分析学的视角出发，强化物理层加密方案的安全评估，而非仅仅依赖密钥空间的大小来评价算法的安全性。通过分析物理层混沌加密方案抵御攻击的能力，研究其计算安全性（computational security）。研究人员提出了一种基于神经网络（neural network, NN）的针对物理层混沌加密的攻击方案。

结果：计算机仿真验证了该攻击的可行性和有效性。实验结果表明，在所测试的固定密钥条件下，所提方法能够学习有效的密文到明文的映射关系。该方法涉及适度的离线训练成本，且在训练完成后可实现亚毫秒级的模型级推理。

讨论：结果表明，在所测试的条件下，所研究的物理层混沌加密方案易受基于神经网络的攻击。所提方法为所研究的基于Arnold变换和Chen混沌系统的加密方案提供了一种补充性的安全评估途径。

基于神经网络的物理层混沌加密安全性分析：研究解读

**一、研究背景与问题提出**

随着物联网、大数据和元宇宙等新兴概念融入日常生活，互联网服务迅速扩展，数据传输速率和交互量呈爆炸式增长。在此背景下，数据安全问题日益受到关注。物理层位于OSI七层网络模型的最底层，是整个网络系统的基础。在物理层进行加密被认为是最有前景且实用的方法，其核心原理是在电域和数字域对数据进行扰动以实现加密。当前，多数物理层安全增强技术基于CO-OFDM系统实现。近年来，研究人员提出了多种物理层加密算法，例如Zhang等人利用Lorenz混沌模型生成扰动向量进行三维星座掩蔽，Zhong等人提出基于主动星座扩展和帧交织技术的多层数据加密方案。这些算法的有效性通常通过三个标准评估：密码系统的安全性、加密速度和实现成本，其中安全性最为关键。

尽管物理层加密技术发展迅速，但其安全性评估仍严重依赖于密钥空间的标称大小，而有效且普遍适用的密码分析评估方法仍然有限。现有研究已进一步拓展了基于混沌的信息保护方案，如Song等人提出的结合跨图像置换与双向扩散的批量图像加密框架，Liu等人引入的集成显著性目标检测与并行混沌加密的语义增强选择性图像加密方案。然而，针对攻击导向的安全性评估，特别是对物理层混沌加密系统，受到的关注相对有限。传统攻击方法存在密钥恢复复杂等局限性，而神经网络凭借其优异的数据处理能力、固有的混沌特性和全局推理能力，在密码分析领域展现出巨大潜力。因此，开展从密码分析视角出发的物理层加密方案安全性分析，对于确保信息安全具有重要意义。

**二、研究方案与关键技术方法**

研究人员提出了一种基于卷积神经网络（convolutional neural network, CNN）的选择明文攻击框架，用于评估基于混沌的物理层加密方案的计算安全性。该方法的核心在于不显式恢复原始加密密钥，而是通过学习密文与明文之间的等效映射关系，直接重构明文信息。

研究所用的主要关键技术方法包括：其一，采用CNN架构，该网络包含三个级联卷积模块和一个全连接层，使用3×3奇尺寸卷积核，结合批归一化（Batch Normalization）、PReLU激活函数和最大池化操作；其二，使用均方误差（Mean Squared Error, MSE）作为损失函数，并采用Nadam优化器进行网络优化；其三，在MNIST和CIFAR-10两个数据集上进行评估，将原始图像预处理为32×32尺寸，使用固定的Arnold或Chen密钥生成密文-明文对用于训练、验证和测试。

**三、研究结果**

**明文重构性能**：在MNIST数据集上，所提网络能够有效恢复经Arnold和Chen方案加密的图像主要结构信息。定量结果表明，Arnold方案的平均结构相似性指数（structural similarity index measure, SSIM）为0.9156，Chen方案为0.9224。对于纹理更丰富、结构更复杂的灰度CIFAR-10数据集，重构图像虽出现更多局部失真，但主要物体和语义内容仍可识别，Arnold和Chen方案的平均SSIM分别为0.8353和0.8995。这表明在所测试的固定密钥条件下，CNN能够学习有效的密文到明文映射。

**网络架构消融分析**：在MNIST-Arnold任务上进行的消融研究表明，所有测试变体均获得高于0.915的SSIM值，表明攻击有效性不局限于特定的网络配置。其中，基于ReLU的变体获得最高SSIM为0.9563，而较小的16-24-32通道配置在参数和MACs减少约一半的情况下仍保持0.9293的SSIM。

**加密密钥变化的影响**：使用三种Arnold密钥设置和三种Chen密钥设置在MNIST数据集上进行实验。结果表明，Arnold方案的平均SSIM范围在0.9391至0.9493之间，跨密钥标准差为0.0052；Chen方案的平均SSIM范围在0.9166至0.9267之间，标准差为0.0051。相对较小的波动表明观测到的重构性能不限于特定密钥设置。需要强调的是，每个固定密钥都单独训练了一个CNN，结果展示的是跨采样固定密钥配置的稳定攻击性能，而非单一训练模型的零样本泛化能力。

**与传统密码分析基线的比较**：对于Arnold离散密钥空间，穷举搜索在1.52秒内完成46,080个候选密钥的搜索，实现了SSIM为1.0000的完美重构，优于CNN的0.9156。对于Chen系统，当仅三个参数未知时，差分进化（differential evolution, DE）在60秒搜索预算内达到接近1.0000的平均SSIM，成功率为100%。然而，当搜索维度增加到七个时，即使在600秒的搜索预算内，DE的平均SSIM仅为0.1161，所有试验均未达到成功阈值。相比之下，CNN在630.12秒的离线训练后达到0.9224的平均SSIM。这表明在高维连续搜索空间中，学习等效密文-明文映射比直接参数估计更为有效。

**计算复杂度与执行效率**：所采用的CNN包含约796万个可训练参数，处理一张32×32密文图像需要约1152万次乘加运算（multiply-accumulate operations, MACs）。离线训练时间在430.94至630.12秒之间，训练后的平均推理延迟为每张图像0.1577至0.1673毫秒。

**四、讨论与结论**

研究结果表明，在所测试的条件下，所研究的物理层混沌加密方案易受基于神经网络的攻击。与传统密码分析方法相比，没有任何单一攻击策略具有普遍优势：穷举搜索适用于小型离散密钥空间，迭代参数估计适用于低维连续空间，而CNN方法在直接参数恢复变得困难的高维连续搜索空间中提供了补充性的密码分析策略。

本研究局限性在于仅考虑了固定密钥下的选择明文攻击场景，未涉及动态密钥、实际光传输环境以及硬件损伤等因素。未来工作将扩展到已知明文和仅密文场景、动态密钥加密、实际光传输环境，以及更复杂的超混沌、基于DNA和混合光电加密方案。

本研究发表于《Frontiers in Physics》期刊，其重要意义在于为物理层混沌加密系统提供了一种攻击导向的补充性安全评估方法，有助于研究人员识别密码系统漏洞并迭代优化加密方案，对物理层通信系统安全性的发展具有重要意义。