Алгоритмы улучшают нашу защиту данных

Ученые из Института науки и технологий Тэгу Кёнбук (DGIST) в Корее разработали алгоритмы, которые более эффективно измеряют, насколько сложно злоумышленнику будет угадать секретные ключи для криптографических систем. Подход, который они использовали, был описан в журнале. IEEE Transactions по информационной криминалистике и безопасности и может снизить вычислительную сложность, необходимую для проверки безопасности шифрования.


«Случайные числа необходимы для генерации криптографической информации», — объясняет ученый-компьютерщик DGIST Ёнджун Ким, соавтор исследования с Сирилом Гайотом и Янг-Сик Ким. «Эта случайность имеет решающее значение для безопасности криптографических систем».

Криптография используется в кибербезопасности для защиты информации. Ученые часто используют метрику, называемую «минимальная энтропия», для оценки и проверки того, насколько хорошо источник генерирует случайные числа, используемые для шифрования данных. Данные с низкой энтропией легче расшифровать, тогда как данные с высокой энтропией декодировать намного сложнее. Но трудно точно оценить минимальную энтропию для некоторых типов источников, что приводит к недооценке.

Ким и его коллеги разработали автономный алгоритм, который оценивает минимальную энтропию на основе всего набора данных, и онлайн-оценщик, которому нужны только ограниченные выборки данных. Точность онлайн-оценщика повышается по мере увеличения количества выборок данных. Кроме того, онлайн-оценщику не нужно хранить полные наборы данных, поэтому его можно использовать в приложениях с жесткими ограничениями памяти, хранилища и оборудования, таких как устройства Интернета вещей.

«Наши оценки показали, что наши алгоритмы могут оценивать минимальную энтропию в 500 раз быстрее, чем текущий стандартный алгоритм, сохраняя при этом точность оценки», — говорит Ким.

Ким и его коллеги работают над повышением точности этого и других алгоритмов оценки энтропии в криптографии. Они также изучают, как улучшить конфиденциальность в приложениях машинного обучения.

0 Комментарий
Inline Feedbacks
View all comments