Проблемно-орієнтована криптографічна система нейромережевого захисту даних
Анотація
Визначено, що значних техніко-експлуатаційних показників функціонування бортових систем криптографічного захисту даних досягають способом використання проблемно-орієнтованого підходу, сучасної елементної бази розроблення нових методів нейромережевого шифрування-дешифрування даних, алгоритмів і спеціалізованих структур для реалізації нейроподібних елементів. Розроблено метод нейромережевого криптографічного захисту даних, який за рахунок використання нейромереж прямого поширення автоасоціативного типу на підставі парадигми моделі послідовних геометричних перетворень, попереднього обчислення вагових коефіцієнтів та таблично-алгоритмічної реалізації нейроподібних елементів забезпечує високу криптографічну стійкість алгоритму шифрування-дешифрування даних у реальному часі та апаратно-програмну реалізацію з високими техніко-експлуатаційними показниками. Удосконалено таблично-алгоритмічний метод для обчислення скалярного добутку векторів, який за рахунок приведення до найбільшого спільного порядку вагових коефіцієнтів і формування для них таблиць макрочасткових добутків елементів векторів забезпечує швидке оброблення вхідних даних як з фіксованою, так і рухомою комою. Розроблено базову структуру пристрою для таблично-алгоритмічного обчислення скалярного добутку векторів, основними компонентами якого є блоки пам'яті для зберігання макрочасткових добутків елементів векторів, суматор, шинні формувачі та регістри. Використання цієї структури дає змогу скоротити тривалість розроблення пристроїв із заданими параметрами. Розроблено на підставі принципів змінності складу обладнання, модульності, спеціалізації та паралелізму структуру проблемно-орієнтованої системи нейромережевого криптографічного захисту даних, яка за рахунок взаємопоєднання універсального та спеціалізованого підходів, програмних і спеціалізованих апаратних засобів забезпечує ефективну реалізацію алгоритмів шифрування-дешифрування даних у реальному часі. Виконано моделювання спеціалізованих апаратних засобів нейромережевого шифрування даних мовою програмування апаратури VHDL у середовищі розроблення Quartus II вер. 13.1 з використанням FPGA EP3C16F484C6 сімейства Cyclone III та визначено, що тривалість шифрування одного вектора вхідних даних становить приблизно 160 нс, а для їх реалізації необхідно 3053 логічних елементів і 745 регістрів.
Завантаження
Посилання
Aljaedi, S., Manogaran, G., & Hassan, M. M. (2025). A hybrid lightweight quantum encryption for secure IoT environments. Scientific Reports, 15, article ID 2788. URL: https://www.nature.com/articles/s41598-025-97822-6
Atrey, P. K., & Pal, A. (2016). Neural Network Based Cryptography. ResearchGate. URL: https://www.researchgate.net/publication/309230198_Neural_Network_Based_Cryptography
Avoine, G., & Kara, O. (Eds.). (2013). Lightweight Cryptography for Security and Privacy: Second International Workshop, LightSec 2013, Gebze, Turkey, May 6–7, 2013, Revised Selected Papers. Lecture Notes in Computer Science. Springer. https://doi.org/10.1007/978-3-642-40392-7
Awad, A. I., Furnell, S., Paprzycki, M., & Sharma, S. K. (Eds.). (2021). Security in Cyber-Physical Systems: Foundations and Applications. Springer, 105–112. https://doi.org/10.1007/978-3-030-67361-1
Balsara, R. A., Sardar, S. S., & Jain, A. J. (2017). Design of an Autonomous Robot Security System Using Neural Networks. International Journal of Computer Engineering & Technology (IJCET), 8(3), 68–75. URL: http://iaeme.com/Home/issue/IJCET?Volume=8&Issue=3
Chen, X., Wang, Y., & Zhang, T. (2024). Attack towards neural cryptographic models via equivalence discovery. arXiv preprint. URL: https://arxiv.org/abs/2409.11646
Chen, Y., Cheng, C., Zhang, Y., & Sun, L. (2022). A neural network-based navigation approach for autonomous mobile robot systems. Applied Sciences, 12(15), 7796. https://doi.org/10.3390/app12157796
Delacour, K. J., & Wolf, C. (2020). A Survey of Neural Network Applications to Cryptography. Neural Computing and Applications, 32(17), 13349–13374. https://doi.org/10.1007/s00521-020-04859-9
Dressler, F., & Tonguz, O. (2008). Self-Organization in Sensor and Actor Networks. Hoboken, NJ: Wiley, 55–59 URL: https://www.wiley.com/en-us/Self-Organization+in+Sensor+and+Actor+Networks-p-9780470724453
Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. Cambridge: MIT Press, 305–317. URL: https://www.deeplearningbook.org
Heineman, G. T., Pollice, G., & Selkow, S. (2011). Algorithms in a Nutshell. OReilly Media. URL: https://archive.org/details/algorithmsinnuts0000hein_i4t5_2
Khavalko, V., & Tsmots, I. (2019). Image classification and recognition on the base of autoassociative neural network usage. In 2019 IEEE 2nd Ukraine Conference on Electrical and Computer Engineering (UKRCON-2019), 1118–1121. Lviv, Ukraine. https://doi.org/10.1109/UKRCON.2019.8879897
Kumar, R., Singh, S., Pandey, H. M., et al. (2025). A secure medical image encryption scheme using DCGAN with virtual planetary domain. Scientific Reports, 15, article ID 1675. URL: https://www.nature.com/articles/s41598-024-84186-6
Liu, Y., & Hu, Y. (2024). Hopfield neural network and memristor-based image encryption hardware architecture. SSRN, 14. https://doi.org/10.2139/ssrn.4774124
Mahmoud, M. M., Gad, R. M., Younis, M., & Alghamdi, T. A. (2021). Secure Communication Protocols for Mobile Robotic Networks: Challenges and Solutions. IEEE Communications Surveys & Tutorials, 23(2), 1287–1312. https://doi.org/10.1109/COMST.2020.3048767
Olaoye, G. (2025). Self-Learning Neural Networks in the Cloud: Towards Autonomous AI Systems. SSRN. https://doi.org/10.2139/ssrn.5129553
Smith, J., & Johnson, M. (2019). Hardware acceleration techniques in cryptographic applications. Journal of Cryptographic Research, 15(3), 123–134. https://doi.org/10.48550/arXiv.2501.04394
Stallings, W. (2017). Cryptography and Network Security: Principles and Practice (7th ed.). Boston: Pearson, 108–116 URL: http://staff.ustc.edu.cn/~mfy/moderncrypto/crypto7ed.pdf
Tcimbal, Iu. V. (2018). Neiromerezhevii metod simetrichnogo shifruvannia danikh. Bulletin of Lviv Polytechnic National University. Series: Journalistic sciences, 901, 118–122. URL: https://ena.lpnu.ua/handle/ntb/44537
Tsmots, I. H., & Skorokhoda, O. V. (2011). Device for scalar product calculation. Utility model patent of Ukraine, 66138. Bulletin, 24. URL: https://iprop-ua.com/inv/6295y8t3/
Tsmots, I. H., Opotyak, Y. V., Shtohrynets, B. V., Mamchur, T. B., & Holubets, V. M. (2024). Model, structure, and synthesis method of a matrix-type neural element. Scientific Bulletin of UNFU, 34(4), 68–77. https://doi.org/10.36930/40340409
Tsmots, I. H., Skorokhoda, O. V., & Medykovskyi, M. O. (2019). Device for scalar product calculation. Invention patent of Ukraine, 118596. Bulletin, 3. URL: https://iprop-ua.com/inv/0rtysziq/
Tsmots, I. H., Skorokhoda, O. V., & Teslyuk, V. M. (2013). Device for scalar product calculation. Invention patent of Ukraine, 101922. Bulletin, 9. URL: https://iprop-ua.com/inv/k1jqmw30/
Tsmots, I. H., Teslyuk, V. M., Teslyuk, T. V., Medykovskyi, M. O., & Tsymbal, Y. V. (2019). Device for calculating the sum of even products. Patent of Ukraine, 120210. Bulletin, 20/2019. URL: https://iprop-ua.com/inv/6ueuxvh7/
Tsmots, I., Teslyuk, V., Łukaszewicz, A., Lukashchuk, Y., Kazymyra, I., Holovatyy, A., & Opotyak, Y. (2023). An approach to the implementation of a neural network for cryptographic protection of data transmission at UAV. Drones, 7(8), article ID 507. https://doi.org/10.3390/drones7080507
Tsmots, I., Tsymbal, Y., Skorokhoda, O., & Tkachenko, R. (2019). Neural-like methods and hardware structures for real-time data encryption and decryption. In CSIT 2019: Proceedings of the XIV International Scientific and Technical Conference, 248–253. Lviv, Ukraine. https://doi.org/10.1109/STC-CSIT.2019.8929809
Ullah, H., Javed, A., & Farooq, U. (2024). Lightweight cryptographic algorithms for secure IoT communication: a comparative study. International Journal of Information Security and Technologies, 10(2), 110–120. URL: https://journal.50sea.com/index.php/IJIST/article/view/1127
Zhang, Y., & Li, X. (2015). Neural cryptography: A new approach to secure communication. Journal of Cryptographic Engineering, 7(3), 197–209. https://doi.org/10.1007/s13389-015-0101-1
Zhou, L., Zhang, X., & Li, H. (2021). Deep-learning-based cryptanalysis through topic modeling. Proceedings of the International Conference on Cryptography and Network Security (ICCNS), 59–67. https://doi.org/10.1007/978-3-030-80129-8_59
