Project detail
Advancing cryptanalytic methods through evolutionary computing
Duration: 1.1.2016 — 31.12.2018
Funding resources
Grantová agentura České republiky - Standardní projekty
On the project
Kryptografické algoritmy obvykle procházejí rozsáhlým testováním experty, kteří posuzují jejich bezpečnost. V našem projektu navrhujeme (částečně) nahradit tuto pracnou činnost automatizováním počátečních fází analýzy. Náš přístup je postaven na automatickém generování rozlišovačů", které hledají nechtěné statistické defekty ve výstupu algoritmu. Rozlišovač konstruujeme s použitím evolučních algoritmů (genetického programování) ve formě logické funkce s více výstupy. Již jsme prokázali, že náš přístup vede ke slibným výsledkům porovnatelnými se současnými technikami testování. Náš přístup konstruuje rozlišovač automaticky a adaptivně s ohledem na výstup testovaného algoritmu. To otevírá nové možnosti na nalezení takových potenciálních slabin v kryptografických algoritmech, které zůstaly skryty před statistickými testy nebo i zraky kryptoanalytika. Náš projekt cílí na zodpovězení dvou stěžejních otázek v oblasti bezpečnosti kryptografických algoritmů: (1) Je něco špatně s kryptografickým algoritmem? (2) Co je špatně v návrhu algoritmu?
Description in English
Cryptographic algorithms usually go through elaborate testing by skilled experts
who assert their overall security. We suggest to partly replace such extensive
human labour by automating initial parts of such analyses. We base our approach
on automatically generated "distinguishers" that show undesired statistical
anomalies in an algorithm output. We design a distinguisher in the form of
a multiple-output logic function, using evolutionary algorithms (genetic
programming). We show that such approach leads to promising results comparable to
the state-of-the-art testing. Our approach builds a distinguisher automatically
and adaptively to the evaluated algorithm output. This opens up new possibilities
for discovering those potential weaknesses in cryptographic algorithms that
remained hidden from statistical tests and cryptanalysts sights. Our research
will aim to answer two crucial questions of atmost importance when considering an
algorithm security: (1) Is there anything wrong with a crypto algorithm? (2) What
is wrong in the algorithm design?
Keywords
kryptoanalýza; kryptografický algoritmus; rozlišovač; bezpečnost; evoluční
výpočty; optimalizace
Key words in English
cryptanalysis; cryptographic algorithm; distinguisher; security; evolutionary
computing; optimization
Mark
GA16-08565S
Default language
Czech
People responsible
Matyáš Václav, Dr. - principal person responsible
Dobai Roland, Ing., Ph.D. - fellow researcher
Grochol David, Ing., Ph.D. - fellow researcher
Units
Department of Computer Systems
- responsible department (20.3.2015 - not assigned)
Evolvable Hardware Research Group
- internal (20.3.2015 - 31.12.2018)
Department of Computer Systems
- co-beneficiary (20.3.2015 - 31.12.2018)
Faculty of Informatics MU
- beneficiary (20.3.2015 - 31.12.2018)
Results
MRÁZEK, V.; SEKANINA, L.; DOBAI, R.; SÝS, M.; ŠVENDA, P. Efficient On-Chip Randomness Testing Utilizing Machine Learning Techniques. IEEE Trans. on VLSI Systems., 2019, vol. 27, no. 12, p. 2734-2744. ISSN: 1063-8210.
Detail
MRÁZEK, V.; SÝS, M.; VAŠÍČEK, Z.; SEKANINA, L.; MATYÁŠ, V. Evolving Boolean Functions for Fast and Efficient Randomness Testing. In Proceedings of the Genetic and Evolutionary Computation Conference (GECCO '18). Kyoto: Association for Computing Machinery, 2018. p. 1302-1309. ISBN: 978-1-4503-5618-3.
Detail
GROCHOL, D.; SEKANINA, L. Multi-Objective Evolution of Ultra-Fast General-Purpose Hash Functions. In European Conference on Genetic Programming. Lecture Notes in Computer Science. Berlin: Springer International Publishing, 2018. p. 187-202. ISBN: 978-3-319-77553-1.
Detail
HUSA, J.; DOBAI, R. Designing Bent Boolean Functions With Parallelized Linear Genetic Programming. In GECCO Companion '17 Proceedings of the Companion Publication of the 2017 on Genetic and Evolutionary Computation Conference. Berlín: Association for Computing Machinery, 2017. p. 1825-1832. ISBN: 978-1-4503-4939-0.
Detail
GROCHOL, D.; SEKANINA, L. Multiobjective Evolution of Hash Functions for High Speed Networks. In Proceedings of the 2017 IEEE Congress on Evolutionary Computation. San Sebastian: IEEE Computer Society, 2017. p. 1533-1540. ISBN: 978-1-5090-4600-3.
Detail
KIDOŇ, M.; DOBAI, R. Evolutionary design of hash functions for IP address hashing using genetic programming. In 2017 IEEE Congress on Evolutionary Computation (CEC). San Sebastian: Institute of Electrical and Electronics Engineers, 2017. p. 1720-1727. ISBN: 978-1-5090-4601-0.
Detail
DOBAI, R.; KOŘENEK, J.; SEKANINA, L. Adaptive Development of Hash Functions in FPGA-Based Network Routers. In 2016 IEEE Symposium Series on Computational Intelligence. Athens: IEEE Computational Intelligence Society, 2016. p. 1-8. ISBN: 978-1-5090-4240-1.
Detail
Responsibility: Matyáš Václav, Dr.