A koreai Daegu Gyeongbuk Institute of Science and Technology (DGIST) tudósai olyan algoritmusokat fejlesztettek ki, amelyek hatékonyabban mérik, hogy egy támadó számára mennyire nehéz lenne kitalálni a kriptográfiai rendszerek titkos kulcsait. Az általuk alkalmazott megközelítés csökkentheti a titkosítás biztonságának érvényesítéséhez szükséges számítási bonyolultságot. Az erről szóló tanulmányt az IEEE Transactionson Information Forensics and Security című folyóiratban ismertették.
"A véletlen számok elengedhetetlenek a kriptográfiai információk generálásához. Ez a véletlenszerűség kulcsfontosságú a kriptográfiai rendszerek biztonsága szempontjából" - mondta Yongjune Kim, a DGIST informatikusa, a cikk társszerzője.
A kriptográfiát a kiberbiztonságban az információk védelmére használják. A tudósok gyakran használják a"min-entrópia" nevű mérőszámot annak megbecslésére és igazolására, hogy egy forrás mennyire jó az adatok titkosításához használt véletlen számok generálásában. Az alacsony entrópiájú adatokat könnyebb, míg a magas entrópiájú adatokat sokkal nehezebb visszafejteni. A min-entrópiát azonban nehéz pontosan megbecsülni bizonyos típusú források esetében, ami alulbecslésekhez vezet.
Kim és munkatársai kifejlesztettek egy offline algoritmust, amely a min-entrópiát a teljes adathalmaz alapján becsüli meg, valamint egy online becslő applikációt, amelynek csak korlátozott adatmintákra van szüksége. Az online becslő app pontossága az adatminták mennyiségének növekedésével javul. Emellett azonban nem kell teljes adathalmazokat tárolnia, így olyan alkalmazásokban is használható, amelyeknek szigorú memória-, tárolási és hardveres korlátai vannak, mint például a tárgyak internetére épülő eszközök.
"Kiértékeléseink azt mutatták, hogy algoritmusaink 500-szor gyorsabban képesek becsülni a min-entrópiát, mint a jelenlegi standard algoritmus, miközben a becslési pontosság megmarad"- mondta Kim. A kutatók most azon dolgoznak, hogy javítsák ennek és más, a kriptográfiában használt entrópia becslésére szolgáló algoritmusoknak a pontosságát. Azt is vizsgálják, hogyan lehet javítani az adatvédelmet a gépi tanulási alkalmazásokban - írja a ScienceDaily.
