Aдаптивна симетрична криптосистема з динамічним узгодженням ключів на основі глибоких нейронних мереж
DOI:
https://doi.org/10.33216/1998-7927-2025-296-10-5-12Ключові слова:
адаптивна криптосистема, симетричне шифрування, динамічне узгодження ключів, глибокі нейронні мережі, нейронна синхронізація, криптографічна стійкістьАнотація
Стаття присвячена розробці адаптивної симетричної криптосистеми. Формування ключів відбувається без традиційних протоколів обміну. Метод базується на синхронізації глибоких нейронних мереж. Процес реалізується через відкритий канал зв'язку. Мета роботи полягає в обґрунтуванні нової архітектури забезпечення динамічного управління в просторої нейронних мереж. Механізм ґрунтується на нейронній синхронізації. Оцінюється криптографічна стійкість та обчислювальна ефективність моделі. Методологія інтегрує криптографічний аналіз та теорію нейронних мереж. Застосовано формалізований опис алгоритмічних конструкцій. Виконано аналітичне оцінювання обчислювальної складності. Проведено порівняння з класичними схемами симетричного шифрування. Результатом є архітектура з децентралізованою логікою узгодження ключів. Ключ формується як функція внутрішнього стану мережі. Алгоритм охоплює ініціалізацію, синхронізацію та генерацію ключів. Система забезпечує циклічне оновлення ключового матеріалу. Реалізовано процедури шифрування та дешифрування. Проведено аналіз стійкості до пасивних атак. Досліджено резистентність до активних форм втручання. Система протидіє атакам перехоплення та інжекції. Механізм захищає від атак посередницького типу. Адаптивність моделі знижує кореляцію між послідовними ключами. Реконструкція внутрішніх станів суттєво ускладнюється. Обчислювальна складність залишається прийнятною для практичного застосування. Нейронна компонента не знижує продуктивність системи за тривалих комунікаційних сеансів. Практична цінність полягає у застосуванні в розподілених мережах. Система функціонує без централізованої інфраструктури довіри. Результати придатні для вбудованих обчислювальних систем. Підхід застосовний у мобільних та сенсорних мережах. Модель зменшує залежність від асиметричної криптографії. Елімінуються пікові обчислювальні навантаження. Перспективи пов'язані з експериментальною верифікацією на апаратних платформах. Планується поглиблений аналіз стійкості до комбінованих векторів атак. Окремий науковий інтерес становить оптимізація архітектурних рішень.
Посилання
1. Abrar A., Dasgupta S., Rahman M., Alsharif A. AI-driven post-quantum cryptography for cyber-resilient V2X communication in transportation cyber-physical systems. arXiv. 2025. https://doi.org/10.48550/arXiv.2510.08496
2. Alanazi M. J., Alhoweiti R. A., Alhwaity G. A., Alharbi A. R. An adaptive hybrid cryptographic framework for resource-constrained IoT devices. Electronics. 2025. Vol. 14. No. 23. Article 4666. https://doi.org/10.3390/electronics14234666
3. Alzaidy S., Binsalleeh H. Adversarial attacks with defense mechanisms on convolutional neural networks and recurrent neural networks for malware classification. Applied Sciences. 2024. Vol. 14. No. 4. Article 1673. https://doi.org/10.3390/app14041673
4. Bhat R., Nanjundegowda R. Exploring generative adversarial networks for secure data encryption and future directions in communication systems. Proceedings of the International Conference on Futuristic Technology. 2025. https://doi.org/10.5220/0013591300004664
5. Geng Y. Identification of cryptosystem based on deep neural network. Highlights in Science, Engineering and Technology. 2025. Vol. 142. p. 391–399. https://doi.org/10.54097/zfm1nx90
6. Hanafi B., Bokhari M. U., Wani M. A., Shakil K. A., Ali G. Dynamic adversarial neural cryptography for ensuring privacy in smart contracts. PeerJ Computer Science. 2025. Vol. 11. Article e3286. https://doi.org/10.7717/peerj-cs.3286
7. Hao J., Jin M., Li Y., Yang Y. Neural network-based symmetric encryption algorithm with encrypted traffic protocol identification. PeerJ Computer Science. 2025. Vol. 11. Article e2750. https://doi.org/10.7717/peerj-cs.2750
8. He Z., Sayadi H. AI in chaos: Adaptive and secure communication via deep reinforcement learning and moving target defense. IEEE Access. 2025. Vol. 13. p. 199971–200000. https://doi.org/10.1109/ACCESS.2025.3635665
9. Jain K. Exploring cryptographic key management schemes for enhanced security in WSNs. Journal of Information and Applied Science. 2025. Vol. 20. No. 1. p. 18–37. https://doi.org/10.2478/ias-2025-0002
10. Jung I. S., Song Y. R., Jilcha L. A., Kim D. H., Im S. Y., Shim S. W., Kim Y. H., Kwak J. Enhanced encrypted traffic analysis leveraging graph neural networks and optimized feature dimensionality reduction. Symmetry. 2024. Vol. 16. No. 6. Article 733. https://doi.org/10.3390/sym16060733
11. Koshiba T., Zolfaghari B., Bibak K. A tradeoff paradigm shift in cryptographically-secure pseudorandom number generation based on discrete logarithm. Journal of Information Security and Applications. 2023. Vol. 73. Article 103430. https://doi.org/10.1016/j.jisa.2023.103430
12. Kumar P. R., Goel S. A secure and efficient encryption system based on adaptive and machine learning for securing data in fog computing. Scientific Reports. 2025. Vol. 15. Article 11654. https://doi.org/10.1038/s41598-025-92245-9
13. Makedon V. V., Kholod O. H., Yarmolenko L. I. The model for assessing the competitiveness of high tech enterprises on the basis of the formation of key competences. Academic Review. 2023. Vol. 59. No. 2. p. 75–89. https://doi.org/10.32342/20745354-2023-2-59-5
14. Makedon V., Myachin V., Aloshyna T., Cherniavska I., Karavan N. Improving the readiness of enterprises to develop sustainable innovation strategies through fuzzy logic models. Economic Studies (Ikonomicheski Izsledvania). 2025. Vol. 34. No. 5. p. 165–179. URL: https://archive.econ-studies.iki.bas.bg/2025/2025_05/2025_05_09.pdf
15. Mohsin Z. R. AI-powered encryption revolutionizing cybersecurity with adaptive cryptographic algorithms. Turkish Journal of Computer and Mathematics Education. 2025. Vol. 16. No. 1. p. 44–62. https://doi.org/10.61841/turcomat.v16i1.14976
16. Reddy P. S., Reddy T. S., Khaled M. K. Enhanced steganography using dynamic compression and encryption algorithms. International Journal of Engineering Innovations and Management Strategies. 2025. Vol. 1. No. 3. p. 1–13.
17. Saha A., Pathak C., Saha S. A study of machine learning techniques in cryptography for cybersecurity. American Journal of Electronics & Communication. 2021. Vol. 1. No. 4. p. 22–26.
18. Singh M., Baranwal N., Singh K. N., Singh A. K. Using GAN-based encryption to secure digital images with reconstruction through customized super resolution network. IEEE Transactions on Consumer Electronics. 2023. Vol. 70. No. 1. p. 3977–3984. https://doi.org/10.1109/TCE.2023. 3276732
19. Zarei M., Dindarlou M. H. F., Taghizadeh M., et al. Lightweight image encryption for wireless sensor networks using optimized elliptic curve and fuzzy logic. Scientific Reports. 2025. https://doi.org/10.1038/s41598-025-32877-z
