ФОРМУВАННЯ ДАТАСЕТУ КРИПТОАЛГОРИТМІВ ДЛЯ ЗАБЕЗПЕЧЕННЯ КОНФІДЕНЦІЙНОСТІ ДАНИХ, ЯКІ ПЕРЕДАЮТЬСЯ З РОЗВІДУВАЛЬНО-ПОШУКОВОГО БПЛА

Сергій Гнатюк; Юлія Поліщук; Василь Кінзерявий; Богдан Горбаха; Дмитро Проскурін

doi:10.28925/2663-4023.2023.20.205219

Автор(и)

Сергій Гнатюк Національний авіаційний університет https://orcid.org/0000-0003-4992-0564
Юлія Поліщук Національний авіаційний університет https://orcid.org/0000-0002-0686-2328
Василь Кінзерявий Національний авіаційний університет https://orcid.org/0000-0002-7697-1503
Богдан Горбаха Національний авіаційний університет https://orcid.org/0000-0003-0713-4426
Дмитро Проскурін Національний авіаційний університет https://orcid.org/0000-0002-2835-4279

DOI:

https://doi.org/10.28925/2663-4023.2023.20.205219

Анотація

Швидкий розвиток безпілотних літальних апаратів (БПЛА) суттєво змінив проведення військових операцій та стратегії ведення війни, пропонуючи численні переваги з точки зору розвідки, спостереження та бойових можливостей. Використання БПЛА у військовій сфері забезпечує більш повну обізнаність про ситуацію, оперативну ефективність і знижує ризики для персоналу. Окрім цього, у сфері розвідки та спостереження БПЛА зробили революцію у контексті збирання розвідувальних даних. Обладнані новітніми системами обробки зображень, давачами та камерами високої роздільної здатності, вони можуть здійснювати аерофотозйомку в реальному часі, стежити за діяльністю противника та збирати важливі розвідувальні дані, не наражаючи військових на небезпеку. БПЛА дають можливість проводити довготривалі операції в умовах секретності, надаючи командирам цінну інформацію для прийняття стратегічних рішень. Проте, залишається не вирішеним питання забезпечення конфіденційності критичних даних, зібраних за допомогою БПЛА. З огляду на це, у роботі було сформовано універсальний датасет криптографічних алгоритмів, що використовує нейронну мережу для вибору оптимального алгоритму шифрування. Для формування такого датасету необхідно було оцінити швидкість роботи алгоритмів, їх криптостійкість та інші параметри. Розроблений датасет у синтезі з нейронною мережею може використовуватись для вибору оптимального криптоалгоритму залежно від умов функціонування. У подальших дослідженнях авторами планується визначити критерії застосування сформованого датасету нейронними мережами та розробити базу знань для навчання нейронної мережі.

Завантаження

Дані завантаження ще не доступні.

Посилання

Du, X., Tang, Y., Gou, Y., & Huang, Z. (2021). Data Processing and Encryption in UAV Radar. У 2021 IEEE 4th Advanced Information Management, Communicates, Electronic and Automation Control Conference (IMCEC). IEEE. https://doi.org/10.1109/imcec51613.2021.9482373.

Hnatiuk, S., Kinzeriavyi, V., Polishchuk, Yu. (2022). Analiz metodiv zabezpechennia konfidentsiinosti danykh, yaki peredaiutsia z BPLA. Kiberbezpeka: osvita, nauka, tekhnika, 1(17), 167-186.

Dong, T., & Huang, T. (2020). Neural Cryptography Based on Complex-Valued Neural Network. IEEE Transactions on Neural Networks and Learning Systems, 31(11), 4999–5004. https://doi.org/10.1109/tnnls.2019.2955165.

Jhajharia, S., Mishra, S., & Bali, S. (2013). Public key cryptography using neural networks and genetic algorithms. У 2013 Sixth International Conference on Contemporary Computing (IC3). IEEE. https://doi.org/10.1109/ic3.2013.6612177.

Xiao, Y., Hao, Q., & Yao, D. D. (2019). Neural Cryptanalysis: Metrics, Methodology, and Applications in CPS Ciphers. У 2019 IEEE Conference on Dependable and Secure Computing (DSC). IEEE. https://doi.org/10.1109/dsc47296.2019.8937659.

Niemiec, M., Mehic, M., & Voznak, M. (2018). Security Verification of Artificial Neural Networks Used to Error Correction in Quantum Cryptography. У 2018 26th Telecommunications Forum (TELFOR). IEEE. https://doi.org/10.1109/telfor.2018.8612006.

Das, G., & Kule, M. (2022). A New Error Correction Technique in Quantum Cryptography using Artificial Neural Networks. У 2022 IEEE 19th India Council International Conference (INDICON). IEEE. https://doi.org/10.1109/indicon56171.2022.10040091.

Schmidt, T., Rahnama, H., Sadeghian, A. (2008). A review of applications of artificial neural networks in cryptosystems, World Automation Congress. Waikoloa, HI.

Bernstein, D. J. (б. д.). The Salsa20 Family of Stream Ciphers. У Lecture Notes in Computer Science (с. 84–97). Springer Berlin Heidelberg. https://doi.org/10.1007/978-3-540-68351-3_8.

Wu, H. (2004). A New Stream Cipher HC-256. У Fast Software Encryption (с. 226–244). Springer Berlin Heidelberg. https://doi.org/10.1007/978-3-540-25937-4_15.

Kelsey, J., Kohno, T., & Schneier, B. (2001). Amplified Boomerang Attacks Against Reduced-Round MARS and Serpent. У Fast Software Encryption (с. 75–93). Springer Berlin Heidelberg. https://doi.org/10.1007/3-540-44706-7_6.

Ferguson, N., Hall, C., Kelsey, J., Wagner, D., Whiting, D., & Schneier, B. (1999). The Twofish Encryption Algorithm: A 128-Bit Block Cipher. Wiley.

Gonzalez, T. (2007). A reflection attack on Blowfish. http://karbalus.free.fr/sat/docsat/PaperGonzalezTom.pdf.

Kara, O., & Manap, C. (б. д.). A New Class of Weak Keys for Blowfish. У Fast Software Encryption (с. 167–180). Springer Berlin Heidelberg. https://doi.org/10.1007/978-3-540-74619-5_11.

Anderson, R., Biham, E., Knudsen, L. (2000). Serpent: A Proposal for the Advanced Encryption Standard. https://www.cl.cam.ac.uk/~rja14/Papers/serpent.pdf

DSTU 7624:2014 «Informatsiini tekhnolohii. Kryptohrafichnyi zakhyst informatsii. Alhorytm symetrychnoho blokovoho peretvorennia». http://online.budstandart.com/ua/catalog/doc-page?id_doc=65314

Bhadeshia, H. K. (1999). Neural Networks in Materials Science. ISIJ International, 39(10), 966-979.

Thakur, J., Kumar, N. (2011). DES, AES and Blowfish: Symmetric Key Cryptography Algorithms Simulation Based Performance Analysis. International Journal of Emerging Technology and Advanced Engineering, 1(2), 6-12.

Panama Stream cipher. http://nightcrowlwing.blogspot.com/2012/10/panama-stream-cipher.html

Sovyn, Ya., Khoma, V., Nakonechnyi, Yu., Stakhiv, M. (2019). Efektyvna implementatsiia ta porivniannia shvydkodii shyfriv «Kalyna» ta HOST 28147-89 za vykorystannia vektornykh rozshyren SSE, AVX ta AVX-512. Zakhyst informatsii, 21(4), 207-223. https://doi.org/10.18372/24107840.21.14266

RC2. Block cipher with symmetric secret key. (2020). http://www.crypto-it.net/eng/symmetric/rc2.html

NIST. Advanced Encryption Standard (AES). (2021). https://csrc.nist.gov/publications/detail/fips/197/final

Davis, R. (1978). The data encryption standard in perspective. IEEE Communications Society Magazine, 16(6), 5-9. https://doi.org/10.1109/MCOM.1978.1089771

Haykin, S. (1999). Neural Networks: A Comprehensive Foundation. The Knowledge Engineering Review, 13(4), 409-412.

Juracy, L.R., Garibotti, R., Moraes, F.G. (2023). From CNN to DNN Hardware Accelerators: A Survey on Design. Exploration, Simulation, and Frameworks.