Progressive of degenerating?

Debido a la nueva naturaleza que adopta el proceso de cifrado y descifrado del algo- ritmo DES usando redes neuronales, y teniendo en cuenta que se incluye un nuevo factor necesario para realizar el cifrado, se propone la posibilidad de usar el algo- ritmo de DES neuronal como un algoritmo de cifrado asimétrico como se observa en la figura 5.9, y así mismo obtener las ventajas de un algoritmo asimétrico, como lo es la poca exposición de la llave necesaria para descifrar.

Figura 5.9: Propuesta uso DES neuronal como algoritmo asimétrico

En la figura 5.9 se propone usar las redes neuronales ya entrenadas como llaves. Donde la red neuronal de cifrado, junto con la llave de cifrado del algoritmo DES, como llave publica, y la red neuronal de descifrado, junto con la llave de cifrado del algoritmo DES como llave privada.

Con el objetivo de que incluso exponiendo la llave publica, si la información es cifrada con esta llave, sera imposible obtener la información sin la llave privada, que es básicamente el algoritmo de descifrado. Realizando el proceso de cifrado de esta manera, se saca provecho de una de las características de las redes neuronales, que es la falta de capacidad de poder establecer la influencia de una entrada sobre la salida.

Según lo anterior se usarían las llaves descritas en la figura 5.10.

6. Conclusiones

En este capítulo se presentan las conclusiones del proyecto realizado y los trabajos futuros que surgieron a medida del desarrollo del mismo.

6.1 Resumen

En este proyecto se generaron dos modelos de cifrado simétrico, el primero utilizando redes neuronales caóticas y el segundo la implementación del algoritmo DES basado en redes neuronales feedforward. Para el caso de las redes neuronales caóticas, el cifrado de siete señales escogidas se llevó a cabo utilizando redes desde una hasta cuatro capas con cuatro series caóticas diferentes. La motivación de este proyecto se basa en que en la revisión bibliográfica no se encontró un estudio detallado del uso de las redes caóticas ni de su implementación con arquitecturas de varias capas, tam- poco de la implementación de algoritmos robustos como el DES con redes neuronales. Para el cifrado utilizando redes caóticas se realizó primero un estudio de su estructura y su funcionamiento, luego se hizo la selección de las series de tiempo caóticas, en seguida se determinaron las arquitecturas que se utilizaron, en donde para cada caso se realizaron experimentos para encontrar bajo que parámetros de cada serie caótica se presentaba el mejor desempeño, esto se encuentra en la tabla 5.2, además se realizaron experimentos adicionales para comprobar la sensibilidad de cada uno de los parámetros de las series determinando el espacio de llaves del modelo propuesto.

A partir de los experimentos realizados se determinó el valor de los factores (r, c, u) influyen directamente en la calidad del cifrado, estos son los determinantes del caos en las series, y como se pudo observar sin caos no hay cifrado, como se presenta en la sección 3.4.1. Además se determinó que los puntos iniciales (xn, yn), no resul-

tan tan influyentes en el cifrado puesto que no influyen en el comportamiento caótico de la serie. A nivel de parámetros si bien se miden cinco parámetros con respecto a la calidad del cifrado, el más determinante es la información mutua (AMI) pues muestra una relación no lineal entre la señal original con la cifrada.

A partir de las pruebas realizadas para las redes multicapa, se determinó que el hecho de utilizar más capas y en estas emplear diferentes orígenes de caos mejora la calidad del cifrado. Así mismo se determinó que el número óptimo de capas con el fin de obtener un buen cifrado es tres, ya que el aumento del número de capas si bien disminuye el valor de la correlación, la AMI no tiende a bajar más del 0.19 que es el resultado que se obtiene cifrando con tres capas. Dentro de estas pruebas de las redes multicapa es importante resaltar el hecho de que las redes neuronales caóticas

presentan la propiedad conmutativa en sus capas, lo cual resulta algo novedoso y determinante en el estudio de esta aplicación, ya que el orden en las cuales se usen las capas no va a afectar el resultado final por lo que el orden no sería parte de la llave. Finalmente se observó que el modelo que utiliza redes neuronales caóticas pre- senta muy buenos resultados, ofrece valores de correlación del orden de10−3 _{y AMI} del orden de 0.19, lo que lo hace un modelo capaz de cifrar satisfactoriamente difer- entes tipos de señales a un bajo costo computacional.

Se evidenció la gran capacidad con las que cuentan las redes neuronales feedfor- ward, puesto logró emular un algoritmo de cifrado de tan alta complejidad como lo es el DES, teniendo en cuenta que se aplicaron limitantes importantes.

En un principio, el tiempo que puede tardar en entrenar una red neuronal feed- forward con un algoritmo de cifrado como lo es el DES, puede ser una gran dificultad, sin embargo es gratamente compensado por el tiempo de cifrado y descifrado que se obtiene una vez es entrenado correctamente, pues una vez entrenado, puede ser usado ilimitadamente.

Luego de la experimentación realizada se evidencia que en términos de desem- peño, a partir del parámetro de tiempo de entrenamiento la función Conjugate gradi- ent backpropagation with Powell-Beale restarts presenta resultados optimizados, en comparación con la función de entrenamiento o BFGS quasi-Newton backpropaga- tion.

Finalmente y tras observar los resultados tanto de las redes caóticas como de las redes feedforward, los parámetros de las imágenes cifradas con ambos métodos son similares hallándose la mayor diferencia en los tiempo de cifrado y descifrado. Por esto mencionado anteriormente, sumado a que la complejidad de las redes caóticas es considerablemente menor, para la aplicación implementada resulta una mejor opción el modelo que utiliza redes neuronales caóticas.