پیشرفت جدید، ارتباطات دیجیتال "کاملاً ایمن" را امکان پذیر می‌کند

به گزارش گروه دانش و فناوری خبرگزاری آنا به نقل از وبگاه (سای تک دیلی)، محققان به پیشرفتی دست یافته اند تا برای اولین بار ارتباطات پنهان «کاملاً ایمن» را فعال کنند.

این روش از پیشرفت‌های جدید در روش‌های تئوری اطلاعات استفاده می‌کند تا یک قسمت از محتوا را به گونه‌ای که قابل شناسایی نباشد در داخل دیگری پنهان کند.

این ممکن است پیامد‌های قوی برای امنیت اطلاعات، علاوه بر کاربرد‌های بیشتر در فشرده سازی و ذخیره سازی داده‌ها داشته باشد.

گروهی از محققان با توسعه الگوریتمی که اطلاعات حساس را چنان مؤثر پنهان می‌کند که تشخیص مخفی بودن چیزی غیرممکن است، به پیشرفتی در ارتباطات ایمن دست یافته‌اند.

این تیم به رهبری دانشگاه آکسفورد با همکاری نزدیک با دانشگاه کارنگی ملون، پیش بینی می‌کند که این روش به زودی به طور گسترده در ارتباطات دیجیتال انسانی، از جمله رسانه‌های اجتماعی و پیام‌های خصوصی مورد استفاده قرار گیرد. به ویژه، توانایی ارسال اطلاعات کاملاً ایمن ممکن است گروه‌های آسیب‌پذیر، مانند مخالفان، روزنامه‌نگاران تحقیقی، و امدادگران بشردوستانه را توانمند کند.

این الگوریتم برای تنظیمی به نام استگانوگرافی اعمال می‌شود: عمل پنهان کردن اطلاعات حساس در داخل محتوای بی ضرر.

استگانوگرافی با رمزنگاری متفاوت است، زیرا اطلاعات حساس به گونه‌ای پنهان می‌شوند که این حقیقت پنهان شدن چیزی را پنهان می‌کند. به عنوان مثال می‌توان یک شعر شکسپیر را در تصویری از یک گربه که توسط هوش مصنوعی ایجاد شده است، پنهان کرد.

علیرغم مطالعه بیش از ۲۵ سال، رویکرد‌های استگانوگرافی موجود عموماً امنیت ناقصی دارند، به این معنی که افرادی که از این روش‌ها استفاده می‌کنند در معرض خطر شناسایی قرار می‌گیرند. این به این دلیل است که الگوریتم‌های استگانوگرافی قبلی به‌طور نامحسوسی توزیع محتوای بی‌ضرر را تغییر می‌دهند.

برای غلبه بر این، تیم تحقیقاتی از پیشرفت‌های اخیر در تئوری اطلاعات استفاده کرد، به‌ویژه از جفت شدن حداقل آنتروپی، که به فرد اجازه می‌دهد دو توزیع داده را به هم بپیوندد تا اطلاعات متقابل آن‌ها به حداکثر برسد، اما توزیع‌های فردی حفظ شوند.

در نتیجه، با الگوریتم جدید، هیچ تفاوت آماری بین توزیع محتوای بی ضرر و توزیع محتوایی که اطلاعات حساس را رمزگذاری می‌کند، وجود ندارد.

این الگوریتم با استفاده از چندین نوع مدل که محتوای تولید شده خودکار را تولید می‌کنند، آزمایش شد، مانند GPT-۲، یک مدل زبان منبع باز، و WAVE-RNN، یک مبدل متن به گفتار. علاوه بر امنیت کامل، الگوریتم جدید تا ۴۰ درصد کارایی رمزگذاری بالاتری نسبت به روش‌های استگانوگرافی قبلی در برنامه‌های مختلف نشان داد، و این امکان را فراهم می‌آورد که اطلاعات بیشتری در یک مقدار معین داده پنهان شود.

این ممکن است استگانوگرافی را به روشی جذاب تبدیل کند، حتی اگر به امنیت کامل نیاز نباشد، به دلیل مزایای فشرده سازی و ذخیره سازی داده ها.

تیم تحقیقاتی یک پتنت برای الگوریتم به ثبت رسانده است، اما قصد دارد آن را تحت یک مجوز رایگان برای اشخاص ثالث برای استفاده مسئولانه غیرتجاری صادر کند. این شامل استفاده آکادمیک و بشردوستانه و ممیزی‌های امنیتی شخص ثالث قابل اعتماد است. محققان این کار را به عنوان یک مقاله پیش‌چاپ در arXiv منتشر کرده‌اند و همچنین اجرای ناکارآمد روش خود را در Github به صورت منبع باز منتشر کرده‌اند. آن‌ها همچنین الگوریتم جدید را در کنفرانس برتر هوش مصنوعی، کنفرانس بین المللی ۲۰۲۳ در مورد بازنمایی‌های یادگیری در ماه مه ارائه خواهند کرد.

محتوای تولید شده با هوش مصنوعی به طور فزاینده‌ای در ارتباطات معمولی انسانی مورد استفاده قرار می‌گیرد که توسط محصولاتی مانند ChatGPT، برچسب‌های هوش مصنوعی اسنپ چت و فیلتر‌های ویدئویی TikTok تامین می‌شود. در نتیجه، استگانوگرافی ممکن است گسترده‌تر شود، زیرا حضور صرف محتوای تولید شده توسط هوش مصنوعی باعث ایجاد سوء ظن نخواهد شد.

دکتر کریستین شرودر دو ویت (گروه علوم مهندسی، دانشگاه آکسفورد) یکی از نویسندگان این مقاله گفت: روش ما را می‌توان برای هر نرم‌افزاری که به‌طور خودکار محتوا تولید می‌کند، به‌عنوان مثال فیلتر‌های ویدیویی احتمالی یا تولیدکننده‌های میم، اعمال کرد. این می‌تواند بسیار ارزشمند باشد، به عنوان مثال، برای روزنامه نگاران و امدادگران در کشور‌هایی که عمل رمزگذاری غیرقانونی است. با این حال، کاربران همچنان باید احتیاط کنند، زیرا هر تکنیک رمزگذاری ممکن است در برابر حملات کانال جانبی مانند شناسایی یک برنامه steganography در تلفن کاربر آسیب پذیر باشد.

نویسنده همکار ساموئل سوکوتا (گروه یادگیری ماشین، دانشگاه کارنگی ملون) گفت: مشارکت اصلی این کار نشان دادن ارتباط عمیق بین مشکلی به نام جفت شدن حداقل آنتروپی و استگانوگرافی کاملا ایمن است. با استفاده از این ارتباط، خانواده جدیدی از الگوریتم‌های استگانوگرافی را معرفی می‌کنیم که تضمین‌های امنیتی کاملی دارند.

پروفسور Jakob Foerster (بخش علوم مهندسی، دانشگاه آکسفورد) نویسنده مشارکت کننده گفت: این مقاله نمونه‌ای عالی از تحقیقات در زمینه مبانی یادگیری ماشینی است که منجر به اکتشافات مهم در زمینه‌های کاربردی مهم می‌شود. دیدن این که آکسفورد، و به ویژه آزمایشگاه جوان ما، در خط مقدم همه چیز قرار دارند، شگفت‌انگیز است.