PTB überwindet Einschränkungen beim Einsatz künstlicher neuronaler Netze im gesetzlichen Messwesen.

Arbeiten der AG 8.51 „Metrologische Software“ erlauben eine effizientere Modellierung von Softwaresystemen mit dem Ziel deren funktionalen Eigenschaften im Modell zu prüfen.

Zur Modellierung der funktionalen Eigenschaften von Softwaresystemen werden immer häufiger künstliche neuronale Netze eingesetzt. Diese ermöglichen es, das Verhalten von Softwaresystemen mittels eines maschinellen Lernprozesses nachzubilden.

Für den Lern- bzw. Trainingsprozess von künstlichen neuronalen Netzen sind üblicherweise umfangreiche und hochpräzise Trainingsdaten notwendig. 

Derzeit im Einsatz befindliche künstliche neuronale Netze sind jedoch nicht für die Modellierung gängiger digitaler Signatur-Algorithmen (DSA) geeignet. Weit verbreite ist die Kombination aus Hash-Funktion (SHA) (Integrität) und Verschlüsselungs-Algorithmus (ECC) (Authentizität).

Um diesen Mangel zu beheben, wurde durch die Arbeitsgruppe 8.51“Metrologische Software“ ein alternativer Lösungsansatz zur Modellierung solcher digitaler Signatur-Algorithmen (DSA) entwickelt. Dieser Ansatz soll die Richtigkeit der generieten, öffentlichen Schlüssel und deren Übereinstimmung mit dem verwendeten Algorithmus prüfen, anstatt ganze Datensätze zur Generierung der digitalen Signaturen zu erlernen. Dadurch wird ein effizienterer und einfacherer Modellierungsprozess ermöglicht, der den umfangreichen Lernprozessen künstlicher neuronaler Netze vermeidet. 

Künstliche neuronale Netze besitzen keine Erkennungs- und Lernfähigkeit für zufällige Datensätze. Daher lassen sich kryptographische Funktionen wie beispielsweise die vielfältig verwendeten sicheren Hash-Algorithmen (SHA) nicht mit künstlichen neuronalen Netzen modellieren, da diese per Design eine hochgradige Unvorhersehbarkeit in der Abbildung von Datensätzen auf Hashwerte aufweisen. Auch um die verwendete Zuordnungstabelle eines Verschlüsselungsalgorithmus auf Basis elliptischer Kurven (ECC) rekonstruieren zu können, würden enorme Mengen von Trainingsdaten benötigt werden, damit ein künstliches neuronales Netz diese nachbilden könnte. 

Die Entwicklung und Implementierung dieses neuartigen Ansatzes werden im Rahmen einer Doktorarbeit in der AG 8.51 initial untersucht. 

Kontakt: (Levin Ho, AG 8.51“Metrologische Software“, Levin.Ho(at)ptb.de)