DGIST에 따르면 김 교수팀이 개발한 알고리즘은 기존 암호학적 알고리즘에 정보이론과 기계학습 방법론을 접목한 새로운 알고리즘이다.

미국표준기술연구소(NIST)의 표준 알고리즘보다 500배 더 빠른 최소 엔트로피 추정이 가능해, 향후 정보 보호 및 보안의 중요성이 더욱 증대되는 4차 산업혁명 분야에 다양하게 응용될 것으로 기대된다.

난수(亂數)는 암호 시스템의 핵심 구성 요소로, 난수의 무작위성이 암호 시스템의 보안 수준을 결정한다. 난수의 무작위성을 정량화하기 위해 NIST는 ‘최소 엔트로피’ 추정을 통해 정량화할 것을 제안한다. 이 때 최소 엔트로피는 특정 알고리즘을 적용해 결정하는데, NIST는 이런 알고리즘의 표준으로 ‘압축 추정기(Compression Estimator)’를 채택하고 있다. 하지만 압축 추정기는 연산 복잡도가 높고 추정 결과에 편향성이 존재하는 등 문제점이 있다.

이에 김용준 교수팀은 기존의 압축 추정기보다 계산 효율과 추정 정확도를 향상한 알고리즘을 개발했다. 데이터 샘플을 모두 저장하지 않고도 효율적으로 최소 엔트로피를 추정함으로써 편향성 문제를 개선할 수 있는 새로운 경량 추정 알고리즘도 함께 제안했다.

김용준 DGIST 정보통신융합전공 교수는 “개발한 알고리즘이 기존 NIST 표준 알고리즘과 동일하게 정확할뿐만 아니라 500배 빠른 추정이 가능한 만큼, 새롭게 개발한 알고리즘이 NIST의 표준 알고리즘으로 채택될 수 있도록 노력 중이다”고 말했다.

이번 연구에는 김용준 교수가 제1저자로 참여했다. 연구 결과는 컴퓨터과학 및 이론 분야 학술지인 ‘IEEE Transactions on Information Forensics and Security’ 4월 1일자에 온라인 게재됐다.