Recurrent Bipartite Graph Neural Networks for QC-MDPC Error Decoding in McEliece Cryptosystems↗ (원문, 새 창)

이 연구는 양자컴퓨팅 위협에 대응하는 포스트양자암호(PQC)의 핵심 요소인 QC-MDPC 코드를 전통적 신뢰전파 알고리즘으로 디코딩할 때, 짧은 그래프 사이클로 디코더가 정체돼 암호 키 정보가 유출되는 보안 취약점이 발생한다는 문제를 다룬다. 이를 해결하기 위해 순환 이분 그래프 신경망(R-BGNN) 개념 증명을 제안하며, 메시지 전달 프레임워크에 게이트 순환 유닛(GRU)을 통합하고 다중 토폴로지 커리큘럼 학습 전략을 적용해 극한-사이클 진동을 깨도록 능동적으로 학습시킨다. 20개의 미학습 행렬 토폴로지에서 평가한 결과, R-BGNN은 기존 비트플리핑 및 Min-Sum 기준선을 유의미하게 능가해 중간 수준 잡음(t=10)에서 디코딩 실패율(DFR)을 63.7% 줄이면서도 더 적은 반복으로 수렴했다.

• QC-MDPC 디코딩 시 짧은 그래프 사이클로 정체되는 보안 취약점 해결 시도
• GRU를 메시지 전달 프레임워크에 통합한 순환 이분 그래프 신경망(R-BGNN) 제안
• 다중 토폴로지 커리큘럼 학습으로 극한-사이클 진동을 깨도록 학습
• 20개 미학습 토폴로지에서 기존 비트플리핑·Min-Sum 기준선을 유의미하게 능가
• 중간 잡음 수준(t=10)에서 디코딩 실패율 63.7% 감소, 수렴 반복 수도 줄임