Comment reconnaître un chiffrement ?

Bien qu'en cryptanalyse théorique on considère que le système de chiffrement est connu, dans la réalité il n'en est pas ainsi. Nous donnons ici quelques pistes pour reconnaître un chiffre. Puis nous verrons une méthode récente utilisant les réseaux de neurones artificiels.

Utilisation des histogrammes

La première choses à faire quand on se trouve devant un message chiffré est de faire des statistiques: nombre de lettres, fréquence de chaque symbole, histogramme. De l'histogramme on peut déjà dire si c'est une substitution simple, une transposition ou... autre chose.


Exemple d'histogramme caractéristique d'une substitution simple (en français)		Exemple d'histogramme caractéristique d'une transposition (en français)

Si c'est une substitution simple, on doit retrouver des pics, qui correspondront aux lettres les plus fréquentes de la langue (par exemple, dans l'exemple ci-dessus, le E est très probablement remplacé par le B).
Si c'est une transposition, l'histogramme des lettres sera presque identique à l'histogramme théorique de la langue (les fréquences des lettres seront les mêmes puisqu'elles n'ont pas été remplacées).
Si c'est une substitution simple ou une transposition, on peut aussi deviner la langue d'après les statistiques d'apparition des lettres pour une langue donnée.
Si on retrouve pas de pics, c'est que l'on a affaire à un autre type de chiffrement.

Exemple d'histogramme caractéristique d'un
chiffre de Vigenère (en français)

Les symboles utilisés dans le cryptogramme sont des lettres

Soit n le nombre de lettres du cryptogramme.

Si on a un nombre pair de lettres et qu'il n'y a que peu de lettres différentes, on peut les regrouper par deux et les interpréter comme des coordonnées dans une grille (voir le chiffre ADFGVX).
S'il n'y a que 9 lettres différentes, c'est peut-être un chiffre de Collon.
Si on a supposé qu'il s'agit d'une transposition, disposer les lettres en a lignes et b colonnes, avec a·b=n. Essayer ensuite de retrouver la règle de transposition (facile à dire!).
Si n est un carré (p. ex 64, 81, 100, etc), il faut penser à l'utilisation d'une grille carrée, et peut-être d'une grille tournante.
Il peut aussi s'agir d'une substitution homophonique.
Le cryptogramme peut aussi avoir été construit à partir d'un système à répertoire.

Les symboles utilisés dans le cryptogramme sont des chiffres

Il y a plusieurs façons d'interpréter ces chiffres. En voici quelques-unes:

Si les nombres sont compris entre 1 et 26, il s'agit peut-être d'une substitution simple, où un nombre remplace une lettre (par exemple A=1, B=2, etc.). Pour en être sûr, faire un histogramme.
Si les nombres données sont compris entre -25 et 25, il s'agit peut-être de décalages par rapport à l'alphabet usuel ou à un texte qui sert de clef.
Si on a un nombre pair de chiffres, on peut les regrouper par deux et les interpréter comme des coordonnées dans une grille (voir le chiffre de Polybe).
Il s'agit aussi peut-être de la position d'une lettre dans un texte qui sert de clef (voir le chiffre du livre)
Il peut aussi s'agir d'une substitution homophonique.
Le cryptogramme peut aussi avoir été construit à partir d'un système à répertoire (voir le code Sittler).

Reconnaissance par apprentissage

Depuis les années 2010, des techniques utilisant des méthodes d'apprentissage comme les réseaux de neurones ont été implémentées. Les résultats sont encourageants. Cela fonctionne assez bien (mais pas toujours) avec les systèmes de chiffrement les plus connus. Voici une liste de sites où vous pourrez tester ces méthodes.

Cipher Identifier and Analyzer, boxentriq
Neural Cipher Identifier, cryptool
Reconnaitre un chiffrement, dcode

Références

Fouché Gaines Helen, Cryptanalysis, a study of ciphers and their solution, Dover Publications Inc., 1956
FM 34-40-2 Basic Cryptanalysis
Identifying Unknown Ciphers, Practical cryptography

Apprentissage

Unsupervised Cipher Cracking Using Discrete GANs, Aidan N. Gomez, Sicong Huang, Ivan Zhang, Bryan M. Li, Muhammad Osama, Lukasz Kaiser, 2018
Of Ciphers and Neurons – Detecting the Type of Ciphers Using Artificial Neural Networks, Nils Kopal, 2020. Voir aussi la vidéo dédiée à ce sujet (en anglais).
Detection of Classical Cipher Types with Feature-Learning Approaches, Ernst Leierzopf, Vasily Mikhalev, Nils Kopal, Bernhard Esslinger,Harald Lampesberger, and Eckehard Hermann, 2021
A Massive Machine-Learning Approach For Classical Cipher Type Detection Using Feature Engineering, Ernst Leierzopf, Nils Kopal, Bernhard Esslinger, Harald Lampesberger, Eckehard Hermann
Classification and Identification of Classical Cipher Type Using Artificial Neural Networks, Ahmed Abd, Sufyan Al-Janabi, 2018

Didier Müller, 5.2.23