Pour relever ces défis, cet article propose un nouveau
cadre de cryptage d'images reposant sur trois innovations fondamentales : un nouveau
système chaotique hybride 3D qui associe de manière synergique
un système de Lorenz discrétisé à une carte de Chebyshev tridimensionnelle
via l'arithmétique modulaire, fusionnant la force ergodique
des systèmes continus avec l'efficacité computationnelle des cartes discrètes tout en
garantissant la stabilité numérique
et des plages chaotiques étendues ; une stratégie d'optimisation des paramètres hors ligne et
multi-objectifs
utilisant le NSGA-II, qui
pré-optimise les paramètres du système avant le déploiement en
maximisant simultanément l'entropie de l'information et en minimisant le coefficient
d'autocorrélation afin d'améliorer la qualité
et la sécurité, éliminant ainsi la surcharge d'exécution typique des schémas de chiffrement
basés sur la métaheuristique ; et
un mécanisme de chiffrement complet qui utilise efficacement les trois séquences chaotiques
distinctes générées par le
système optimisé pour contrôler indépendamment les processus de permutation
et de diffusion, assurant une intégration profonde entre la
dynamique chaotique et les opérations cryptographiques tout en améliorant considérablement
la résistance contre la cryptanalyse statistique et différentielle
Le reste de cet article est organisé comme suit. La section 2 présente une revue détaillée des
travaux connexes sur le chiffrement chaotique
et l'optimisation métaheuristique. La section 3 présente le modèle mathématique et l'analyse
dynamique du
système chaotique hybride proposé. La section 4 détaille
les procédures de chiffrement et de déchiffrement des images. La section 5 présente l'analyse
de sécurité et les résultats expérimentaux.
Enfin, la section 6 conclut l'article et suggère des
orientations pour les recherches futures.
2 Revue de la littérature
Le développement du chiffrement d'images basé sur le chaos a évolué
à travers plusieurs paradigmes méthodologiques distincts, chacun
tentant de remédier aux limites des approches précédentes.
Les premières recherches ont utilisé des systèmes chaotiques de faible dimension
tels que les cartes logistiques, les cartes de tente et les cartes de Lorenz en raison de leur
simplicité de mise en œuvre (Ye et Huang 2017). Cependant, la cryptanalyse a révélé des
vulnérabilités critiques, notamment un espace de clés réduit
et une sensibilité aux attaques de reconstruction de l'espace de phase,
ce qui a conduit à s'orienter vers des systèmes hyperchaotiques présentant une complexité
supérieure (Gao et Chen 2008 ; Liu et al. 2016). Si
les systèmes hyperchaotiques ont permis de remédier à de nombreuses limites en matière de
sécurité,
ils ont également introduit de nouveaux défis en termes d'efficacité computationnelle
et de sensibilité des paramètres.
Le rôle central de la cryptanalyse dans l'amélioration des techniques de chiffrement
a stimulé le développement de mécanismes d'attaque et de défense plus sophistiqués. Des
études récentes ont
démontré à la fois des conceptions de chiffrement innovantes et leurs
évaluations cryptanalytiques correspondantes. Par exemple, Gao
et al. (2025) ont proposé une carte cubique memristive 3D avec
deux memristors discrets pour le chiffrement d'images, introduisant une
nouvelle approche de co-conception matériel-logiciel qui améliore à la fois
la complexité chaotique et l'efficacité de la mise en œuvre. De même, Gao et al. (2025) ont
développé un algorithme de chiffrement d'images couleur parallèle
basé sur une carte neuronale logistique-Rulkov 2D,
démontrant une vitesse de traitement améliorée grâce à une architecture parallèle tout en
maintenant une sécurité robuste contre les
attaques statistiques et différentielles. Ces travaux illustrent la
tendance actuelle à l'intégration de la dynamique chaotique avancée
avec des stratégies de mise en œuvre optimisées, mais ils soulignent les
défis persistants pour équilibrer l'efficacité computationnelle
et la force cryptographique.
Une avancée significative a vu le jour avec l'intégration d'
algorithmes d'optimisation métaheuristique (MOA) pour traiter les
problèmes de sensibilité des paramètres. Les chercheurs ont utilisé des algorithmes tels que
l'algorithme génétique (GA) (Ghazvini et al.
2020), l'optimisation par essaim particulaire (PSO) et la colonie d'abeilles artificielle
(ABC) (Yu et al. 2024) pour optimiser automatiquement les paramètres à l'aide de mesures de
sécurité telles que l'entropie de l'information,
le NPCR et l'UACI comme fonctions d'aptitude. Bien que ces
méthodes améliorent
