深度学习驱动的多面体差分攻击在Simeck32/64中的应用
需积分: 0 103 浏览量
更新于2024-08-04
收藏 565KB PDF 举报
"这篇文档是《密码学报》上的一篇文章,主要探讨了基于深度学习的多面体差分攻击在密码学中的应用,特别是针对Simeck32/64算法的攻击策略。文章提到了如何利用深度残差网络构建差分神经网络区分器,以提高攻击的精度,并通过扩展轮数和应用概率性技术优化密钥恢复过程。"
在密码学领域,深度学习已经成为一种强大的工具,尤其是在分组密码算法的分析中。2019年的国际密码会议上,研究人员首次尝试将深度学习引入到密码分析中,利用深度残差网络(Deep Residual Network)来学习特定输入明文差分导致的密文差分分布特性,这为构建高精度的区分器提供了可能。本文进一步发展了这一思路,提出了一种名为多面体差分神经网络区分器的方法。
多面体差分神经网络区分器是基于多面体差分理论的,它能够更有效地捕获加密过程中的模式,从而提高攻击的精度。在Simeck32/64算法的例子中,通过使用8轮的3面体差分神经网络区分器,区分器的精度从单一差分的89.0%显著提升到96.7%,这表明了新方法的有效性。
为了进行实际的密钥恢复攻击,文章详细描述了一个13轮Simeck32/64算法的攻击流程。首先,利用特定明文差分的密文数据集训练了8轮的2面体和9轮的3面体差分神经网络区分器。接着,通过概率性扩轮数和中性位扩概率的技术将区分器扩展到11轮。最后,结合贝叶斯优化的密钥搜索策略,实现了13轮攻击,数据复杂度降低至217.7,时间复杂度降低至232.8。相比之前的攻击结果,复杂度分别减少了212倍和3倍。
文章还对密钥恢复的各种策略进行了深入的比较和分析,这有助于理解不同方法的优缺点。更重要的是,提出的多面体差分神经网络区分器不仅限于Simeck32/64,它有潜力应用于其他分组密码算法的分析。
总结关键词:深度学习、轻量级分组密码、多面体差分、Simeck32/64。这篇工作展示了深度学习在密码分析领域的创新应用,为未来的研究提供了新的思路和技术。
2021-09-11 上传
2021-09-05 上传
2022-04-15 上传
2024-05-24 上传
2023-10-16 上传
2023-08-25 上传
2023-10-19 上传
2023-08-21 上传
2024-07-11 上传
2023-07-13 上传
![](https://profile-avatar.csdnimg.cn/b05edcc7fdaf4428923a3bf446b2ab6b_qq_61890005.jpg!1)
宋罗世家技术屋
- 粉丝: 1306
- 资源: 109
最新资源
- 解决本地连接丢失无法上网的问题
- BIOS报警声音解析:故障原因与解决方法
- 广义均值移动跟踪算法在视频目标跟踪中的应用研究
- C++Builder快捷键大全:高效编程的秘密武器
- 网页制作入门:常用代码详解
- TX2440A开发板网络远程监控系统移植教程:易搭建与通用解决方案
- WebLogic10虚拟内存配置详解与优化技巧
- C#网络编程深度解析:Socket基础与应用
- 掌握Struts1:Java MVC轻量级框架详解
- 20个必备CSS代码段提升Web开发效率
- CSS样式大全:字体、文本、列表样式详解
- Proteus元件库大全:从基础到高级组件
- 74HC08芯片:高速CMOS四输入与门详细资料
- C#获取当前路径的多种方法详解
- 修复MySQL乱码问题:设置字符集为GB2312
- C语言的诞生与演进:从汇编到系统编程的革命