优文推荐 | 神经网络差分区分器的改进方案与应用

文摘科技 2024-11-05 14:59 陕西

NO.1 论文简介

近些年，随着信息技术的不断更新迭代，信息安全问题逐渐获得社会广泛关注，密码学作为保障信息安全的核心技术，在现代信息安全领域中发挥着越来越重要的作用。在无线传感器网络、射频识别技术等资源受限的设备中，轻量级分组密码是保障数据安全的关键算法。但是，轻量级分组密码追求低消耗、高效率，必然会导致安全性的降低。因此，轻量级分组密码的安全性分析是至关重要的。

迄今为止，深度学习技术已日渐成熟，基于深度学习的密码安全性分析逐渐成为一个全新的研究热点，使得密码安全性分析工作有了新的突破。现如今，国内外学者对密码算法安全性分析的相关研究工作表明，借助深度学习技术的安全性分析相比于传统的攻击手段能够降低攻击的复杂度，减少资源成本，具有一定的现实意义。为深入研究深度学习在密码安全性分析方面的应用，本文采用神经网络对轻量级分组密码进行差分分析，将深度学习与传统差分密码分析相结合构造神经网络差分区分器，从神经网络、输入差分和输入数据格式三个角度出发改进现有的神经网络差分区分器，并将其应用于SIMON、SIMECK和SPECK三类轻量级分组密码。

NO.2 主要贡献

（1）采用引入注意力机制的深度残差网络构造神经网络差分区分器，并将其应用于SIMON、SIMECK和SPECK三类轻量级分组密码。结果表明，SIMON32/64和SIMECK32/64有效区分器最高可达11轮，精度分别为0.5172和0.5164；SPECK32/64有效区分器最高可达8轮，精度为0.5868。

（2）探究不同的输入差分对神经网络差分区分器精度的影响。针对SIMON、SIMECK和SPECK三类密码，采用神经网络的快速训练得到不同输入差分对应的神经网络差分区分器的精度。结果表明，低汉明重量且高概率的输入差分能够提高神经网络差分区分器的精度。同时，寻找到SIMON32/64、SIMECK32/64和SPECK32/64神经网络差分区分器的合适输入差分分别为0x0000/0040、0x0000/0001和0x0040/0000。

（3）探究包含不同信息量的输入数据格式对神经网络差分区分器精度的影响。根据密码算法的特点改变输入数据包含的信息量并重新训练相应的神经网络差分区分器。结果表明，相比于只包含密文对信息，输入数据中包含密文对信息以及倒数第二轮差分信息的神经网络差分区分器会获得更高的精度。

（4）在上述研究基础上，本文进一步对11 轮 SIMON32/64 进行最后一轮子密钥恢复攻击，当选择明密文对的数量为时，在100次攻击中的攻击成功率可达100%。

NO.3 研究结论

为了进一步推广深度学习在密码分析领域的应用，本文从神经网络、输入差分和输入数据格式三个角度出发改进神经网络差分区分器，并将其应用于SIMON、SIMECK和SPECK三类轻量级分组密码。此外，本文进一步对11轮SIMON32/64进行部分密钥恢复攻击，攻击成功率最高可达100%，并且大大降低了密码分析攻击复杂度，体现了深度学习应用于密码安全性分析这一研究方向的潜在优势。

NO.4 论文资助