改进基于深度学习的神经区分器,使用多个密码文本对用于speck和simon.
Yufei Hou1, Jie Liu2, Shouxu Han3
1School of Software, Northwestern Polytechnical University, Xi'an, 710000, China.
Scientific reports
|April 21, 2025
概括
研究人员开发了一种用于加密分析的新神经区分器,对像Speck和Simon这样的区块密码提高了3.5%的准确性. 这种新的方法还在加密分析攻击中提高了关键恢复率9.7%.
科学领域:
- 密码学 密码学 密码学 密码学
- 机器学习 机器学习
- 计算机科学 计算机科学
背景情况:
- 基于神经网络的差分辨器提供了高效的加密分析,但在缩小圆的加密系统中面临精度限制.
- 戈尔的2019年神经区分器建立了基线,但实际安全分析需要改进.
研究的目的:
- 为加密分析提出一种新型的神经区分器,提高了加密分析的准确性和效率.
- 调查网络架构和数据集优化对区分器性能的影响.
主要方法:
- 设计了一个新的神经区分器,包含多尺度卷积块和密集的残余连接.
- 通过结合密码文本对,它们的差异,密钥和关键差异,由线性攻击概念提供信息,开发了一个新的数据集模型.
- 进行了废弃性研究,以验证拟议组件的效率.
主要成果:
- 拟议的神经区分器的准确性比Gohr的Speck 32/64高出0.15-0.45%,使用单个加密文本对.
- 与现有方法相比,使用多个加密文本对,Speck 32/64的精度提高了1.24-3.5%,Simon 32/64的精度提高了0.32-1.83%.
- 使用新型区分器的关键恢复攻击实现了61.8%的成功率,比Gohr的成功率高出9.7%.
结论:
- 新型神经网络架构和数据集模型显著提高了差异区分器的准确性.
- 拟议的方法在对Speck和Simon等区块密码的加密分析中表现出卓越的性能.
- 这一进步通过更有效的差异加密分析提供了更好的安全分析能力.
