进一步观察使用机器学习的Speck32类密码的安全性

科学领域:

• 密码学 密码学 密码学 密码学
• 机器学习 机器学习
• 网络安全 网络安全

背景情况:

• 物联网 (IoT) 部署需要对受限制设备提供强大的安全性.
• 轻量级加密技术为资源有限的环境提供解决方案.
• 评估诸如Speck32之类的加密原体对于安全通信至关重要.

研究的目的:

• 开发一种基于机器学习的框架,用于评估Speck32类密码中的旋转参数.
• 评估不同旋转参数选择的安全影响.
• 确定最佳参数,以提高对加密分析的抵抗力.

主要方法:

• 建立了一个机器学习安全评估框架,用于旋转参数.
• 开发了使用低哈明重量和最佳差异输入模型的神经差异区分器.
• 根据神经区分器准确度评估了256个旋转参数.

主要成果:

• 旋转参数 (7,3) 与标准参数 (7,2) 相比,对机器学习辅助区分攻击的弹性更强.
• 确定了输出中的位偏差和截断的差异作为影响区分器准确性的关键因素.
• 这项工作代表了Speck32类密码旋转参数的第一个基于ML的全面安全评估.

结论:

• (7,3) 参数为Speck32类密码提供了针对基于ML的攻击的更好的安全性.
• 了解比特偏差对于设计更安全的轻量级密码至关重要.
• 开发的框架为加密参数安全评估提供了一种新的方法.