深度学习在 ARX 分组密码差分分析的应用

随着计算机设备的飞速更新, 先进的硬件和高效的计算能力让密码分析学者们越来越关注深度学习, 基于深度学习的密码分析近年来成为研究热点. 本文应用深度残差网络对分组密码进行差分分析,主要得到以下三项结果. 第一, 探究了神经网络模型面对密码算法的不同线性运算部件时的表现. 基于控制变量法的思想, 构造了 Speckey 和 LAX32 两类分组密码的神经网络差分区分器. 结果表明, Speckey的有效区分器最高为 7 轮, 准确率为 0.69; LAX32 的有效区分器最高为 4 轮, 准确率为 0.55. 第二, 以SIMON32/64 为例, 使用四类不同的输入数据格式分别训练了其 7–10 轮的神经网络差分区分器. 分析结果发现, 输入数据所含信息量不同时, 相同轮数的区分器准确率的差距最多可达 0.18. 神经网络对所输入的密码信息的利用能力是存在局限性的, 输入信息量达到一定程度后不会再使神经网络差分区分器的准确率提高. 最后, 将训练好的神经网络差分区分器应用到密钥恢复攻击中, 对 11 轮 SIMON32/64 进行了部分密钥恢复攻击, 当选择 28 个明文对时, 在 1000 次攻击中成功率可达 95.6%.