基于深度学习的多面体差分攻击及其应用

基于深度学习的多面体差分攻击及其应用

自AlphaGo诞生以来, 深度学习广泛应用于各行各业. 2019年美密会上, 研究者首次将深度学习用于分组密码算法分析, 利用深度残差网络学习特定输入明文差分的密文差分分布特征, 从而构造出满足一定精度的差分神经网络区分器. 本文结合多面体差分的思想, 提出了一种能够进一步提高精度的多面体差分神经网络区分器. 例如对于Simeck32/64算法, 8轮3面体差分神经网络区分器的精度可以从单差分的89.0%提升到96.7%. 进一步, 利用多面体差分神经网络区分器, 我们改进了13轮的实际密钥恢复攻击. 首先利用特定明文差分的密文数据集训练了8轮的2面体差分神经网络区分器和9轮的3面体差分神经...

Ausführliche Beschreibung

Gespeichert in:
Bibliographische Detailangaben
Veröffentlicht in:Journal of Cryptologic Research 2021-08, Vol.8 (4), p.591-600
Hauptverfasser: Chao-Hui, FU, DUAN Ming, WEI, Qiang, Qian-Qiong, WU, ZHOU, Rui, Heng-Chuan, SU, 付超辉, 段明, 魏强, 吴茜琼, 周睿, 宿恒川
Format: Artikel
Sprache:chi
Schlagworte:
Accuracy
Algorithms
Artificial neural networks
Complexity
Deep learning
Encryption
Neural networks
Online-Zugang:Volltext
Tags: Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
container_end_page 600
container_issue 4
container_start_page 591
container_title Journal of Cryptologic Research
container_volume 8
creator Chao-Hui, FU
DUAN Ming
WEI, Qiang
Qian-Qiong, WU
ZHOU, Rui
Heng-Chuan, SU
付超辉
段明
魏强
吴茜琼
周睿
宿恒川
description 自AlphaGo诞生以来, 深度学习广泛应用于各行各业. 2019年美密会上, 研究者首次将深度学习用于分组密码算法分析, 利用深度残差网络学习特定输入明文差分的密文差分分布特征, 从而构造出满足一定精度的差分神经网络区分器. 本文结合多面体差分的思想, 提出了一种能够进一步提高精度的多面体差分神经网络区分器. 例如对于Simeck32/64算法, 8轮3面体差分神经网络区分器的精度可以从单差分的89.0%提升到96.7%. 进一步, 利用多面体差分神经网络区分器, 我们改进了13轮的实际密钥恢复攻击. 首先利用特定明文差分的密文数据集训练了8轮的2面体差分神经网络区分器和9轮的3面体差分神经网络区分器, 然后利用概率性扩轮数、中性位扩概率等技术将区分器分别扩展到11轮, 再利用贝叶斯优化的密钥搜索策略, 实现了对Simeck32/64算法13轮的实际密钥恢复攻击, 数据复杂度和时间复杂度分别为217.7和232.8. 与已有的攻击结果相比, 复杂度分别减少为原来的1/212和1/23. 最后, 我们对密钥恢复的几种策略进行了细致分析. 本文提出的多面体差分神经网络区分器也可应用到其它分组密码算法分析中.
doi_str_mv 10.13868/j.cnki.jcr.000461
format Article
fullrecord <record><control><sourceid>wanfang_jour_proqu</sourceid><recordid>TN_cdi_proquest_journals_2895142202</recordid><sourceformat>XML</sourceformat><sourcesystem>PC</sourcesystem><wanfj_id>mmxb202104005</wanfj_id><sourcerecordid>mmxb202104005</sourcerecordid><originalsourceid>FETCH-LOGICAL-p1285-882c3e9470f51c8f24cd8025af98ca48dfe7b1b64f7c5c49568f288fd843d673</originalsourceid><addsrcrecordid>eNpFzT9Lw0AcxvEbFCy1b8BVHBN_d7m7_DJK8R8UXLqX5JKTVpvWxKIvwH841MFMBVFEiouCi8UU302uxXdhoILTs3x4voSsUbCpgxI3O7aKj9p2RyU2AHBJl0iFgedanFK5Qmpp2g5ACOkg47RCpHnMi3w4m3yYfGzexsXX03x0YV5GPw_Pxfe9mbybm6tZNjXXU3N3ay4_TZ7Ns9dVsqz94zSq_W2VNHe2m_U9q3Gwu1_falh9ylBYiEw5kcdd0IIq1IyrEIEJX3uofI6hjtyABpJrVwnFPSFLg6hD5E4oXadKNha3Z36s_fiw1ekNkrgMtrrd84ABo8ABROnWF66f9E4GUXr6Dxl6gnJWWucXagNnBA</addsrcrecordid><sourcetype>Aggregation Database</sourcetype><iscdi>true</iscdi><recordtype>article</recordtype><pqid>2895142202</pqid></control><display><type>article</type><title>基于深度学习的多面体差分攻击及其应用</title><source>ProQuest Central</source><creator>Chao-Hui, FU ; DUAN Ming ; WEI, Qiang ; Qian-Qiong, WU ; ZHOU, Rui ; Heng-Chuan, SU ; 付超辉 ; 段明 ; 魏强 ; 吴茜琼 ; 周睿 ; 宿恒川</creator><creatorcontrib>Chao-Hui, FU ; DUAN Ming ; WEI, Qiang ; Qian-Qiong, WU ; ZHOU, Rui ; Heng-Chuan, SU ; 付超辉 ; 段明 ; 魏强 ; 吴茜琼 ; 周睿 ; 宿恒川</creatorcontrib><description>自AlphaGo诞生以来, 深度学习广泛应用于各行各业. 2019年美密会上, 研究者首次将深度学习用于分组密码算法分析, 利用深度残差网络学习特定输入明文差分的密文差分分布特征, 从而构造出满足一定精度的差分神经网络区分器. 本文结合多面体差分的思想, 提出了一种能够进一步提高精度的多面体差分神经网络区分器. 例如对于Simeck32/64算法, 8轮3面体差分神经网络区分器的精度可以从单差分的89.0%提升到96.7%. 进一步, 利用多面体差分神经网络区分器, 我们改进了13轮的实际密钥恢复攻击. 首先利用特定明文差分的密文数据集训练了8轮的2面体差分神经网络区分器和9轮的3面体差分神经网络区分器, 然后利用概率性扩轮数、中性位扩概率等技术将区分器分别扩展到11轮, 再利用贝叶斯优化的密钥搜索策略, 实现了对Simeck32/64算法13轮的实际密钥恢复攻击, 数据复杂度和时间复杂度分别为217.7和232.8. 与已有的攻击结果相比, 复杂度分别减少为原来的1/212和1/23. 最后, 我们对密钥恢复的几种策略进行了细致分析. 本文提出的多面体差分神经网络区分器也可应用到其它分组密码算法分析中.</description><identifier>ISSN: 2097-4116</identifier><identifier>ISSN: 2095-7025</identifier><identifier>DOI: 10.13868/j.cnki.jcr.000461</identifier><language>chi</language><publisher>Beijing: Chinese Association for Cryptologic Research, Journal of Cryptologic Research</publisher><subject>Accuracy ; Algorithms ; Artificial neural networks ; Complexity ; Deep learning ; Encryption ; Neural networks</subject><ispartof>Journal of Cryptologic Research, 2021-08, Vol.8 (4), p.591-600</ispartof><rights>2021. This work is published under http://www.jcr.cacrnet.org.cn/EN/column/column4.shtml Notwithstanding the ProQuest Terms and Conditions, you may use this content in accordance with the terms of the License.</rights><rights>Copyright © Wanfang Data Co. Ltd. All Rights Reserved.</rights><oa>free_for_read</oa><woscitedreferencessubscribed>false</woscitedreferencessubscribed></display><links><openurl>$$Topenurl_article</openurl><openurlfulltext>$$Topenurlfull_article</openurlfulltext><thumbnail>$$Uhttp://www.wanfangdata.com.cn/images/PeriodicalImages/mmxb/mmxb.jpg</thumbnail><linktohtml>$$Uhttps://www.proquest.com/docview/2895142202?pq-origsite=primo$$EHTML$$P50$$Gproquest$$Hfree_for_read</linktohtml><link.rule.ids>314,776,780,21367,27901,27902,33721,43781</link.rule.ids></links><search><creatorcontrib>Chao-Hui, FU</creatorcontrib><creatorcontrib>DUAN Ming</creatorcontrib><creatorcontrib>WEI, Qiang</creatorcontrib><creatorcontrib>Qian-Qiong, WU</creatorcontrib><creatorcontrib>ZHOU, Rui</creatorcontrib><creatorcontrib>Heng-Chuan, SU</creatorcontrib><creatorcontrib>付超辉</creatorcontrib><creatorcontrib>段明</creatorcontrib><creatorcontrib>魏强</creatorcontrib><creatorcontrib>吴茜琼</creatorcontrib><creatorcontrib>周睿</creatorcontrib><creatorcontrib>宿恒川</creatorcontrib><title>基于深度学习的多面体差分攻击及其应用</title><title>Journal of Cryptologic Research</title><description>自AlphaGo诞生以来, 深度学习广泛应用于各行各业. 2019年美密会上, 研究者首次将深度学习用于分组密码算法分析, 利用深度残差网络学习特定输入明文差分的密文差分分布特征, 从而构造出满足一定精度的差分神经网络区分器. 本文结合多面体差分的思想, 提出了一种能够进一步提高精度的多面体差分神经网络区分器. 例如对于Simeck32/64算法, 8轮3面体差分神经网络区分器的精度可以从单差分的89.0%提升到96.7%. 进一步, 利用多面体差分神经网络区分器, 我们改进了13轮的实际密钥恢复攻击. 首先利用特定明文差分的密文数据集训练了8轮的2面体差分神经网络区分器和9轮的3面体差分神经网络区分器, 然后利用概率性扩轮数、中性位扩概率等技术将区分器分别扩展到11轮, 再利用贝叶斯优化的密钥搜索策略, 实现了对Simeck32/64算法13轮的实际密钥恢复攻击, 数据复杂度和时间复杂度分别为217.7和232.8. 与已有的攻击结果相比, 复杂度分别减少为原来的1/212和1/23. 最后, 我们对密钥恢复的几种策略进行了细致分析. 本文提出的多面体差分神经网络区分器也可应用到其它分组密码算法分析中.</description><subject>Accuracy</subject><subject>Algorithms</subject><subject>Artificial neural networks</subject><subject>Complexity</subject><subject>Deep learning</subject><subject>Encryption</subject><subject>Neural networks</subject><issn>2097-4116</issn><issn>2095-7025</issn><fulltext>true</fulltext><rsrctype>article</rsrctype><creationdate>2021</creationdate><recordtype>article</recordtype><sourceid>BENPR</sourceid><recordid>eNpFzT9Lw0AcxvEbFCy1b8BVHBN_d7m7_DJK8R8UXLqX5JKTVpvWxKIvwH841MFMBVFEiouCi8UU302uxXdhoILTs3x4voSsUbCpgxI3O7aKj9p2RyU2AHBJl0iFgedanFK5Qmpp2g5ACOkg47RCpHnMi3w4m3yYfGzexsXX03x0YV5GPw_Pxfe9mbybm6tZNjXXU3N3ay4_TZ7Ns9dVsqz94zSq_W2VNHe2m_U9q3Gwu1_falh9ylBYiEw5kcdd0IIq1IyrEIEJX3uofI6hjtyABpJrVwnFPSFLg6hD5E4oXadKNha3Z36s_fiw1ekNkrgMtrrd84ABo8ABROnWF66f9E4GUXr6Dxl6gnJWWucXagNnBA</recordid><startdate>20210830</startdate><enddate>20210830</enddate><creator>Chao-Hui, FU</creator><creator>DUAN Ming</creator><creator>WEI, Qiang</creator><creator>Qian-Qiong, WU</creator><creator>ZHOU, Rui</creator><creator>Heng-Chuan, SU</creator><creator>付超辉</creator><creator>段明</creator><creator>魏强</creator><creator>吴茜琼</creator><creator>周睿</creator><creator>宿恒川</creator><general>Chinese Association for Cryptologic Research, Journal of Cryptologic Research</general><general>信息工程大学 网络空间安全学院, 郑州 450001%信息工程大学 网络空间安全学院, 郑州 450001</general><general>河南省网络密码技术重点实验室, 郑州 450001</general><scope>8FE</scope><scope>8FG</scope><scope>ABUWG</scope><scope>AFKRA</scope><scope>ARAPS</scope><scope>AZQEC</scope><scope>BENPR</scope><scope>BGLVJ</scope><scope>CCPQU</scope><scope>DWQXO</scope><scope>GNUQQ</scope><scope>HCIFZ</scope><scope>JQ2</scope><scope>K7-</scope><scope>P5Z</scope><scope>P62</scope><scope>PIMPY</scope><scope>PQEST</scope><scope>PQQKQ</scope><scope>PQUKI</scope><scope>PRINS</scope><scope>2B.</scope><scope>4A8</scope><scope>92I</scope><scope>93N</scope><scope>PSX</scope><scope>TCJ</scope></search><sort><creationdate>20210830</creationdate><title>基于深度学习的多面体差分攻击及其应用</title><author>Chao-Hui, FU ; DUAN Ming ; WEI, Qiang ; Qian-Qiong, WU ; ZHOU, Rui ; Heng-Chuan, SU ; 付超辉 ; 段明 ; 魏强 ; 吴茜琼 ; 周睿 ; 宿恒川</author></sort><facets><frbrtype>5</frbrtype><frbrgroupid>cdi_FETCH-LOGICAL-p1285-882c3e9470f51c8f24cd8025af98ca48dfe7b1b64f7c5c49568f288fd843d673</frbrgroupid><rsrctype>articles</rsrctype><prefilter>articles</prefilter><language>chi</language><creationdate>2021</creationdate><topic>Accuracy</topic><topic>Algorithms</topic><topic>Artificial neural networks</topic><topic>Complexity</topic><topic>Deep learning</topic><topic>Encryption</topic><topic>Neural networks</topic><toplevel>online_resources</toplevel><creatorcontrib>Chao-Hui, FU</creatorcontrib><creatorcontrib>DUAN Ming</creatorcontrib><creatorcontrib>WEI, Qiang</creatorcontrib><creatorcontrib>Qian-Qiong, WU</creatorcontrib><creatorcontrib>ZHOU, Rui</creatorcontrib><creatorcontrib>Heng-Chuan, SU</creatorcontrib><creatorcontrib>付超辉</creatorcontrib><creatorcontrib>段明</creatorcontrib><creatorcontrib>魏强</creatorcontrib><creatorcontrib>吴茜琼</creatorcontrib><creatorcontrib>周睿</creatorcontrib><creatorcontrib>宿恒川</creatorcontrib><collection>ProQuest SciTech Collection</collection><collection>ProQuest Technology Collection</collection><collection>ProQuest Central (Alumni Edition)</collection><collection>ProQuest Central UK/Ireland</collection><collection>Advanced Technologies &amp; Aerospace Collection</collection><collection>ProQuest Central Essentials</collection><collection>ProQuest Central</collection><collection>Technology Collection</collection><collection>ProQuest One Community College</collection><collection>ProQuest Central Korea</collection><collection>ProQuest Central Student</collection><collection>SciTech Premium Collection</collection><collection>ProQuest Computer Science Collection</collection><collection>Computer Science Database</collection><collection>Advanced Technologies &amp; Aerospace Database</collection><collection>ProQuest Advanced Technologies &amp; Aerospace Collection</collection><collection>Publicly Available Content Database</collection><collection>ProQuest One Academic Eastern Edition (DO NOT USE)</collection><collection>ProQuest One Academic</collection><collection>ProQuest One Academic UKI Edition</collection><collection>ProQuest Central China</collection><collection>Wanfang Data Journals - Hong Kong</collection><collection>WANFANG Data Centre</collection><collection>Wanfang Data Journals</collection><collection>万方数据期刊 - 香港版</collection><collection>China Online Journals (COJ)</collection><collection>China Online Journals (COJ)</collection><jtitle>Journal of Cryptologic Research</jtitle></facets><delivery><delcategory>Remote Search Resource</delcategory><fulltext>fulltext</fulltext></delivery><addata><au>Chao-Hui, FU</au><au>DUAN Ming</au><au>WEI, Qiang</au><au>Qian-Qiong, WU</au><au>ZHOU, Rui</au><au>Heng-Chuan, SU</au><au>付超辉</au><au>段明</au><au>魏强</au><au>吴茜琼</au><au>周睿</au><au>宿恒川</au><format>journal</format><genre>article</genre><ristype>JOUR</ristype><atitle>基于深度学习的多面体差分攻击及其应用</atitle><jtitle>Journal of Cryptologic Research</jtitle><date>2021-08-30</date><risdate>2021</risdate><volume>8</volume><issue>4</issue><spage>591</spage><epage>600</epage><pages>591-600</pages><issn>2097-4116</issn><issn>2095-7025</issn><abstract>自AlphaGo诞生以来, 深度学习广泛应用于各行各业. 2019年美密会上, 研究者首次将深度学习用于分组密码算法分析, 利用深度残差网络学习特定输入明文差分的密文差分分布特征, 从而构造出满足一定精度的差分神经网络区分器. 本文结合多面体差分的思想, 提出了一种能够进一步提高精度的多面体差分神经网络区分器. 例如对于Simeck32/64算法, 8轮3面体差分神经网络区分器的精度可以从单差分的89.0%提升到96.7%. 进一步, 利用多面体差分神经网络区分器, 我们改进了13轮的实际密钥恢复攻击. 首先利用特定明文差分的密文数据集训练了8轮的2面体差分神经网络区分器和9轮的3面体差分神经网络区分器, 然后利用概率性扩轮数、中性位扩概率等技术将区分器分别扩展到11轮, 再利用贝叶斯优化的密钥搜索策略, 实现了对Simeck32/64算法13轮的实际密钥恢复攻击, 数据复杂度和时间复杂度分别为217.7和232.8. 与已有的攻击结果相比, 复杂度分别减少为原来的1/212和1/23. 最后, 我们对密钥恢复的几种策略进行了细致分析. 本文提出的多面体差分神经网络区分器也可应用到其它分组密码算法分析中.</abstract><cop>Beijing</cop><pub>Chinese Association for Cryptologic Research, Journal of Cryptologic Research</pub><doi>10.13868/j.cnki.jcr.000461</doi><tpages>10</tpages><oa>free_for_read</oa></addata></record>
fulltext fulltext
identifier ISSN: 2097-4116
ispartof Journal of Cryptologic Research, 2021-08, Vol.8 (4), p.591-600
issn 2097-4116
2095-7025
language chi
recordid cdi_proquest_journals_2895142202
source ProQuest Central
subjects Accuracy
Algorithms
Artificial neural networks
Complexity
Deep learning
Encryption
Neural networks
title 基于深度学习的多面体差分攻击及其应用
url https://sfx.bib-bvb.de/sfx_tum?ctx_ver=Z39.88-2004&ctx_enc=info:ofi/enc:UTF-8&ctx_tim=2025-01-29T17%3A15%3A49IST&url_ver=Z39.88-2004&url_ctx_fmt=infofi/fmt:kev:mtx:ctx&rfr_id=info:sid/primo.exlibrisgroup.com:primo3-Article-wanfang_jour_proqu&rft_val_fmt=info:ofi/fmt:kev:mtx:journal&rft.genre=article&rft.atitle=%E5%9F%BA%E4%BA%8E%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0%E7%9A%84%E5%A4%9A%E9%9D%A2%E4%BD%93%E5%B7%AE%E5%88%86%E6%94%BB%E5%87%BB%E5%8F%8A%E5%85%B6%E5%BA%94%E7%94%A8&rft.jtitle=Journal%20of%20Cryptologic%20Research&rft.au=Chao-Hui,%20FU&rft.date=2021-08-30&rft.volume=8&rft.issue=4&rft.spage=591&rft.epage=600&rft.pages=591-600&rft.issn=2097-4116&rft_id=info:doi/10.13868/j.cnki.jcr.000461&rft_dat=%3Cwanfang_jour_proqu%3Emmxb202104005%3C/wanfang_jour_proqu%3E%3Curl%3E%3C/url%3E&disable_directlink=true&sfx.directlink=off&sfx.report_link=0&rft_id=info:oai/&rft_pqid=2895142202&rft_id=info:pmid/&rft_wanfj_id=mmxb202104005&rfr_iscdi=true