基于机器学习的密码体制识别研究

研究对象：AES、Blowfish、Camellia、DES和 IDEA 等 5 种分组密码体制。
特征选择：基于 NIST 测试集中的 15 种随机性测试提出了 54 种基于随机性测试的新密文特征。
分类器选择：支持向量机、随机森林。
分类器优化：降维算法和并行
主要工作：

1. 构建基于机器学习算法的密码体制识别方案
2. 分析影响密码体制识别效率的因素
3. 挖掘密文特征，提高密码体制识别方案的效率
4. 采用并行化和特征降维技术进一步优化方案

密码体制识别发展方向：
持续改进密文特征方法（假设检验、分布函数、主成分分析、因子分析等）。
深度学习技术应用。
借鉴其他识别领域的思想与方法（文本特征抽取等）。

基于支持向量机的密码体制识别方案

密码体制识别主要分为：特征提取和密文识别两部分。
密码体制识别模型见上一篇密码体制分层识别方案-单分
密码体制识别方案公式：

密码体制识别方案评价指标： 主要指标为识别准确率，同时密