✅博主简介:本人擅长数据处理、建模仿真、程序设计、论文写作与指导,项目与课题经验交流。项目合作可私信或扫描文章底部二维码。
通过深度学习方法对轻量级分组密码算法(如SIMON、SIMECK、ASCON、SM4)进行安全性检测,并基于卷积神经网络(CNN)和多层感知器(MLP)等神经网络构建密码区分器模型。本文的研究内容包括基于差分分析的区分器构建、深度学习区分器与传统差分攻击方法的对比,以及基于深度学习技术的轻量级密码在无线传感器网络中的应用。研究展示了如何利用深度学习简化密码分析流程,提升密码攻击的效率。
1. 引言
随着轻量级加密算法的广泛应用,密码安全性分析变得尤为重要。传统的差分密码分析依赖于特定的密钥结构与密文模式,但这类分析在某些场景下复杂度较高。通过引入深度学习技术,构建密码区分器,可以对密码算法的安全性进行更快速的评估和攻击模拟。本文研究了如何使用CNN和MLP等深度学习模型来构建密码区分器,并通过实验对比深度学习和传统密码分析方法的性能。
2. 深度学习区分器的构建
2.1 差分分析与深度学习结合
传统的差分密码分析通过找出明文和密文之间的差异模式,来推断密钥信息。深度学习通过自动特征提取能力,可以快速捕获这些模式,构建区分模型。本文采用CNN和MLP两种深度学习模型进行密码区分器的设计。
2.2 数据集构建
为构建SIMON32/64和SIMECK32/64的神经网络区分器,我们生成明文、密文对作为数据集,数据格式为(明文,密文,标签),其中标签代表是否为有效密钥下的加密结果。数据集分为训练集和测试集,供神经网络训练与验证。
2.3 卷积神经网络(CNN)区分器
CNN通过卷积层自动提取特征,适用于处理图像、信号等数据。对于密码分析任务,CNN可以从差分数据中提取有用的特征信息,从而提高区分器的准确性。
function cnn_model = build_cnn(input_size)
layers = [
imageInputLayer(input_size)
% 第一个卷积层
convolution2dLayer(3, 32, 'Padding', 'same')
batchNormalizationLayer
reluLayer
% 池化层
maxPooling2dLayer(2, 'Stride', 2)
% 第二个卷积层
convolution2dLayer(3, 64, 'Padding', 'same')
batchNormalizationLayer
reluLayer
% 池化层
maxPooling2dLayer(2, 'Stride', 2)
% 全连接层
fullyConnectedLayer(128)
reluLayer
fullyConnectedLayer(2) % 二分类:有效密钥或无效密钥
softmaxLayer
classificationLayer];
options = trainingOptions('adam', ...
'MaxEpochs', 20, ...
'MiniBatchSize', 32, ...
'InitialLearnRate', 1e-4, ...
'Shuffle', 'every-epoch', ...
'Verbose', true, ...
'Plots', 'training-progress');
cnn_model = trainNetwork(training_data, training_labels, layers, options);
end
基本原理:
测试密码:
function mlp_model = build_mlp(input_size)
layers = [
featureInputLayer(input_size)
fullyConnectedLayer(128)
reluLayer
fullyConnectedLayer(64)
reluLayer
fullyConnectedLayer(2) % 输出二分类
softmaxLayer
classificationLayer];
options = trainingOptions('adam', ...
'MaxEpochs', 20, ...
'MiniBatchSize', 32, ...
'InitialLearnRate', 1e-3, ...
'Shuffle', 'every-epoch', ...
'Verbose', true, ...
'Plots', 'training-progress');
mlp_model = trainNetwork(training_data, training_labels, layers, options);
end