增强针对轻量级分组密码 Simon32/64 和 Simeck32/64 的基于深度学习的旋转异或攻击
密码学与安全
2025-11-11 v1
摘要
在 CRYPTO 2019 上，Gohr 通过引入基于差分的神经区分器来攻击 Speck32/64，开创了神经密码分析，确立了将深度学习与差分密码分析相结合的新范式。此后，构建神经区分器已成为实现基于深度学习的分组密码分析的重要途径。本文通过神经网络推进了旋转异或（RX）攻击，重点优化区分器并提出了针对轻量级分组密码 Simon32/64 和 Simeck32/64 的密钥恢复攻击。具体而言，我们首先通过改进现有的差分神经区分器数据格式，构建了专为训练 RX 神经区分器设计的基础数据格式。基于这些数据格式，我们系统地识别了汉明重量为 1 和 2 的最优 RX 差分，以开发高精度的 RX 神经区分器。然后，通过创新性地应用比特敏感性测试，我们在不牺牲区分器精度的情况下实现了数据格式的显著压缩。这一优化使我们能够在数据格式中加入更多多重密文对，进一步增强了 RX 神经区分器的性能。作为应用，我们获得了 Simon32/64 和 Simeck32/64 的 14 轮和 17 轮 RX 神经区分器，分别比之前的区分器提升了 3 轮和 2 轮。此外，我们提出了两种新技术，即密钥比特敏感性测试和联合错误密钥响应，以解决将贝叶斯密钥恢复策略应用于在相关密钥设置下采用非线性密钥扩展且不考虑弱密钥空间的目标密码时的挑战。借此，基于改进的 16 轮 RX 神经区分器，我们可以直接对 Simeck32/64 发起 17 轮密钥恢复攻击。据我们所知，所提出的 RX 神经区分器……
引用
@article{arxiv.2511.06336,
title = {Enhancing Deep Learning-Based Rotational-XOR Attacks on Lightweight Block Ciphers Simon32/64 and Simeck32/64},
author = {Chengcai Liu and Siwei Chen and Zejun Xiang and Shasha Zhang and Xiangyong Zeng},
journal= {arXiv preprint arXiv:2511.06336},
year = {2025}
}