针对 SIMON 与 SIMECK 分组密码的改进的（相关密钥）基于差分的神经区分器
密码学与安全
2022-12-23 v3 人工智能
摘要
在 CRYPTO 2019 上，Gohr 做出了开创性尝试，成功将深度学习应用于针对 NSA 分组密码 SPECK32/64 的差分密码分析，取得了比纯差分区分器更高的准确率。就其本质而言，在数据中挖掘有效特征在数据驱动的深度学习里起着关键作用。本文中，除了考虑来自密文对训练数据信息的完整性，还将关于差分密码分析结构的领域知识也纳入深度学习的训练过程以提升性能。同时，以 SIMON32/64 的差分-神经区分器性能为切入点，我们研究了输入差分对混合区分器性能的影响以选择合适的输入差分。最终，我们提升了 SIMON32/64、SIMON64/128、SIMECK32/64 和 SIMECK64/128 的神经区分器的准确率。我们也首次获得了针对 SIMON32/64、SIMON64/128、SIMECK32/64 和 SIMECK64/128 的约简轮数版本的相关密钥基于差分的神经区分器。
引用
@article{arxiv.2201.03767,
title = {Improved (Related-key) Differential-based Neural Distinguishers for SIMON and SIMECK Block Ciphers},
author = {Jinyu Lu and Guoqiang Liu and Bing Sun and Chao Li and Li Liu},
journal= {arXiv preprint arXiv:2201.03767},
year = {2022}
}