改进DES、Chaskey与PRESENT的差分-神经区分器模型
密码学与安全
2022-04-14 v1
摘要
在CRYPTO'19上，Gohr提出了一种使用机器学习算法的新型密码分析策略。将差分-神经区分器与差分路径相结合，并整合先进的密钥恢复流程，Gohr实现了对Speck32/64的12轮密钥恢复攻击。Chen和Yu通过考虑来自多密文对而非单密文对的派生特征，改进了差分-神经区分器的预测精度。通过修改初始卷积层的核大小以捕获更多维度信息，可提升三种简化对称密码的差分-神经区分器预测精度。对于DES，我们提升了（5–6）轮差分-神经区分器的预测精度，并训练了一个新的7轮差分-神经区分器。对于Chaskey，我们提升了（3–4）轮差分-神经区分器的预测精度。对于PRESENT，我们提升了（6–7）轮差分-神经区分器的预测精度。源代码见https://drive.google.com/drive/folders/1i0RciZlGZsEpCyW-wQAy7zzJeOLJNWqL?usp=sharing。
引用
@article{arxiv.2204.06341,
title = {Improving Differential-Neural Distinguisher Model For DES, Chaskey, and PRESENT},
author = {Liu Zhang and Zilong Wang},
journal= {arXiv preprint arXiv:2204.06341},
year = {2022}
}