基于机器学习的信息论度量的密码分析
数论
2025-09-24 v2
摘要
机器学习（ML）和密码分析的领域都有一个有趣的共同目标，即基于给定的输入和输出创建函数。然而，两者在实现方式和方法上差异巨大。本文我们探索将来自 ML 领域的知识用于提供密码系统的经验评估。特别地，我们利用信息论度量进行 ML-based 分布估计。我们提出了两种可应用于已知明文情境下的新型 ML 算法应用，用于对任何密码系统进行密码分析。我们使用互信息神经估计计算密码系统的互信息泄漏，并使用二元交叉熵分类模型构建对在选定明文攻击（CPA）下的可辨识性。这些算法可以轻松应用于审计场景，以评估密码系统的鲁棒性，结果可提供有用的经验界限。我们通过对几种加密方案的经验分析来评估我们方法的有效性。此外，我们将分析扩展到新型基于网络编码的密码系统，并为我们的算法提供其他用例。我们表明我们的分类模型能够以高准确率识别出不具备 IND-CPA 安全性的加密方案，如 DES、RSA 和 AES ECB。它还能识别出带有故障参数的 CPA 安全密码系统中的问题，如降低计数器版本的 AES-CTR。我们还得出结论，使用我们的方法的算法，在大多数情况下，较小规模的神经网络即可识别密码系统中的漏洞，提供快速的合理性检查，并帮助决定是否投入更多资源部署能够破解密码系统的更大网络。
引用
@article{arxiv.2501.15075,
title = {On moments of L-functions over Dirichlet characters},
author = {Avery Bainbridge and Rizwanur Khan and Ze Sen Tang},
journal= {arXiv preprint arXiv:2501.15075},
year = {2025}
}