ДОСЛІДЖЕННЯ ДИФЕРЕНЦІАЛЬНОГО КРИПТОАНАЛІЗУ НА ОСНОВІ ГЛИБОКОГО НАВЧАННЯ
DOI:
https://doi.org/10.28925/2663-4023.2024.23.97109Ключові слова:
глибоке навчання; диференціальний криптоаналіз; диференціальні класифікатори; згорнута нейронна мережа.Анотація
В епоху глобального домінування комп’ютерних систем та мереж криптографія є життєво важливим засобом захисту інформації, а безпека криптографічного захисту має вирішальне значення. Технологія глибокого навчання нещодавно досягла значних успіхів у таких сферах, як класифікація зображень і обробка природної мови, викликаючи значний інтерес у дослідників. Порівняно з класичними криптографічними алгоритмами, сучасні блокові шифри є складнішими, а відображення між відкритим текстом і зашифрованим текстом менш чіткі. Це робить вилучення функцій відкритого тексту із зашифрованих текстів нейронними мережами майже неможливим. Однак симбіоз глибокого навчання та традиційного диференційного криптоаналізу є перспективним для підвищення ефективності криптоаналізу. Таким чином, інтеграція теорії та методів глибокого навчання в область криптографії стає важливою тенденцією технологічного прогресу. У цьому контексті криптоаналіз стрімко розвивається у напрямку інтелектуалізації та автоматизації. Відповідно у цьому напрямку зростає кількість дослідників, які використовують глибоке навчання для покращення розв’язання криптоаналітичних завдань. Мета цієї оглядової роботи — заглибитися у поточні тенденції досліджень навколо диференціального криптоаналізу з підтримкою глибокого навчання. Він починається з ретельного повторення диференційного аналізу в криптографії та представляє загальні моделі глибокого навчання разом із їхніми характеристиками. Крім того, він інкапсулює дизайн диференціальних класифікаторів на основі глибокого навчання, включаючи різні методи оптимізації, що використовуються в цих алгоритмах. У документі також визначені напрямки майбутніх досліджень. Попри означені проблеми, глибоке навчання має величезний потенціал у зміцненні традиційного диференційного криптоаналізу, забезпечуючи більш глибоке розуміння для аналізу безпеки та стратегій реагування, а також слугуючи цінним та перспективним інструментом для розробки та оцінки майбутніх криптографічних рішень.
Завантаження
Посилання
Maurer, U., et al. (2007). Information Security and Cryptography.
Biham, E., Shamir, A. (1991). Differential cryptanalysis of DES-like cryptosystems. J. Cryptology, 4, 3–72. https://doi.org/10.1007/BF00630563
Sarker, I. (2021 Deep Learning: A Comprehensive Overview on Techniques, Taxonomy, Applications and Research Directions. SN Comput. Sie. 2, 420. https://doi.org/10.1007/s42979-021-00815-1
Gohr, A. (2019). Improving Attacks on Round-Reduced Speck32/64 Using Deep Learning. Advances in Cryptology–CRYPTO 2019: 39th Annual International Cryptology Conference, 39, 150–179. https://doi.org/10.1007/978-3-030-26951-7_6
Zhao, J., et al. (2018). Differential Analysis of Lightweight Block Cipher GIFT. Journal of Cryptologic Research, 5(4), 5–13. https://doi.org/10.13868/j.cnki.jcr.000244
Kattenborn, T., et al. (2021). Review on Convolutional Neural Networks (CNN) in Vegetation Remote Sensing. ISPRS Journal of Photogrammetry and Remote Sensing, 173, 24–49. https://doi.org/10.1016/j.isprsjprs.2020.12.010
He, K., et al. (2016). Deep Residual Learning for Image Recognition. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 770–778. https://doi.org/10.48550/arXiv.1512.03385
Baksi, A., & Baksi, A. (2022). Machine Learning-Assisted Differential Distinguishers for Lightweight Ciphers. Classical and Physical Security of Symmetric Key Cryptographic Algorithms, 141–162.
Jain, A., Kohli, V., & Mishra, G. (2020). Deep Learning Based Differential Distinguisher for Lightweight Cipher PRESENT. Cryptology ePrint Archive.
Benamira, A., et al. (2021). A Deeper Look at Machine Learning-Based Cryptanalysis. Cryptology–EUROCRYPT 2021: 40th Annual International Conference on the Theory and Applications of Cryptographic Techniques, 805–835. https://doi.org/10.1007/978-3-030-77870-5_28
Chen, Y., & Yu, H. (2021). A New Neural Distinguisher Model Considering Derived Features from Multiple Ciphertext Pairs. IACR Cryptol. ePrint Arch., 310.
Hou, Z., Ren, J., & Chen, S. (2021). Cryptanalysis of Round-Reduced SIMON32 Based on Deep Learning. Cryptology ePrint Archive.
Yadav, T., & Kumar, M. (2021). Differential-ml Distinguisher: Machine Learning Based Generic Extension for Differential Cryptanalysis. International Conference on Cryptology and Information Security in Latin America, 191–212.
Gohr, A. (2019). Improving Attacks on Round-Reduced Speck32/64 Using Deep Learning. Advances in Cryptology–CRYPTO 2019: 39th Annual International Cryptology Conference, 39, 150–179. https://doi.org/10.1007/978-3-030-26951-7_6
Zhang, R., et al. (2021). Differential Cryptanalysis of TweGIFT-128 Based on Neural Network. 2021 IEEE Sixth International Conference on Data Science in Cyberspace (DSC), 529–534. https://doi.org/10.1109/DSC53577.2021.00084
Wang, G., Wang, G., & He, Y. (2021). Improved Machine Learning Assisted (Related-key) Differential Distinguishers For Lightweight Ciphers. 2021 IEEE 20th International Conference on Trust, Security and Privacy in Computing and Communications (TrustCom), 164–171.
Bellini, E., & Rossi, M. (2021). Performance comparison between deep learning-based and conventional cryptographic distinguishers. Intelligent Computing: Proceedings of the 2021 Computing Conference, 3, 681–701.
Su, H., Zhu, X., & Ming, D. (2021). Polytopic Attack on Round-Reduced Simon32/64 Using Deep Learning. Information Security and Cryptology: 16th International Conference, 3–20.
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2024 Цзян Сюе, Валерій Лахно, Андрій Сагун
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
