РОЗРОБКА СИМЕТРИЧНОГО КРИПТОГРАФІЧНОГО ДИФЕРЕНЦІЙНОГО РОЗРІЗНЮВАЧА НА ОСНОВІ ГЛИБОКОГО НАВЧАННЯ

Сюе Цзян; Валерій Лахно; Андрій Сагун; Сергій Мамченко

doi:10.28925/2663-4023.2024.26.674

Автор(и)

Сюе Цзян Університет Бенгбу, м. Бенгбу, провінція Аньхой, Китай, Національний університет біоресурсів і природокористування України https://orcid.org/0009-0000-1676-2331
Валерій Лахно Національний університет біоресурсів і природокористування України https://orcid.org/0000-0001-9695-4543
Андрій Сагун Національний університет біоресурсів і природокористування України https://orcid.org/0000-0002-5151-9203
Сергій Мамченко Національний університет біоресурсів і природокористування України https://orcid.org/0009-0000-1676-2331

DOI:

https://doi.org/10.28925/2663-4023.2024.26.674

Ключові слова:

глибоке навчання, криптоаналіз, модель Гора, симетричний криптографічний диференційний розрізнювач, Speck32/64.

Анотація

Дослідження в галузі криптоаналізу демонструють, що диференційні розрізнювачі (ДР), основані на нейронних мережах (НМ), значно перевершують традиційні методи в виявленні слабкостей простих алгоритмів шифрування. Це пов'язано з їх здатністю виявляти складні патерни в даних, які можуть залишатися непоміченими для класичних підходів. Однак, попри їхньої високої продуктивності, існують обмеження щодо точності розрізнення та максимального числа раундів, яке можливо скомпрометувати для певних шифрів. Мета даного дослідження полягає в подоланні зазначених недоліків шляхом оптимізації архітектури НМ та структури вхідних даних, відповідно до моделі Гора (Gohr). У рамках цієї роботи було вдосконалено кілька ключових компонентів ДР: модуль згортання, залишковий модуль та модуль прогнозування. Оптимізація цих компонентів дозволила значно підвищити ефективність у розпізнаванні диференційних патернів у шифротекстах. Крім того, особлива увага була приділена оптимізації структури вхідних даних, що дало змогу точніше ідентифікувати характеристики шифротексту та інформацію про структуру шифрування. Результати дослідження, проведеного на прикладі криптоаналізу шифру Speck32/64, підтверджують досягнуті вдосконалення: точність роботи ДР зросла на 5-7 раундів, а можливість розпізнавання була розширена до 8 раундів шифру. Ці досягнення свідчать про високу ефективність запропонованого підходу, який має значний потенціал для подальших досліджень у сфері криптоаналізу. У зв'язку з важливістю безпеки інформаційних систем, результати цього дослідження можуть суттєво вплинути на розвиток нових методів криптоаналізу та вдосконалення алгоритмів шифрування, що, своєю чергою, може призвести до підвищення надійності захисту даних у сучасному цифровому середовищі.

Завантаження

Дані завантаження ще не доступні.

Посилання

Gohr, A. (2019). Improving attacks on round-reduced Speck32/64 using deep learning. In: Advances in Cryptology – CRYPTO 2019. LNCS, vol. 11693, 150–179. https://doi.org/10.1007/978-3-030-26951-7_6

Baksi, A., et al. (2020). Machine Learning Assisted Differential Distinguishers for Lightweight Ciphers (Extended Version). In: Classical and Physical Security of Symmetric Key Cryptographic Algorithms. Computer Architecture and Design Methodologies, 141–162. https://doi.org/10.1007/978-981-16-6522-6_6

Jain, A., Kohli, V., & Mishra, G. (2020). Deep learning based differential distinguisher for lightweight cipher PRESENT. Cryptology ePrint Archive.

Wang, M. (2008). Differential cryptanalysis of reduced-round PRESENT. In: Cryptology – AFRICACRYPT 2008. AFRICACRYPT 2008. Lecture Notes in Computer Science, vol. 5023, 40–49. https://doi.org/10.1007/978-3-540-68164-9_4

Bellini, E., & Rossi, M. (2021). Performance comparison between deep learning-based and conventional cryptographic distinguishers, Intelligent Computing, LNNS, vol. 285, 681–701. https://doi.org/10.1007/978-3-030-80129-8_48

Lyu, L., Tu, Y., & Zhang, Y. (2022). Improving the Deep-Learning-Based Differential Distinguisher and Applications to Simeck. In: IEEE 25th International Conference on Computer Supported Cooperative Work in Design (CSCWD), 465–470. https://doi.org/10.1007/978-3-030-80129-8_48

Su, H. C., Zhu, X. Y., & Ming, D. (2021). Polytopic attack on round-reduced simon32/64 using deep learning. International Conference on Information Security and Cryptology. LNCS, vol. 12612, 3–20. https://doi.org/10.1007/978-3-030-71852-7_1

Benamira, A., Gerault, D., Peyrin, T., & Tan, Q. Q. (2021). A Deeper Look at Machine Learning-Based Cryptanalysis. Advances in Cryptology – EUROCRYPT 2021. EUROCRYPT 2021, LNCS, vol. 12696, 805–835. https://doi.org/10.1007/978-3-030-77870-5_28

Sun, L., Gerault, D., Benamira, A., & Peyrin, T. (2020). Neurogift: Using a machine learning based sat solver for cryptanalysis. In: Cyber Security Cryptography and Machine Learning: Fourth International Symposium, CSCML 2020, LNCS, vol. 12161, 62–84. https://doi.org/10.1007/978-3-030-49785-9_5

Hou, Z., Ren, J., & Chen, S. (2021). Cryptanalysis of round-reduced SIMON32 based on deeplearning. Cryptology ePrint Archive.

Chen, Y., Shen, Y., Yu, H., & Yuan, S. (2023). A New Neural Distinguisher Considering Features Derived from Multiple Ciphertext Pairs. The Computer Journal, 66(6), 1419–1433. https://doi.org/10.1093/comjnl/bxac019

Rajan, R., et al. (2022). Deep Learning-Based Differential Distinguisherfor Lightweight Cipher GIFT-COFB. Machine Intelligence and Smart Systems: Proceedings of MISS 2021, 397–406. https://doi.org/10.1007/978-981-16-9650-3_31

Beaulieu, R., et al. (2015). The SIMON and SPECK families of lightweight block ciphers. DAC’15: Proceedings of the 52nd Annual Design Automation Conference, 175, 1–6. https://doi.org/10.1145/2744769.2747946

Biham, E., Shamir, A. (1991). Differential cryptanalysis of DES-like cryptosystems. Journal of CRYPTOLOGY, 4(1), 3–72.

Sarker, I. H. (2021). Deep Learning: A Comprehensive Overview on Techniques, Taxonomy, Applications and Research Directions. SN Computer Science, 2 (6), 1–20. https://doi.org/10.1007/s42979-021-00815-1

He, K., et al. (2016). Deep residual learning for image recognition. IEEE Conference on Computer Vision and Pattern Recognition, 770–778. https://doi.org/10.1109/CVPR.2016.90

Gohr, A. (2019). Improving attacks on round-reduced Speck32/64 using deep learning. CRYPTO 2019, LNCS, vol. 11693, 150–179. https://doi.org/10.1007/978-3-030-26951-7_6

Hu, J., Shen, L., & Sun, G. (2018). Squeeze-and-Excitation Networks. The Conference on Computer Vision and Pattern Recognition, IEEE, 7132–7141. https://doi.org/10.1109/CVPR.2018.00745

Shalev-Shwartz, S., & Ben-David, S. (2014). Understanding machine learning: From theory to algorithms. Cambridge university press.

Chen, Y., & Yu, H. (2021). A New Neural Distinguisher Model Considering Derived Features from Multiple Ciphertext Pairs. The Computer Journal.

Hou, Z., Ren, J., & Chen, S. (2021). Improve neural distinguisher for cryptanalysis. Cryptology ePrint Archive.

Hulak, H. M., Zhiltsov, O. B., Kyrychok, R. V., Korshun, N. V., & Skladannyi, P. M. (2024). Information and cyber security of the enterprise. Textbook. Lviv: Publisher Marchenko T. V.