本申请公开了一种密码算法识别方法及相关装置，涉及信息安全技术领域。本申请中，获取基于待识别密码算法加密的密文数据，再基于密文数据的序列特征，获得密文数据的随机特征向量，其中，随机特征向量表征：待识别密码算法的加解密方式，从而分别基于预设的特征向量集合中各候选特征向量，各自与随机特征向量之间的向量相似度，筛选出满足预设的相似度条件的目标特征向量，并最终将目标特征向量对应的候选密码算法作为待识别密码算法。采用这种方式，避免了现有技术中，因传统机器学习通常基于单一或者较少的统计特征，对密码算法进行识别，从而导致对密码算法的识别不准确的技术弊端，提高了密码算法的识别准确率。提高了密码算法的识别准确率。提高了密码算法的识别准确率。
【技术实现步骤摘要】
一种密码算法识别方法及相关装置
[0001]本申请涉及信息安全
，尤其涉及一种密码算法识别方法及相关装置。
技术介绍
[0002]密码算法作为数据传输安全与否的核心，被广泛应用于通信网络、存储设备等多个领域，然而，随着密码算法的广泛应用，对于不同的密码算法，攻击者也会选择不同攻击方式进行攻击，因此，无论是要提高密码算法的安全性，还是要更好地进行密码分析工作，对密码算法的识别都是至关重要的。
[0003]目前，为了实现对密码算法的识别，出现了各式各样的密码算法的识别方法。
[0004]例如，在传统机器学习进行密码算法的识别过程中，首先获取待识别密码算法对应的加密码流(密文)和加密密码，再将加密码流和加密密码输入预先训练的神经网络，从而利用训练的神经网络对加密码流和加密密码对应的加密算法进行识别，进而得到加密码流和加密密码对应的预测加密算法。
[0005]然而，采用上述的密码算法识别方法，通过神经网络，识别出与加密码流和加密密码，对应的密码算法，会因传统机器学习通常是基于单一或者较少的统计特征，对密码算法进行识别，从而导致对密码算法的识别不准确。
[0006]因此，采用上述方式，密码算法的识别准确率较低。
技术实现思路
[0007]本申请实施例提供了一种密码算法识别方法及相关装置，用以提高密码算法的识别准确率。
[0008]第一方面，本申请实施例提供了一种密码算法识别方法，所述方法包括：
[0009]获取密文数据；其中，密文数据是基于待识别密码算法加密的；
[0010]基于密文数据的序列特征，获得密文数据的随机特征向量；其中，随机特征向量表征：待识别密码算法的加解密方式；
[0011]分别基于预设的特征向量集合中各候选特征向量，各自与随机特征向量之间的向量相似度，筛选出满足预设的相似度条件的目标特征向量；
[0012]将目标特征向量对应的候选密码算法作为待识别密码算法。
[0013]第二方面，本申请实施例还提供了一种密码算法识别装置，所述装置包括：
[0014]获取模块，用于获取密文数据；其中，密文数据是基于待识别密码算法加密的；
[0015]生成模块，用于基于密文数据的序列特征，获得密文数据的随机特征向量；其中，随机特征向量表征：待识别密码算法的加解密方式；
[0016]筛选模块，用于分别基于预设的特征向量集合中各候选特征向量，各自与随机特征向量之间的向量相似度，筛选出满足预设的相似度条件的目标特征向量；
[0017]确定模块，用于将目标特征向量对应的候选密码算法作为待识别密码算法。
[0018]在一种可能的实施例中，在获取密文数据之前，所述生成模块还用于：
[0019]针对各种候选密码算法，分别执行以下操作：
[0020]获取基于一种候选密码算法加密的样本数据；
[0021]基于样本数据的序列特征，获得样本数据的候选特征向量；
[0022]将候选特征向量与一种候选密码算法关联保存至特征向量集合中。
[0023]在一种可能的实施例中，在基于样本数据的序列特征，获得样本数据的候选特征向量时，所述生成模块具体用于：
[0024]基于样本数据的编码类型，对编码序列进行特征统计，获得至少一个序列特征；
[0025]基于至少一个序列特征，获得样本数据的候选特征向量。
[0026]在一种可能的实施例中，在将候选特征向量与一种候选密码算法关联保存至特征向量集合中之后，所述生成模块还用于：
[0027]在设定时间范围内，基于预设的损失函数，对样本数据进行密码算法识别，并记录对样本数据的算法识别次数，以及记录识别结果为一种候选密码算法的正确识别次数；
[0028]基于算法识别次数和正确识别次数，获得一种候选密码算法的算法识别置信度；
[0029]若算法识别置信度小于预设的置信度阈值，则丢弃候选特征向量和一种候选密码算法。
[0030]在一种可能的实施例中，在分别基于预设的特征向量集合中各候选特征向量，各自与随机特征向量之间的向量相似度，筛选出满足预设的相似度条件的目标特征向量时，所述筛选模块具体用于：
[0031]分别基于预设的特征向量集合中各候选特征向量，各自与随机特征向量之间的向量相似度，获得各随机特征向量各自对应的相似度排名；
[0032]基于获得的各个相似度排名，从各随机特征向量中，筛选出满足相似度条件的目标特征向量。
[0033]在一种可能的实施例中，在分别基于预设的特征向量集合中各候选特征向量，各自与随机特征向量之间的向量相似度时，所述筛选模块具体用于：
[0034]针对各候选特征向量，分别执行以下操作：
[0035]基于预设的各个分类器，获得一个候选特征向量与随机特征向量之间的各个子相似度；其中，每个子相似度表征：一个候选特征向量与随机特征向量中，一组特征属性维度之间的相似性程度；
[0036]基于获得的各个子相似度，获得一个候选特征向量与随机特征向量的向量相似度。
[0037]第三方面，提出了一种电子设备，其包括处理器和存储器，其中，所述存储器存储有程序代码，当所述程序代码被所述处理器执行时，使得所述处理器执行上述第一方面所述的密码算法识别方法的步骤。
[0038]第四方面，提出一种计算机可读存储介质，其包括程序代码，当所述程序代码在电子设备上运行时，所述程序代码用于使所述电子设备执行上述第一方面所述的密码算法识别方法的步骤。
[0039]第五方面，提供一种计算机程序产品，所述计算机程序产品在被计算机调用时，使得所述计算机执行如第一方面所述的密码算法识别方法步骤。
[0040]本申请有益效果如下：
[0041]在本申请实施例所提供的密码算法识别方法中，获取基于待识别密码算法加密的密文数据；接着，基于密文数据的序列特征，获得密文数据的随机特征向量，其中，随机特征向量表征：待识别密码算法的加解密方式；进一步地，分别基于预设的特征向量集合中各候选特征向量，各自与随机特征向量之间的向量相似度，筛选出满足预设的相似度条件的目标特征向量；最终，将目标特征向量对应的候选密码算法作为待识别密码算法。
[0042]采用这种方式，根据密文数据的序列特征，获得密文数据的随机特征向量，从而基于各候选特征向量，各自与随机特征向量之间的向量相似度，筛选出满足预设的相似度条件的目标特征向量，进而将目标特征向量对应的候选密码算法作为待识别密码算法，避免了现有技术中，因传统机器学习通常是基于单一或者较少的统计特征，对密码算法进行识别，从而导致对密码算法的识别不准确的技术弊端，故而，提高了密码算法的识别准确率。
[0043]此外，本申请的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者，通过实施本申请而了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明<本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种密码算法识别方法，其特征在于，包括：获取密文数据；其中，所述密文数据是基于待识别密码算法加密的；基于所述密文数据的序列特征，获得所述密文数据的随机特征向量；其中，所述随机特征向量表征：所述待识别密码算法的加解密方式；分别基于预设的特征向量集合中各候选特征向量，各自与所述随机特征向量之间的向量相似度，筛选出满足预设的相似度条件的目标特征向量；将所述目标特征向量对应的候选密码算法作为所述待识别密码算法。2.如权利要求1所述的方法，其特征在于，所述获取密文数据之前，还包括：针对各种候选密码算法，分别执行以下操作：获取基于一种候选密码算法加密的样本数据；基于所述样本数据的序列特征，获得所述样本数据的候选特征向量；将所述候选特征向量与所述一种候选密码算法关联保存至所述特征向量集合中。3.如权利要求2所述的方法，其特征在于，所述基于所述样本数据的序列特征，获得所述样本数据的候选特征向量，包括：基于所述样本数据的编码类型，对所述编码序列进行特征统计，获得至少一个序列特征；基于所述至少一个序列特征，获得所述样本数据的候选特征向量。4.如权利要求2所述的方法，其特征在于，所述将所述候选特征向量与所述一种候选密码算法关联保存至所述特征向量集合中之后，还包括：在设定时间范围内，基于预设的损失函数，对所述样本数据进行密码算法识别，并记录对所述样本数据的算法识别次数，以及记录识别结果为所述一种候选密码算法的正确识别次数；基于所述算法识别次数和所述正确识别次数，获得所述一种候选密码算法的算法识别置信度；若所述算法识别置信度小于预设的置信度阈值，则丢弃所述候选特征向量和所述一种候选密码算法。5.如权利要求1
‑
4中任一项所述的方法，其特征在于，所述分别基于预设的特征向量集合中各候选特征向量，各自与所述随机特征向量之间的向量相似度，筛选出满足预设的相似度条件的目标特征向量，包括：分别基于预设的特征向量集合中各候选特征向...
【专利技术属性】
技术研发人员：张正欣，牟黎明，王豪，肖春亮，何坤，张宏，
申请(专利权)人：北京神州绿盟科技有限公司神州绿盟成都科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。