一种基于量子神经网络的分组密码差分分析方法、系统及存储介质技术方案

本发明专利技术公开了一种基于量子神经网络的分组密码的差分分析方法、系统及存储介质，方法包括：步骤一：由随机密文对和差分密文对组成训练数据集；步骤二：使用量子‑经典混合神经网络对步骤一生成的训练数据集进行训练；所述量子‑经典混合神经网络是在经典神经网络中使用量子电路作为隐藏层；步骤三：运行带有旋转门的量子电路，使用强纠缠层作为量子层；步骤四：得到区分随机密文对和差分密文对的准确率，如果准确率大于预设定值，量子神经网络能够区分随机密文对和差分密文对，由振幅嵌入层和强纠缠层组成的量子神经网络用作量子神经网络区分器；步骤五：对测试数据进行测试。本发明专利技术的方法提高了分组密码进行密码分析过程的精度、减少参数数量。

【技术实现步骤摘要】

技术介绍

1、对分组密码进行密码分析是研究分组密码安全性的重点之一，其中差分密码分析是分组密码分析中常见的一种方法，具体而言，它是一种在加密算法设计较弱的情况下，根据输入差值分析输出差值来推断密钥的技术。但是分组密码通常使用宽尾设计策略和香农原理来防止差分攻击，因此，差分分析来寻找轨迹的方法需要大量的数据，造成了瓶颈，使得差分轨迹分析失败。对于这种区分任务，人工神经网络是一个很好的解决方案，基于人工神经网络对分组密码进行差分分析，其相关工作已经展开。

2、随着近些年来量子计算机的发展，利用量子计算机的量子神经网络备受关注。量子电路类似于一个神经网络，它利用量子电路取代了经典神经网络的训练过程。差分密码分析是一种利用差分特征推断密钥的分组密码分析技术。恰好人工神经网络可以很好的解决区分任务。因此，近些年来人们关注于研究神经区分器。

技术实现思路

1、本专利技术所要解决的技术问题：对分组密码进行密码分析过程中，如何将经典神经网络和量子神经网络结合，利用量子优势，以提高分析的精度、减少参数数量。...

【技术保护点】

1.一种基于量子神经网络的分组密码的差分分析方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于量子神经网络的分组密码的差分分析方法，其特征在于，在步骤一中，包括：

3.根据权利要求2所述的一种基于量子神经网络的分组密码的差分分析方法，其特征在于，在步骤二中，包括：

4.根据权利要求3所述的一种基于量子神经网络的分组密码的差分分析方法，其特征在于，在步骤二中，使用量子电路作为隐藏层，所述量子电路由数据嵌入层和量子层组成，采用振幅嵌入(Qamp)作为数据嵌入层，振幅嵌入层使用Nqubit个量子位嵌入个经典特征，重复执行量子电路的次数为隐藏层...

【技术特征摘要】

1.一种基于量子神经网络的分组密码的差分分析方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于量子神经网络的分组密码的差分分析方法，其特征在于，在步骤一中，包括：

3.根据权利要求2所述的一种基于量子神经网络的分组密码的差分分析方法，其特征在于，在步骤二中，包括：

4.根据权利要求3所述的一种基于量子神经网络的分组密码的差分分析方法，其特征在于，在步骤二中，使用量子电路作为隐藏层，所述量子电路由数据嵌入层和量子层组成，采用振幅嵌入(qamp)作为数据嵌入层，振幅嵌入层使用nqubit个量子位嵌入个经典特征，重复执行量子电路的次数为隐藏层(neuronh)中的神经元数量除以

5.根据权利要求4所述的一种基于量子神经网络的分组密码的差分分析方法，其特征在于，在步骤二中，将第0个数据(h0)至第15个数据(h15)输入第一量子电路，将第16个数据(h16)至第31个数据(h31)输入到第二量子电路；将振幅嵌入过程重复4次，给所有隐藏神经元分配数据，完成振幅嵌入过程。

6.根据权利要求5所述的一种基于量子神...

【专利技术属性】
技术研发人员：张华乐，刘军，蒋明，金鑫，于浩，林航，张璐，张兰兰，冯宝，李振伟，吕超，崔亮节，卞宇翔，陈小龙，龚亮亮，汪筱巍，李洋，陈会杰，
申请(专利权)人：国网安徽省电力有限公司信息通信分公司，
类型：发明
国别省市：