一种基于神经网络的差分区分器及其密码恢复破译方法技术

本发明专利技术提出了一种基于神经网络的差分区分器及其密码恢复破译方法，属于密码分析领域，包括：输入模型、初始卷积模型、卷积模型、预测头模型和输出模型；输入模型用于接收密文矩阵；初始卷积模型使用单层卷积操作来提取输入模型中密文矩阵的特征；卷积模型使用多个残差结构对初始卷积模型提取的特征进行深度提取；预测头模型采用多尺度全连接层进行预测输出，输出一个0～1间的浮点数作为输出模型的输入；输出模型采用softmax函数和稀疏分类交叉熵进行二值输出，用于判断密文对为随机密文对还是真实密文对。本发明专利技术能提高特征提取的效率和模型的分类准确率，在使用单密文对和多密文对时均具有较高的准确率，以及较低的假阳性和假阴性率。

【技术实现步骤摘要】

本专利技术属于密码分析领域，具体涉及一种基于神经网络的差分区分器及其密码恢复破译方法。

技术介绍

1、传统的密码分析方法主要采用整数线性规划(milp)和布尔可满足性问题(sat)等方法，上述方法在面对高轮次对称密码分析时复杂度高、自动化程度低、成功率低，基于深度学习的密码分析方法在区分准确率和数据复杂度方面具有一定优势，展现了广阔的应用前景，值得进一步的研究和探索。目前，基于深度学习的差分密码分析已经被初步应用于各种轻量级对称加密密码算法的实验中，并取得了显著的效果，这证明了其具有一定的普适性。然而，该方法仍存在一些问题。例如，构建的神经网络差分区分器针对密文对的区分能力仍有待改进，且能够攻击的密码轮次仍然较低，这严重限制了其在实际应用中的使用。神经区分器用于区分加密数据与随机数据，其性能直接影响加密分析的精度。现有的神经区分器在特征提取过程中存在信息损失问题，尤其是在卷积层深度增加的情况下，每一层的输入仅依赖于前一层的输出，可能导致原始输入的特征逐渐丢失。

技术实现思路

1、本专利技术针对现有技术中的不足本文档来自技高网...

【技术保护点】

1.一种基于神经网络的差分区分器，用于密码分析，其特征在于，包括：输入模型、初始卷积模型、卷积模型、预测头模型和输出模型；所述输入模型用于接收密文矩阵；所述初始卷积模型使用单层卷积操作来提取输入模型中密文矩阵的特征；所述卷积模型使用多个残差结构对初始卷积模型提取的特征进行深度提取；所述预测头模型采用多尺度全连接层进行预测输出，输出一个0～1间的浮点数作为输出模型的输入；所述输出模型采用softmax函数和稀疏分类交叉熵进行二值输出，用于判断密文对为随机密文对还是真实密文对。

2.如权利要求1所述的一种基于神经网络的差分区分器，其特征在于：所述输入模型由64个单元组成，接收4×...

【技术特征摘要】

1.一种基于神经网络的差分区分器，用于密码分析，其特征在于，包括：输入模型、初始卷积模型、卷积模型、预测头模型和输出模型；所述输入模型用于接收密文矩阵；所述初始卷积模型使用单层卷积操作来提取输入模型中密文矩阵的特征；所述卷积模型使用多个残差结构对初始卷积模型提取的特征进行深度提取；所述预测头模型采用多尺度全连接层进行预测输出，输出一个0～1间的浮点数作为输出模型的输入；所述输出模型采用softmax函数和稀疏分类交叉熵进行二值输出，用于判断密文对为随机密文对还是真实密文对。

2.如权利要求1所述的一种基于神经网络的差分区分器，其特征在于：所述输入模型由64个单元组成，接收4×16的密文矩阵。

3.如权利要求1所述的一种基于神经网络的差分区分器，其特征在于：所述初始卷积模型使用卷积核大小为1的单层卷积层来提取输入模型中密文矩阵的特征，并在卷积层后添加bn层与gelu激活函数。

4.如权利要求1所述的一种基于神经网络的差分区分器，其特征在于：所述卷积模型包括多个依次相连的卷积模块，每个卷积模块均为残差结构，包含2层卷积核大小为3的二维卷积层，并在二维卷积层后添加bn层与gelu激活函数。

5.如权利要求4所述...

【专利技术属性】
技术研发人员：聂烜，刘杰，黄郑，贺亮，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：