《Digital Signal Processing》：IDSGA: A high-performance search model for differential-neural cryptanalysis
編輯推薦：
在物聯網中，輕量級分組密碼安全評估至關重要。差分分析可評估其安全性，但現有方法在尋找合適輸入差異時存在難題。研究人員提出 IDSGA 模型，該模型執行時間比 Gohr 減少 93%，能找到更優輸入差異，為差分神經密碼分析開辟新路徑。
在物聯網飛速發展的時代，輕量級分組密碼作為保障物聯網設備安全的關鍵防線，其安全性評估的重要性不言而喻。想象一下，無人機在空中傳輸數據、路由器交換信息，這些設備中的數字信號都依賴輕量級分組密碼進行加密保護。然而，傳統的安全評估方法正面臨著巨大挑戰。
差分分析原本是評估分組密碼安全性的有效手段，它通過尋找高概率差分來猜測密鑰。但隨著神經網絡在密碼分析領域的應用，新問題接踵而至。例如，當使用神經網絡區分器時，尋找合適的數據集變得困難重重。Gohr 為確定 SPECK32/64 的合適輸入差異，計算了約 300 天，而且高概率差異不一定是神經網絡區分器的最優解，神經網絡的黑箱特性讓尋找合適輸入差異成為一個棘手的難題。此外，現有方法在搜索輸入差異時，要么計算量巨大，要么存在隨機性問題，且隨著加密輪數增加，數據集的差分特征還會減弱，卻沒有有效的增強方法。在這樣的背景下，開展新的研究迫在眉睫。
為了解決這些問題，相關研究人員開展了關于輸入差異搜索模型的研究。他們提出了 IDSGA（Input Difference Search Genetic Algorithm）模型，這一研究成果發表在《Digital Signal Processing》上。該研究具有重要意義，IDSGA 模型為差分神經密碼分析建立了新的范式，極大地提升了搜索效率，優化了輸入差異的尋找過程。
研究人員在開展這項研究時，主要運用了以下關鍵技術方法：一是特征純化（Feature Purification），通過傳統差分概率積分消除冗余模式，同時保留與攻擊相關的統計屬性，增強差分特征；二是多維分布映射（Multi - Dimensional Distribution Mapping），將純化后的數據轉換為可解釋的統計指標，實現對數據集的定量評估；三是引入遺傳算法（Genetic Algorithm，GA）優化差分搜索空間，避免搜索空間的混亂，還提出了理論上更快的量子版本。
下面來詳細看看研究結果：
- IDSGA 搜索模型：該模型通過特征純化和多維分布映射，創新性地將密碼學理論與深度學習相結合。特征純化減少了數據集在更高輪數中的退化，多維分布映射使模型對數據集的評估更有效，增強了在更高輪次神經網絡區分器中探索輸入差異的能力。
- 分析和驗證 IDSGA：IDSGA 模型基于遺傳算法，通過特征純化和多維分布映射確定差分數據集。由于神經網絡的黑箱性質，研究采用了消融研究來關聯相關指標，驗證了模型的有效性。
- 應用于 SPECK 和 CARX：研究人員將模型應用于 SPECK32/64 和 CARX - 64。在 SPECK32/64 上驗證了模型的功效，在 CARX - 64 上，IDSGA 模型找到的輸入差異優于 Gohr 的搜索方法，并且使神經網絡區分器的性能提高了一輪。實驗結果顯示，IDSGA 模型的執行時間比 Gohr 減少了 93%，結合遺傳算法后執行速度提高了約 55%。
研究結論表明，IDSGA 模型能夠在相對較短的時間內推導出可靠的輸入差異，還能快速預測不同輸入差異的準確性，大大降低了搜索過程中的時間消耗。這一模型的提出，為差分神經密碼分析領域帶來了新的曙光。它打破了以往對神經網絡評估的依賴，構建了更優的搜索路徑，無論是對于提升物聯網設備中輕量級分組密碼的安全性評估水平，還是推動密碼學領域的發展，都具有不可忽視的重要意義。未來，隨著研究的深入，有望在此基礎上進一步優化模型，拓展其在更多密碼算法安全評估中的應用，為網絡安全保駕護航。
