ПРИМЕНЕНИЕ НЕЙРОННЫХ СЕТЕЙ В КРИПТОАНАЛИЗЕ НА ПРИМЕРЕ АЛГОРИТМА ВИЖЕНЬЕ
Ключевые слова:
криптоанализ, шифр Виженера, искусственные нейронные сети, глубокое обучение, рекуррентная нейронная сеть (RNN), архитектура Transformer, криптография, машинное обучение, определение длины ключа, алгоритм дешифрования.Аннотация
В данной статье исследуется применение нейронных сетей в процессах криптоанализа на примере шифра Виженера. Несмотря на то, что шифр Виженера, являющийся одним из классических многоалфавитных подстановочных алгоритмов, исторически использовался как устойчивый криптосистем, современные вычислительные возможности и подходы искусственного интеллекта позволяют выявить его уязвимости. В рамках исследования на базе библиотеки PyTorch была построена модель нейронной сети, с помощью которой проводились эксперименты по восстановлению открытого текста на основе зашифрованного. Экспериментальные результаты показали, что нейронные сети способны выявлять статистические закономерности, присущие шифру Виженера, и в определённой степени автоматизировать процесс дешифрования.
Библиографические ссылки
Sinkov, A. Elementary Cryptanalysis: A Mathematical Approach. Mathematical Association of America, 1966.
Millichap, C., & Yau, Y. (2023). An artificial neural network approach to finding the key length of the Vigenère cipher. arXiv preprint arXiv:2312.09956.
Greydanus, S. (2017). Learning to Decrypt Classical Ciphers with Recurrent Neural Networks. arXiv preprint arXiv:1708.07576.
Focardi, R., & Luccio, F. L. (2016). Neural Cryptanalysis of Classical Ciphers. CEUR Workshop Proceedings.
Jeong, O. (2024). Comprehensive Neural Cryptanalysis on Block Ciphers (DES, AES, SPECK). Mathematics, 12(13), 1936.
Abd, A. (2018). Classification and Identification of Classical Cipher Type Using Artificial Neural Networks. Journal of Information & Systems Management, 8(3), 94–104.
Xiao, Y., Hao, Q., & Yao, D. (2019). Neural Cryptanalysis: Metrics, Methodology, and Applications in CPS Ciphers. Proceedings, Neural Cryptanalysis Workshop.
Abadi, M., & Andersen, D. G. (2016). Learning to Protect Communications with Adversarial Neural Cryptography.
Greydanus, S. (2017). Learning the Enigma with Recurrent Neural Networks.
Bhattacharyya, S., & Ghosh, S. (2018). Application of Deep Learning in Classical Cipher Cryptanalysis.
Загрузки
Опубликован
Как цитировать
Лицензия
Copyright (c) 2025 Мирзо-Улугбек Давлатов, Ориф Алланов, Бахтиёр Турдибеков

Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.