Применение методов глубокого обучения в задачах криптоанализа
Ключевые слова:
Deep Learning, Глубокое обучение, Нейронные сети, Криптоанализ, Потоковое шифрование, RC4, RC4A, Trivium, TRIAD, Модель «черного ящика», Keystream, Обнаружение отклонений, Машинное обучение, Свёрточные нейронные сети (CNN), Рекуррентные нейронные сети (RNN), LSTM, Дифференциальный криптоанализ, Анализ побочных каналов, Криптография.Аннотация
В данной статье теоретически и экспериментально исследуются возможности применения методов глубокого обучения (deep learning) в современных процессах криптоанализа. Традиционные методы криптоанализа обладают высокой вычислительной сложностью, поскольку требуют выявления сложных нелинейных зависимостей между ключом, открытым текстом и шифртекстом. В отличие от них, технологии глубокого обучения работают непосредственно с необработанными данными, способны самостоятельно выделять необходимые признаки и автоматически обнаруживать статистические отклонения (bias), что делает их эффективным инструментом для выявления уязвимостей криптографических систем.
Библиографические ссылки
Bahdanau, D.; Cho, K. & Bengio, Y. Neural machine translation by jointly learning to align and translate. arXiv preprint arXiv:1409.0473, 2014, https://arxiv.org/ abs/1409.0473 [Accessed on 01 Aug 2020].
Chen, C.; Seff, A.; Kornhauser, A. & Xiao, J. Deepdriving: Learning affordance for direct perception in autonomous driving. In Proceedings of the International Conference on Computer Vision, IEEE, 2015, pp. 2722-2730. doi: 10.1109/iccv.2015.312
Deng, L. & Yu, D. Deep learning: methods and applications. Foundations and trends in signal processing, Now Publishers Inc. Hanover, MA, USA, 2014, 7(3–4), pp. 197-387. doi: 10.1561/9781601988157
Rivest, R.L. Cryptography and machine learning. In Proceedings of the International Conference on the Theory and Application of Cryptology, Springer, Berlin, Heidelberg, 1991, pp. 427-439. doi: 10.1007/3-540-57332-1_36
Abadi, M. & Andersen, D.G. Learning to protect communications with adversarial neural cryptography. arXiv preprint arXiv:1610.06918, 2016, https://arxiv.org/ abs/1610.06918 [Accessed on 31 July 2020].
Hesamifard, E.; Takabi, H. & Ghasemi, M. Cryptodl: Deep neural networks over encrypted data. arXiv preprint arXiv:1711.05189, 2017, https://arxiv.org/abs/1711.05189 [Accessed on 12 July 2020]. doi: 10.1145/3292006.3300044
Picek, S.; Samiotis, I.P.; Kim, J.; Heuser, A.; Bhasin, S. & Legay, A. On the performance of convolutional neural networks for side-channel analysis. In Proceedings of the International Conference on Security, Privacy, and Applied Cryptography Engineering, Springer, Cham, 2018, pp. 157-176.
Wang, H. Side-channel analysis of aes based on deep learning. https://www.diva-portal.org/smash/get/ diva2:1325691/FULLTEXT01.pdf, 2019 [Accessed on 07 Aug 2020].
Gohr, A. Improving attacks on round-reduced speck32/64 using deep learning. In Proceedings of Annual International Cryptology Conference, Springer, 2019, pp. 150–179. doi: 10.1007/978-3-030-26951-7_6
Beaulieu, R.; Shors, D.; Smith, J.; Treatman-Clark, S.; Weeks, B. & Wingers, L. The SIMON and SPECK Families of Lightweight Block Ciphers. IACR Cryptol. ePrint Arch., 2013, p.404, https://eprint.iacr.org/2013/404. pdf [Accessed on 07 Aug 2020].
Baksi, A.; Breier, J.; Dong, X. & Yi, C. Machine learning assisted differential distinguishers for lightweight ciphers. IACR Cryptol. ePrint Arch., 2020, p.571, https:// eprint.iacr.org/2020/571.pdf [Accessed on 14 Oct 2020].
Jain, A.; Kohli, V. & Mishra, G. Deep learning based differential distinguisher for lightweight cipher PRESENT. Cryptology ePrint Archive, Report 2020/846. https:// eprint.iacr.org/2020/846. [Accessed on 14 Oct 2020].
Загрузки
Опубликован
Как цитировать
Лицензия
Copyright (c) 2025 Ilhom Rahmatullayev, Baxtiyor Abduraximov
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
