基于PU分类的差分区分器及其应用

差分分析方法的核心是构造高效的差分区分器. 2019年Aron Gohr采用深度学习残差网络的方法构造差分区分器, 应用于减轮Speck32/64密码算法, 五轮和六轮的差分器成功率分别是0.929和0.788. 本文采用PU学习(positive-unlabeled learning)的方法, 对Speck32/64算法的差分对数据进行训练, 利用神经网络中的多层感知机与基于PU学习构造的损失函数, 训练得到了一个基于PU分类的差分区分器, 并对于减轮Speck32/64算法进行攻击, 五轮和六轮差分器成功率分别是0.965和0.860....

Full description

Saved in:
Bibliographic Details
Published in:Journal of Cryptologic Research 2021-01, Vol.8 (2), p.330
Main Authors: Heng-Chuan SU, Xuan-Yong ZHU, DUAN, Ming, 宿恒川, 朱宣勇, 段明
Format: Article
Language:Chinese
Subjects:
Algorithms
Cryptography
Deep learning
Multilayer perceptrons
Multilayers
Online Access:Get full text
Tags: Add Tag
No Tags, Be the first to tag this record!
Description
Summary:差分分析方法的核心是构造高效的差分区分器. 2019年Aron Gohr采用深度学习残差网络的方法构造差分区分器, 应用于减轮Speck32/64密码算法, 五轮和六轮的差分器成功率分别是0.929和0.788. 本文采用PU学习(positive-unlabeled learning)的方法, 对Speck32/64算法的差分对数据进行训练, 利用神经网络中的多层感知机与基于PU学习构造的损失函数, 训练得到了一个基于PU分类的差分区分器, 并对于减轮Speck32/64算法进行攻击, 五轮和六轮差分器成功率分别是0.965和0.860.
ISSN:2097-4116
DOI:10.13868/j.cnki.jcr.000441