一种基于神经网络的分组密码轮状态预测分析方法及系统
本申请涉及信息安全与对称密码分析中的神经网络建模问题,分析对象是分组密码运行到指定轮次时产生的内部状态。给定输入分组后,利用神经模型预测该轮状态的各个比特,再把预测值与密码程序实际产生的状态逐位核对,以衡量当前实验条件下的轮状态可预测程度。
背景技术:
1、分组密码的计算通常由若干轮变换连续完成。固定后,同一输入分组经过第1轮、第2轮直至后续轮次,会依次产生一组中间状态。非线性替换、移位、异或或混合等操作在轮与轮之间不断改变状态,因此,不同轮次保留的输入相关信息并不相同,神经模型对各轮状态的学习难度也会随之变化。
2、从程序实现看,轮状态分析首先遇到的是接口差异。部分密码以整数保存状态,部分实现使用字节数组或比特向量,也有实现把轮函数封装在类内部。若每更换一种算法都重新编写状态读取、样本生成和模型输入代码,实验流程难以复用。另外,逐比特准确率只能反映各位置平均预测情况;若要判断整条状态是否能够同时预测正确,还需要单独的完整状态指标。
3、基于这些问题,本申请把状态提取、样本生成和预测评价拆开处理。密码实现只负责在给定轮数返回真实状态,后续模块统一接收编码后的状态向量;预测结果既按位统计,也按完整向量统计。对于比特目标状态,采用作为均匀随机且与真实状态独立时的完整命中基准,使不同目标轮的结果可以放在同一评价口径下比较。
技术实现思路
1、本申请给出一套可直接落实到程序中的轮状态预测流程。该流程不改变分组密码本身的轮函数,而是在算法外部增加状态读取、样本组织、神经预测和结果统计环节。输入分组与指定轮真实状态一一配对后训练模型;测试时既检查各比特是否预测正确,也检查完整状态是否一次性命中。
2、实施时,先为待分析密码建立指定轮状态返回接口。调用方给出输入分组和目标轮数,接口执行到第轮后返回内部状态。若分析对象只覆盖状态中的部分位置,则按预先固定的比特顺序截取比特目标向量。这样得到的监督标签直接来自密码程序执行结果。
3、一个监督样本写成。其中是输入分组,是在同一密钥、同一目标轮和同一编码规则下取得的比特真实状态。模型接收后,同时给出个目标位置为1的概率;阈值化后按原有比特次序组成预测状态。
4、测试结果按两个层次统计。首先计算,观察各状态位的平均正确程度;随后计算,只有同一样本的全部个目标位同时正确才记为完整命中。对比特状态,以作为均匀随机猜测的完整命中基准,并据此得到。多个目标轮分别完成训练和测试后,按轮数保存、和;需要给出单一轮数概括时,再由这些结果确定。
5、一种具体实现采用lstm处理输入比特序列,后接两层全连接预测头。输入分组先按固定高低位次序拆成0/1序列,lstm只取最后一个时间步的输出作为该分组的特征,再映射为维logits。训练阶段使用bcewithlogitsloss和adamw;测试时再执行sigmoid,并以0.5作为各比特的判定阈值。网络层数、隐藏维度、dropout、学习率、批大小等参数在实施例中给出。
6、有益效果
7、采用上述结构后,方法在工程实现和结果解释上具有以下特点。
8、模型输出位置与目标轮状态位置保持固定对应。一次前向计算得到的是一条可按位检查的预测状态,而不是单一类别结论;对于任一测试输入,可以直接定位哪些状态位预测正确、哪些位置发生错误。
9、监督数据的来源可以回溯。样本输入取自选定的输入分组,标签由同一密钥、同一目标轮下的密码程序实际执行得到。若发现样本异常,可重新执行对应输入以核对状态值,不需要另外依赖人工标注。
10、结果统计同时保留局部和整体两个层次。逐比特准确率用于观察单个位置的平均预测情况,完整状态匹配率则要求整条状态同时正确;再以作为比特状态的随机完整命中参照,可以区分“多数位置容易预测”和“完整状态能够命中”这两种不同情况。
11、多轮实验保存每一轮各自的比特准确率、完整状态匹配率和状态预测优势,不强制把全部结果压缩为一个数值。确有需要时,再从已有结果中归纳可预测轮数边界。轮状态接口位于密码代码与预测流程之间,更换整数、字节数组或其他状态表示时,主要调整接口层,训练和评价部分可继续沿用。
1.一种基于神经网络的分组密码轮状态预测分析方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的方法,其特征在于,步骤s1中,对于整数形式、字节序列形式、比特向量形式或类方法形式的分组密码实现,通过输入编码、轮函数调用和状态解码将其转换为统一的轮状态调用接口;当等于算法完整轮数时,为完整轮输出状态,当小于算法完整轮数时,为对应中间轮状态。
3.根据权利要求1所述的方法,其特征在于,目标状态向量由完整第轮状态、完整轮输出状态或从第轮状态中选取的指定比特子向量构成,目标状态向量的比特数同时作为神经预测模型的输出维数以及完整状态随机命中基准的计算参数。
4.根据权利要求1所述的方法,其特征在于,步骤s2中,监督样本表示为,其中为输入分组,为与该输入分组对应的比特目标状态向量;训练集、验证集和测试集分别由互不重复的输入分组构成。
5.根据权利要求1所述的方法,其特征在于,步骤s3中,所述多输出神经预测模型的输出节点数量为,每一输出节点对应目标状态中的一个确定比特;模型输入由输入分组按照固定比特顺序编码得到,训练目标采用逐比特二元交叉熵,使模型学习从输入分组到目标轮状态比特向量的映射关系。
6.根据权利要求1所述的方法,其特征在于,在一种实施方式中,所述多输出神经预测模型包括lstm序列特征提取层和全连接预测头;输入分组按比特顺序组织为长度、特征维数为1的序列,lstm最后一个时间步的输出依次经过第一全连接层、relu激活层和第二全连接层,第二全连接层输出个logits,并经sigmoid函数转换为所述个概率估计。
7.根据权利要求1所述的方法,其特征在于,模型训练采用adamw优化器和逐比特二元交叉熵损失,并对梯度范数进行裁剪;模型状态依据验证集比特预测精度选择,当验证集比特预测精度相同时,以完整状态匹配精度作为次级选择指标;测试阶段对各输出logit执行sigmoid变换并以0.5为判定阈值得到预测比特。
8.根据权利要求1所述的方法,其特征在于,步骤s4中,完整状态匹配仅在同一样本的个预测比特均与对应真实比特一致时记为一次完整命中;完整状态匹配精度为测试集中完整命中样本所占比例;在预测向量于全部比特取值空间上均匀随机且与真实目标状态独立的条件下,完整状态随机命中基准为,状态预测优势定义为。
9.根据权利要求1所述的方法,其特征在于,轮状态可预测性结果序列至少包括不同目标轮数对应的比特预测精度、完整状态匹配精度和状态预测优势,用于同时表征局部比特预测能力和完整轮状态预测能力。
10.根据权利要求1所述的方法,其特征在于,在需要将所述轮状态可预测性结果序列进一步归纳为轮数指标时,根据状态预测优势与预设阈值确定可预测轮数边界,其中;若不存在满足条件的目标轮,则判定可预测轮数边界不存在,或者在需要数值编码时记为;对于输入空间规模不超过预设阈值的分组密码,可从完整输入空间构造样本,对于输入空间规模超过预设阈值的分组密码,采用随机唯一采样构造样本。
11.一种基于神经网络的分组密码轮状态预测分析系统,其特征在于,包括如下模块:
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com