Key points are not available for this paper at this time.
Mit der Entwicklung der künstlichen Intelligenz (KI) wird Deep Learning in verschiedenen Branchen weit verbreitet eingesetzt. Auf der CRYPTO 2019 verwendeten Forscher Deep Learning, um den Blockchiffrierungsalgorithmus erstmals zu analysieren und konstruierten einen differentiellen neuronalen Netzwerkdistinguisher, um eine bestimmte Genauigkeit zu erreichen. In diesem Papier wird ein Mischungsdifferential-neuronaler Netzwerkdistinguisher unter Verwendung von ResNet vorgeschlagen, um die Genauigkeit weiter zu verbessern, indem die Mischungsdifferentialeigenschaften untersucht werden. Experimente werden an SIMON32/64 durchgeführt, und die Genauigkeit des 8-Runden-Mischungsdifferential-neuronalen Netzwerkdistinguisher wird von 74,7% auf 92,3% verbessert, im Vergleich zu der des vorherigen differentiellen neuronalen Netzwerkdistinguisher. Die Vorhersagegenauigkeit des differentiellen neuronalen Netzwerkdistinguisher ist anfällig für die Wahl der angegebenen Eingabedifferenziale, während der Mischungsdifferential-neuronale Netzwerkdistinguisher weniger von der Eingabedifferenz beeinflusst wird und eine größere Robustheit aufweist. Darüber hinaus wird der erhaltene Mischungsdifferential-neuronale Netzwerkdistinguisher durch die Kombination der probabilistischen Erweiterung der Runden und des neutralen Bits auf 11 Runden erweitert, was einen 12-Runden-Echtzeit-Schlüsselwiederherstellungsangriff auf SIMON32/64 ermöglicht. Bei einer angemessenen Erhöhung der Zeit- und Datenkomplexität kann die Genauigkeit der Schlüsselwiederherstellung des Mischungsdifferential-neuronalen Netzwerkdistinguisher auf 55% verbessert werden, verglichen mit 52% des differentiellen neuronalen Netzwerkdistinguisher. Der in diesem Papier vorgeschlagene Mischungsdifferential-neuronale Netzwerkdistinguisher kann auch auf andere leichte Blockchiffren angewendet werden.
Wu et al. (Freitag) untersuchten diese Frage.