一种基于深度学习的轻量级分组密码区分器模型

1.本发明涉及电子数字数据处理技术领域，尤其涉及一种基于深度学习的轻量级分组密码区分器模型。


背景技术：

2.轻量级分组密码算法是适用于微型计算设备的分组密码算法。
3.目前，现有技术的轻量级分组密码器采用的加密算法为speck、simon、gift等，在迭代轮数低的情况下，明文中的统计规律和结构特征没有完全隐藏在密文当中，安全性较低。


技术实现要素：

4.本发明的目的在于提供一种基于深度学习的轻量级分组密码区分器模型，旨在解决现有的轻量级分组密码器采用的加密算法的安全性较低的问题。
5.为实现上述目的，本发明提供了一种基于深度学习的轻量级分组密码区分器模型，包括以下步骤：
6.生成明文库，对所述明文库加密，得到密文对；
7.建立深度学习神经网络模型，并将所述密文对输入所述深度学习神经网络模型进行训练，得到训练模型；
8.为所述训练模型设置超参数，得到最优学习模型；
9.获取测试集，利用所述最优学习模型对所述测试集进行预测和分析。
10.其中，所述生成明文的具体方式为：
11.选择特定输入差分；
12.随机生成多条明文，得到第一明文集；
13.基于所述特定输入差分与所述第一明文集进行异或操作，得到第二明文集；
14.基于所述第一明文集和第二明文集构造明文库。
15.其中，所述对所述明文库加密，得到密文对的具体方式为：
16.随机生成主密钥；
17.设置加密轮数，得到预设轮值；
18.基于所述主密钥对所述明文库进行多轮加密，直至加密轮数到达所述预设轮值，得到密文对。
19.其中，所述为所述训练模型设置超参数，得到最优学习模型的具体方式为：
20.随机生成多条标签，得到训练集标签；
21.基于所述训练集标签对所述明文库进行调整，得到正例样本或反例样本；
22.基于所述正例样本或所述反例样本为所述训练模型设置超参数，得到最优学习模型。
23.其中，所述基于所述训练集标签对所述明文库进行调整，得到正例样本或反例样
本的具体方式为：
24.生成随机值；
25.当所述训练集标签为1时，不做改变，得到正例样本，当所述训练集标签为0时，使用所述随机值代替所述第二明文集，得到反例样本。
26.本发明的一种基于深度学习的轻量级分组密码区分器模型，通过将深度学习技术引入到轻量级分组密码安全性分析中，把传统构造差分区分器问题转化为深度学习二分类问题，建立简单的神经网络进行分析，解决了现有的轻量级分组密码器采用的加密算法的安全性较低的问题。
附图说明
27.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
28.图1是本发明提供的一种基于深度学习的轻量级分组密码区分器模型的流程图。
29.图2是生成明文的流程图。
30.图3是对所述明文库加密，得到密文对的流程图。
31.图4是为所述训练模型设置超参数，得到最优学习模型的流程图。
具体实施方式
32.下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
33.请参阅图1至图4，本发明提供一种基于深度学习的轻量级分组密码区分器模型，包括以下步骤：
34.s1生成明文库，对所述明文库加密，得到密文对；
35.其中，所述生成明文库的具体方式为：
36.s101选择特定输入差分；
37.具体的，选择特定输入差分δ
x
。
38.s102随机生成多条明文，得到第一明文集；
39.具体的，随机生成n条明文，得到第一明文集p。
40.s103基于所述特定输入差分与所述第一明文集进行异或操作，得到第二明文集；
41.具体的，并根据选择的所述特定输入差分δ
x
与第一明文集p进行异或操作，生成另外的n条明文，得到第二明文集p
′
，即p
′
＝p
⊕
δ
x
。
42.s104基于所述第一明文集和第二明文集构造明文库。
43.具体的，基于所述第一明文集和第二明文集构造明文库(p,p
′
)。
44.其中，所述对所述明文库加密，得到密文对的具体方式为：
45.s111随机生成主密钥；
46.具体的，随机生成主密钥k。
47.s112设置加密轮数，得到预设轮值；
48.具体的，所述预设轮值为r。
49.s113基于所述主密钥对所述明文库进行多轮加密，直至加密轮数到达所述预设轮值，得到密文对。
50.具体的，对(p,p
′
)加密r轮，即根据输入的参数主密钥k、加密轮数r与明文p,p
′
，执行加密算法生成与之对应的密文c,c
′
，获得n条密文对密文对(c,c
′
)。
51.s2建立深度学习神经网络模型，并将所述密文对输入所述深度学习神经网络模型进行训练，得到训练模型；
52.具体的，所述深度学习神经网络模型采用前馈神经网络(feedforward neural network,fnn)，相邻两层之间的神经元采用全连接的形式，是包含多个隐藏层的神经网络。网络结构中每一个神经元以上一层各个节点输出作为输入，其中权重和偏置首先参与线性运算，接着由激活函数参与到非线性运算，最后获取这个节点的输出，并在随后继续传递到下一个隐藏层中，最终输出。输入层的神经元对数据不做任何变动，神经元数量等于初始输入数据的维度，隐藏层的维数决定了模型的宽度，输出层的节点个数等于输出数据的维度。
53.s3为所述训练模型设置超参数，得到最优学习模型；
54.具体方式为：s31随机生成多条标签，得到训练集标签；
55.具体的，随机生成n条标签y,得到训练集标签y&1。
56.s32基于所述训练集标签对所述明文库进行调整，得到正例样本或反例样本；
57.具体的，生成随机值；根据标签y的值修改相应n条明文p
′
，即当所述训练集标签y&1＝1时，不做改变，得到正例样本，当所述训练集标签y&1＝0时，使用所述随机值代替所述第二明文集p
′
，得到反例样本。
58.s33基于所述正例样本或所述反例样本为所述训练模型设置超参数，得到最优学习模型。
59.具体的，损失函数设置为其均方误差mse，其作用是衡量两个分布之间的距离，即评估评测结果与真实样本(所述正例样本或所述反例样本)二者的差异，作为评判网络模型拟合程度的指标，通常数值越小，模型性能越好。其函数表达式为：
[0060][0061]
yi表示密文对中的真实标签，表示模型预测的标签，mse计算模型的预测与真实标签的接近程度。
[0062]
优化器采用adam算法，adam算法是一种可以替代传统随机梯度下降过程的一阶优化算法，它能基于训练数据迭代地更新神经网络权重，通过计算梯度的一阶和二阶矩估计使得不同参数有独自的自适应学习率，学习率随训练轮数不断下降为保存最优模型参数，每轮迭代完成之后，通过观察验证集准确率是否发生提升决定是否保存当前模型。最终将保存的模型结构及参数用于后续预测。
[0063]
s4获取测试集，利用所述最优学习模型对所述测试集进行预测和分析。
[0064]
具体的，随机生成n条明文，得到相同的所述第一明文集p，使用相同的所述输入差分δ
x
与所述第一明文集p进行异或操作，生成另外n条明文，得到第二明文集p
′
，主密钥k将
明文对(p,p
′
)明文对同样加密r轮，获得密文对(c,c
′
)，构成n条测试集输入已经训练完成的神经网络模型。
[0065]
当模型判断密文对(c,c
′
)概率大于阈值δ，即数据标签y划分为1时，密文对(c,c
′
)为算法加密结果；反之概率小于阈值时，密文对(c,c
′
)为随机结果。
[0066]
所述最优学习模型的输入层由密文对(c,c
′
)组成，将所述密文对进行结合数据标签y,输入神经网络模型。整个训练的过程就是不断拟合一个非线性函数；考虑到对轮数比较高的区分器训练时，由于数据集中的密文对和随机数据没有出现明显的差异性，因此往往在训练过程中产生梯度爆炸的情况。基于此采用非线性激活函数tanh函数，其函数表达式为：
[0067][0068]
其中，x是上层各个神经元的输出，即上层每个神经元的激活函数的输出，e为自然对数，由tanh(x)计算出的函数值作为下层网络的输入。
[0069]
有益效果：本区分器相比传统区分器具有更强的通用性和可实现性。能够以较高的概率将密文对和随机数据区分开，并且可以后续利用其候选密钥筛选结果来缩减候选密钥可能的范围，相比传统区分器，有效降低攻击复杂度、数据复杂度及时间复杂度。
[0070]
同时也注意到，随着其迭代轮数变高，准确率不断降低。其本质原因在于根据密码算法的混淆和扩散原则，其迭代轮数越高，明密文之间的统计信息越弱，相应的正负样本相似性很高，使得深度学习难以进行有效的特征选择。但是在低轮条件下，基于深度学习的轻量级分组密码区分器，表现出较高的准确率，如下表所示：
[0071][0072][0073]
将深度学习技术引入到轻量级分组密码安全性分析中，把传统构造差分区分器问题转化为深度学习二分类问题，建立简单的神经网络对轮减加密算法进行分析。使用固定差分，在较短时间内训练获得若干轮神经网络差分区分器，以较高的概率区分密文与随机数据，证明了基于深度学习模型对于密码算法进行安全性分析可行。相比传统攻击，神经网络区分器能有效改善攻击的数据复杂度和时间复杂度，并且实现应用过程中更加便捷、简单。
[0074]
以上所揭露的仅为本发明一种基于深度学习的轻量级分组密码区分器模型较佳实施例而已，当然不能以此来限定本发明之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本发明权利要求所作的等同变化，仍属于发明所涵盖的范围。