基于深度学习的CRAFT算法差分分析OA

基于深度学习的分组密码差分分析已成为当前密码学领域研究热点,为研究不同数据格式对神经网络差分区分器性能的影响,结合单差分、多差分区分器数据格式特点,利用CRAFT算法S盒组件具有差分传播不确定性的特性,设计提出“单差分+S盒中间状态”区分器数据格式,通过残差神经网络模型分别训练获得3类数据格式对应的CRAFT算法5~7轮神经网络差分区分器。对于5轮神经网络差分区分器,3类区分器准确率均在97%以上;对于6轮神经网络差分区分器,“单差分+S盒中间状态”区分器准确率为96.14%,明显优于单差分区分器的61.39%和多差分区分器的72.78%;对于7轮神经网络差分区分器,3类区分器准确率略高于50%。其中,单差分和“单差分+S盒中间状态”区分器对应模型训练数据复杂度为221.07,多差分区分器对应模型训练数据复杂度为221.66。进一步利用6轮“单差分+S盒中间状态”区分器对7轮CRAFT算法进行部分密钥恢复攻击,当选择明密文对数量为10000个时,在100次攻击实验中成功率可达93%,一次完整的密码分析攻击时间复杂度为222.01。