Resumen

El aprendizaje profundo ha desempeñado un papel importante en muchos campos, lo que muestra un significativo potencial para la criptoanálisis. Aunque estos trabajos existentes abrieron una nueva dirección de criptoanálisis asistido por aprendizaje automático, todavía existe una brecha de investigación que los investigadores están ansiosos por llenar. ¿Cómo mejorar aún más los distinguideres neuronales? En este artículo, proponemos un nuevo algoritmo y modelo para mejorar los distinguideres neuronales en términos de precisión y número de rondas. Primero, diseñamos un algoritmo basado en SAT para mejorar los distinguideres neuronales. Con la ayuda de un solucionador SAT/SMT, obtenemos nuevos distinguideres neuronales efectivos de SIMON utilizando las diferencias de entrada de características diferenciales de alta probabilidad. Segundo, proponemos un nuevo modelo de distinguideres neuronales utilizando múltiples diferencias de salida. Inspirados en los trabajos existentes y en la ampliación de datos en el aprendizaje profundo, utilizamos las diferencias de salida para explotar más características deriv

• Materias:Cifrado de búsqueda Seguridad informática Reconstrucción virtual Detección de intrusos Sistema de programación
• Subjects:Search encryption Computer security Virtual reconstruction Intrusion detection Programming system
• Palabras claves:Aprendizaje profundo; Criptoanálisis; Distinguidores neuronales; Algoritmo; Modelo; Precisión.
• Keywords:Deep learning; Cryptanalysis; Neural distinguishers; Algorithm; Model; Accuracy