Розробка методології для навчання нейронних диференціальних розпізнавачів та атаки на відновлення ключа  для окремого шифрованого тексту

Сюе Цзян; Валерій Лахно

Журнал: Том 31, № 1, 2026

Сторінки: 24 – 33

DOI: https://doi.org/10.62660/bcstu/1.2026.24

291 Перегляд

Розробка методології для навчання нейронних диференціальних розпізнавачів та атаки на відновлення ключа для окремого шифрованого тексту

Сюе Цзян, Валерій Лахно

Отримано 23.06.2025

Доопрацьовано 21.01.2026

Прийнято 16.03.2026

Опубліковано 08.04.2026

Анотація

Атаки на відновлення ключів становлять серйозну загрозу для криптографічних систем, оскільки вони безпосередньо ставлять під загрозу безпеку механізмів шифрування. Метою цього дослідження було розроблення нового методу відновлення ключів з одним шифрованим текстом, який усуває обмеження традиційних методів криптоаналізу в сценаріях з обмеженою доступністю даних. Методологія поєднувала вдосконалений нейронний дискримінатор B-C3-HSwish з байєсівською оптимізацією, керованою стратегією верхньої межі довіри (UCB). Нейронний дискримінатор було вдосконалено за допомогою багатомасштабних конволюційних шарів, оптимізації функції активації та диверсифікованих структур вхідних даних, тоді як байєсівська оптимізація відобразила проблему відновлення ключів на високорозмірне завдання пошуку за допомогою сурогатної моделі гауссового процесу та функції придбання UCB. Експериментальні результати щодо алгоритму шифрування Speck32/64 продемонстрували 56 % успішність у 11 раундах атак на відновлення ключа, причому складність даних коливалася від 213,5 до 213,6. Цей результат перевершує 52,1 % успішність, отриману в еталонному дослідженні. Нейронний дискримінатор B-C3-HSwish був вдосконалений, зокрема, шляхом заміни функції активації Relu на Hard_swish для підвищення його точності в режимі введення однієї пари. Це дослідження не тільки пропонує нове, ресурсоефективне рішення для відновлення ключів у сценаріях з одним шифрованим текстом, але й підкреслює потужний потенціал байєсівської оптимізації як перспективної парадигми для розвитку криптоаналізу. Практична цінність цієї роботи полягає в її здатності надати ресурсоефективне рішення для відновлення ключів у сценаріях з одним шифрованим текстом, що робить її особливо придатною для реальних застосувань з обмеженими даними. Цей підхід також встановлює байєсівську оптимізацію як перспективну парадигму для просування криптоаналізу та підвищення криптографічної безпеки

Ключові слова

алгоритм байєсівської оптимізації; оптимізація вилучення ознак; сценарій атаки; алгоритм Speck32/64; нейронні мережі

Використані джерела

Auer, P. (2020). Using upper confidence bounds for online learning. In Proceedings of the 41st annual symposium on foundations of computer science (pp. 270-279). Redondo Beach: IEEE. doi: 10.1109/ SFCS.2000.892116 .
Baksi, A., Breier, J., Chen, Y., & Dong, X. (2021). Machine learning assisted differential distinguishers for lightweight ciphers. In 2021 design, automation & test in Europe conference & exhibition (DATE) (pp. 176-181). Grenoble: IEEE. doi: 10.23919/DATE51398.2021.9474092 .
Benamira, A., Gerault, D., Peyrin, T., & Tan, Q. (2021). A deeper look at machine learning-based cryptanalysis. In A. Canteaut & F.-X. Standaert (Eds.), Advances in cryptology – EUROCRYPT 2021 (pp. 805-835). Cham: Springer. doi: 10.1007/978-3-030-77870-5_28 .
Chien, J.-T. (2020). Deep Bayesian data mining. In Proceedings of the thirteenth ACM international conference on web search and data mining (WSDM ‘20) (pp. 865-868). New York: Association for Computing Machinery. doi: 10.1145/3336191.3371870.
Dey, S., Leander, G., & Sharma, N.K. (2024). Improved key recovery attacks on reduced-round Salsa20. Designs, Codes and Cryptography, 93, 243-262. doi: 10.1007/s10623-024-01522-7 .
Gohr, A. (2019). Improving attacks on round-reduced Speck32/64 using deep learning. In A. Boldyreva & D. Micciancio (Eds.), Advances in cryptology – CRYPTO 2019 (pp. 150-179). Cham: Springer. doi: 10.1007/978-3 030-26951-7_6 .
Gohr, A., Leander, G., & Neumann, P. (2022). An assessment of differential-neural distinguishers. Cryptology ePrint Archive, 2022, article number 1521.
Hou, Z., Ren, J., & Chen, S. (2021). Improve neural distinguisher for cryptanalysis . Cryptology ePrint Archive, article number 1017.
Jia, C., Chen, J., Li, X., Zheng, H., & Zhang, L. (2025). BallPri: Test cases prioritization for deep neuron networks via tolerant ball in variable space. Automated Software Engineering, 32(1), article number 29. doi: 10.1007/ s10515-025-00498-5 .
Jiang, X., Li, M., Makulov, K., Lakhno, V., & Sahun, A. (2025). Enhanced neural differential distinguisher for Speck32/64 using attention mechanisms and multi ciphertext inputs. Informatica, 49(19), article number 7889. doi: 10.31449/inf.v49i19.7889.
Lin, D., Chen, S., Li, M., & Hou, Z. (2022). The construction and application of (related-key) conditional differential neural distinguishers on KATAN. In A.R. Beresford, A. Patra & E. Bellini (Eds.), Cryptology and network security (pp. 203-224). Cham: Springer. doi: 10.1007/978-3-031-20974-1_10 .
Liu, Y., Yang, L., Chen, J., Wu, W., & Feng, Y. (2024). Matrix computation over homomorphic plaintext-ciphertext and its application. Journal on Communication. Series: Tongxin Xuebao, 45(2), 150-161. doi: 10.11959/j.issn.1000 436x.2024024.
Lyu, L., Tu, Y., & Zhang, Y. (2022). Deep learning assisted key recovery attack for round-reduced Simeck32/64. In W. Susilo, X. Chen, F. Guo, Y. Zhang & R. Intan (Eds.), Information security (pp. 443-463). Cham: Springer. doi: 10.1007/978-3-031-22390-7_26 .
Mukwevho, N., & Chibaya, C. (2020). Dynamic vs static encryption tables in DES key schedules. In 2020 2nd international multidisciplinary information technology and engineering conference (IMITEC) (pp. 1-5). Kimberley: IEEE. doi: 10.1109/IMITEC50163.2020.9334110.
Niu, H., McCallum, G.B., Chang, A.B., Khan, K., & Azam, S. (2025). Exploring unsupervised feature extraction algorithms: Tackling high dimensionality in small datasets. Scientific Reports, 15, article number 21973. doi: 10.1038/s41598-025-07725-9.
Seok, B., & Lee, C. (2025). A novel approach to construct a good dataset for differential-neural cryptanalysis. IEEE Transactions on Dependable and Secure Computing, 22(1), 246-262. doi: 10.1109/TDSC.2024.3387662 .
Yadav, P., Mittal, K., Gill, P.S., Mittal, A., Raghuraman, K., & Kaushik, J.S. (2025). Role of intravenous azithromycin as adjunctive therapy in children with acute encephalitis syndrome (AES): An open-label randomized controlled trial. Cureus, 17(7), article number e87387. doi: 10.7759/cureus.87387.
Yang, Y., Xiong, X., Liu, Z., Jin, S., & Wang, J. (2024). High-performance encryption algorithms for dynamic images transmission. Electronics, 13(1), article number 131. doi: 10.3390/electronics13010131 .
Zhang, L., & Wang, Z. (2022). Improving differential-neural distinguisher model for DES, Chaskey, and PRESENT. ArXiv. doi: 10.48550/arXiv.2204.06341.
Zhu, S., Li, L., Hu, Z., & Hu, Y. (2025). BCS: A neural distinguisher method based on differential propagation uncertainty of nonlinear components and network adaptability. Physica Scripta, 100(3), article number 035008. doi: 10.1088/1402-4896/adae63.

ЦИТУВАТИ

Jiang, X., & Lakhno, V. (2026). Methodology development for training neural differential distinguishers and key recovery attack on single ciphertext. Bulletin of Cherkasy State Technological University, 31(1), 24-33. https://doi.org/10.62660/bcstu/1.2026.24

[1] Auer, P. (2020). Using upper confidence bounds for online learning. In Proceedings of the 41st annual symposium on foundations of computer science (pp. 270-279). Redondo Beach: IEEE. doi: 10.1109/ SFCS.2000.892116 .

[2] Baksi, A., Breier, J., Chen, Y., & Dong, X. (2021). Machine learning assisted differential distinguishers for lightweight ciphers. In 2021 design, automation & test in Europe conference & exhibition (DATE) (pp. 176-181). Grenoble: IEEE. doi: 10.23919/DATE51398.2021.9474092 .

[3] Benamira, A., Gerault, D., Peyrin, T., & Tan, Q. (2021). A deeper look at machine learning-based cryptanalysis. In A. Canteaut & F.-X. Standaert (Eds.), Advances in cryptology – EUROCRYPT 2021 (pp. 805-835). Cham: Springer. doi: 10.1007/978-3-030-77870-5_28 .

[4] Chien, J.-T. (2020). Deep Bayesian data mining. In Proceedings of the thirteenth ACM international conference on web search and data mining (WSDM ‘20) (pp. 865-868). New York: Association for Computing Machinery. doi: 10.1145/3336191.3371870.

[5] Dey, S., Leander, G., & Sharma, N.K. (2024). Improved key recovery attacks on reduced-round Salsa20. Designs, Codes and Cryptography, 93, 243-262. doi: 10.1007/s10623-024-01522-7 .

[6] Gohr, A. (2019). Improving attacks on round-reduced Speck32/64 using deep learning. In A. Boldyreva & D. Micciancio (Eds.), Advances in cryptology – CRYPTO 2019 (pp. 150-179). Cham: Springer. doi: 10.1007/978-3 030-26951-7_6 .

[7] Gohr, A., Leander, G., & Neumann, P. (2022). An assessment of differential-neural distinguishers. Cryptology ePrint Archive, 2022, article number 1521.

[8] Hou, Z., Ren, J., & Chen, S. (2021). Improve neural distinguisher for cryptanalysis . Cryptology ePrint Archive, article number 1017.

[9] Jia, C., Chen, J., Li, X., Zheng, H., & Zhang, L. (2025). BallPri: Test cases prioritization for deep neuron networks via tolerant ball in variable space. Automated Software Engineering, 32(1), article number 29. doi: 10.1007/ s10515-025-00498-5 .

[10] Jiang, X., Li, M., Makulov, K., Lakhno, V., & Sahun, A. (2025). Enhanced neural differential distinguisher for Speck32/64 using attention mechanisms and multi ciphertext inputs. Informatica, 49(19), article number 7889. doi: 10.31449/inf.v49i19.7889.

[11] Lin, D., Chen, S., Li, M., & Hou, Z. (2022). The construction and application of (related-key) conditional differential neural distinguishers on KATAN. In A.R. Beresford, A. Patra & E. Bellini (Eds.), Cryptology and network security (pp. 203-224). Cham: Springer. doi: 10.1007/978-3-031-20974-1_10 .

[12] Liu, Y., Yang, L., Chen, J., Wu, W., & Feng, Y. (2024). Matrix computation over homomorphic plaintext-ciphertext and its application. Journal on Communication. Series: Tongxin Xuebao, 45(2), 150-161. doi: 10.11959/j.issn.1000 436x.2024024.

[13] Lyu, L., Tu, Y., & Zhang, Y. (2022). Deep learning assisted key recovery attack for round-reduced Simeck32/64. In W. Susilo, X. Chen, F. Guo, Y. Zhang & R. Intan (Eds.), Information security (pp. 443-463). Cham: Springer. doi: 10.1007/978-3-031-22390-7_26 .

[14] Mukwevho, N., & Chibaya, C. (2020). Dynamic vs static encryption tables in DES key schedules. In 2020 2nd international multidisciplinary information technology and engineering conference (IMITEC) (pp. 1-5). Kimberley: IEEE. doi: 10.1109/IMITEC50163.2020.9334110.

[15] Niu, H., McCallum, G.B., Chang, A.B., Khan, K., & Azam, S. (2025). Exploring unsupervised feature extraction algorithms: Tackling high dimensionality in small datasets. Scientific Reports, 15, article number 21973. doi: 10.1038/s41598-025-07725-9.

[16] Seok, B., & Lee, C. (2025). A novel approach to construct a good dataset for differential-neural cryptanalysis. IEEE Transactions on Dependable and Secure Computing, 22(1), 246-262. doi: 10.1109/TDSC.2024.3387662 .

[17] Yadav, P., Mittal, K., Gill, P.S., Mittal, A., Raghuraman, K., & Kaushik, J.S. (2025). Role of intravenous azithromycin as adjunctive therapy in children with acute encephalitis syndrome (AES): An open-label randomized controlled trial. Cureus, 17(7), article number e87387. doi: 10.7759/cureus.87387.

[18] Yang, Y., Xiong, X., Liu, Z., Jin, S., & Wang, J. (2024). High-performance encryption algorithms for dynamic images transmission. Electronics, 13(1), article number 131. doi: 10.3390/electronics13010131 .

[19] Zhang, L., & Wang, Z. (2022). Improving differential-neural distinguisher model for DES, Chaskey, and PRESENT. ArXiv. doi: 10.48550/arXiv.2204.06341.

[20] Zhu, S., Li, L., Hu, Z., & Hu, Y. (2025). BCS: A neural distinguisher method based on differential propagation uncertainty of nonlinear components and network adaptability. Physica Scripta, 100(3), article number 035008. doi: 10.1088/1402-4896/adae63.