論文の概要: Evolution of Group-Theoretic Cryptology Attacks using Hyper-heuristics

• arxiv url: http://arxiv.org/abs/2006.08458v1
• Date: Mon, 15 Jun 2020 15:03:57 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-21 04:44:33.569985
• Title: Evolution of Group-Theoretic Cryptology Attacks using Hyper-heuristics
• Title（参考訳）: ハイパーヒューリスティックスを用いたグループ理論暗号学攻撃の進化
• Authors: Matthew J. Craven and John R. Woodward
• Abstract要約: 従来,多環群上でのアンシェル・アンシェル・ゴールドフェルト(AAG)鍵交換プロトコルをランダムに解くための1つの進化的アルゴリズム(EA)を開発した。 本研究は,グループ理論暗号学における超ヒューリスティックスの利用を初めて探求することによって,これを拡張した。
• 参考スコア（独自算出の注目度）: 2.072266782237039
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In previous work, we developed a single Evolutionary Algorithm (EA) to solve random instances of the Anshel-Anshel-Goldfeld (AAG) key exchange protocol over polycyclic groups. The EA consisted of six simple heuristics which manipulated strings. The present work extends this by exploring the use of hyper-heuristics in group-theoretic cryptology for the first time. Hyper-heuristics are a way to generate new algorithms from existing algorithm components (in this case the simple heuristics), with the EAs being one example of the type of algorithm which can be generated by our hyper-heuristic framework. We take as a starting point the above EA and allow hyper-heuristics to build on it by making small tweaks to it. This adaptation is through a process of taking the EA and injecting chains of heuristics built from the simple heuristics. We demonstrate we can create novel heuristic chains, which when placed in the EA create algorithms which out-perform the existing EA. The new algorithms solve a markedly greater number of random AAG instances than the EA for harder instances. This suggests the approach could be applied to many of the same kinds of problems, providing a framework for the solution of cryptology problems over groups. The contribution of this paper is thus a framework to automatically build algorithms to attack cryptology problems.
• Abstract（参考訳）: 従来,多環群上でのアンシェル・アンシェル・ゴールドフェルト(AAG)鍵交換プロトコルをランダムに解くための1つの進化的アルゴリズム(EA)を開発した。 EAは弦を操作する6つの単純なヒューリスティックで構成されていた。 本研究は,グループ理論暗号学における超ヒューリスティクスの利用を初めて検討することで,これを拡張している。 超ヒューリスティックス(hyper-heuristics)は、既存のアルゴリズムコンポーネント(この場合、単純なヒューリスティックス)から新しいアルゴリズムを生成する方法であり、easは、超ヒューリスティックなフレームワークによって生成されるアルゴリズムのタイプの一例です。 私たちは、上記のEAの出発点として、ハイパーヒューリスティックに小さな調整を加えることで、その上に構築できるようにしています。 この適応は、EAを取り込み、単純なヒューリスティックから構築されたヒューリスティックの連鎖を注入するプロセスを通じて行われる。 我々は、新しいヒューリスティックチェーンを作成できることを示した。EAに置かれると、既存のEAよりも優れたアルゴリズムが生成される。 新しいアルゴリズムは、難しいインスタンスに対してEAよりもはるかに多くのAAGインスタンスを解決する。 これは、このアプローチが同じ種類の問題の多くに適用可能であることを示唆し、グループ上の暗号学問題の解決のためのフレームワークを提供する。 本論文の貢献は,暗号学問題に対処するアルゴリズムを自動構築するフレームワークである。

関連論文リスト

• Evolutionary Algorithms for One-Sided Bipartite Crossing Minimisation [1.382553192164386]
  進化アルゴリズム (EA) は自然進化の原理にインスパイアされた普遍的な解法である。 いわゆるtextscOne-Sided Bipartite Crossing Minimisation (OBCM) について考察する。 OBCMにおける単純なEAの性能を実験的に解析し、置換順序付け問題に対する異なる突然変異演算子を比較した。 ジャンプを用いたEAは、合理的な数世代の後、ソリューションの品質の観点から、すべての決定論的アルゴリズムを容易に上回ります。
  論文  参考訳（メタデータ） (2024-09-05T15:12:41Z)
• Modified Multiple Sequence Alignment Algorithm on Quantum Annealers (MAQ) [0.0]
  本稿では,生物情報学と遺伝的シークエンシングの分野に応用した量子アニールに対する改良型MSAアルゴリズムを提案する。 我々は、アルゴリズムにより多くの量子複素数を導入しながら、スピン使用率の線形化を達成するために、プログレッシブアライメント手法を適用した。
  論文  参考訳（メタデータ） (2024-03-24T01:57:38Z)
• An Application of a Multivariate Estimation of Distribution Algorithm to Cancer Chemotherapy [59.40521061783166]
  癌に対する化学療法治療は、多数の相互作用する変数と制約を持つ複雑な最適化問題である。 より洗練されたアルゴリズムは、このような複雑な問題に対してより良いパフォーマンスをもたらすことが示される。 我々は、この問題における多数の相互作用によって、より洗練されたアルゴリズムが妨げられていることが原因であると仮定する。
  論文  参考訳（メタデータ） (2022-05-17T15:28:46Z)
• Mind Your Solver! On Adversarial Attack and Defense for Combinatorial Optimization [111.78035414744045]
  我々は,最適解法に対する敵攻撃と防御のメカニズムの開発を主導する。 本稿では, グラフ構造を改良し, 解法の堅牢性を高めるための, 単純かつ効果的な防衛戦略を提案する。
  論文  参考訳（メタデータ） (2021-12-28T15:10:15Z)
• Result Diversification by Multi-objective Evolutionary Algorithms with Theoretical Guarantees [94.72461292387146]
  両目的探索問題として結果の多様化問題を再構成し,多目的進化アルゴリズム(EA)を用いて解くことを提案する。 GSEMOが最適時間近似比1/2$を達成できることを理論的に証明する。 目的関数が動的に変化すると、GSEMOはこの近似比をランニングタイムで維持することができ、Borodinらによって提案されたオープンな問題に対処する。
  論文  参考訳（メタデータ） (2021-10-18T14:00:22Z)
• Parameterless Gene-pool Optimal Mixing Evolutionary Algorithms [0.0]
  我々は、GOMEA(Gene-pool Optimal Mixing Evoutionary Algorithm)の最新バージョンを提示し、大幅な改良を提案する。 GOMEA と CGOMEA はオリジナルの GOMEA と DSMGA-II よりも高い性能を示した。
  論文  参考訳（メタデータ） (2021-09-11T11:35:14Z)
• Byzantine-Resilient Non-Convex Stochastic Gradient Descent [61.6382287971982]
  敵対的レジリエントな分散最適化。 機械は独立して勾配を計算し 協力することができます 私達のアルゴリズムは新しい集中の技術およびサンプル複雑性に基づいています。 それは非常に実用的です:それはないときすべての前の方法の性能を改善します。 セッティングマシンがあります。
  論文  参考訳（メタデータ） (2020-12-28T17:19:32Z)
• AdaLead: A simple and robust adaptive greedy search algorithm for sequence design [55.41644538483948]
  我々は、容易で、拡張性があり、堅牢な進化的欲求アルゴリズム(AdaLead)を開発した。 AdaLeadは、様々な生物学的に動機づけられたシーケンスデザインの課題において、アートアプローチのより複雑な状態を克服する、驚くほど強力なベンチマークである。
  論文  参考訳（メタデータ） (2020-10-05T16:40:38Z)
• A black-box adversarial attack for poisoning clustering [78.19784577498031]
  本稿では,クラスタリングアルゴリズムのロバスト性をテストするために,ブラックボックス対逆攻撃法を提案する。 我々の攻撃は、SVM、ランダムフォレスト、ニューラルネットワークなどの教師付きアルゴリズムに対しても転送可能であることを示す。
  論文  参考訳（メタデータ） (2020-09-09T18:19:31Z)
• Re-purposing Heterogeneous Generative Ensembles with Evolutionary Computation [8.198369743955528]
  機械学習では、予測器のアンサンブルは多くのタスクに対して単一の予測器よりも優れた結果を示す。 本研究では、2つの進化的アルゴリズムを応用して、再目的生成モデルにアンサンブルを生成する。 MNIST画像ベンチマークの実験解析により、両方のEAアンサンブル生成法がモデルを再使用できることが示されている。
  論文  参考訳（メタデータ） (2020-03-30T15:04:40Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。