論文の概要: Improved Neural Distinguishers with (Related-key) Differentials:
Applications in SIMON and SIMECK
- arxiv url: http://arxiv.org/abs/2201.03767v1
- Date: Tue, 11 Jan 2022 04:00:11 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-12 14:42:55.028533
- Title: Improved Neural Distinguishers with (Related-key) Differentials:
Applications in SIMON and SIMECK
- Title（参考訳）: 関連キー差分を用いた改良型ニューラルディスタンス:SIMONとSIMECKへの応用
- Authors: Jinyu Lu and Guoqiang Liu and Yunwen Liu and Bing Sun and Chao Li and
Li Liu
- Abstract要約: 我々は,Simon と Simeck に対してニューラル差別器 (NDs) と関連キーニューラル差別器 (RKNDs) を構築する。
Simon32/64 の ND と RKND はそれぞれ 11-, 11-round に達し、それぞれ 59.55% と 97.90% である。
Simeck32/64では、11ラウンド、14ラウンドのNDとRKNDがそれぞれ63.32%、87.06%の精度に達する。
- 参考スコア（独自算出の注目度）: 13.466640311101433
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In CRYPTO 2019, Gohr made a pioneering attempt, and successfully applied deep
learning to the differential cryptanalysis against NSA block cipher Speck32/64,
achieving higher accuracy than the pure differential distinguishers. By its
very nature, mining effective features in data plays a crucial role in
data-driven deep learning. In this paper, in addition to considering the
integrity of the information from the training data of the ciphertext pair,
domain knowledge about the structure of differential cryptanalysis is also
considered into the training process of deep learning to improve the
performance. Besides, based on the SAT/SMT solvers, we find other high
probability compatible differential characteristics which effectively improve
the performance compared with previous work. We build neural distinguishers
(NDs) and related-key neural distinguishers (RKNDs) against Simon and Simeck.
The ND and RKND for Simon32/64 reach 11-, 11-round with an accuracy of 59.55%
and 97.90%, respectively. For Simon64/128, the ND achieve an accuracy of 60.32%
in 13-round, while it is 95.49% for the RKND. For Simeck32/64, ND and RKND of
11-, 14-round are obtained, reaching an accuracy of 63.32% and 87.06%,
respectively. And we build 17-round ND and 21-round RKND for Simeck64/128 with
an accuracy of 64.24% and 62.96%, respectively. Currently, these are the
longest (related-key) neural distinguishers with higher accuracy for
Simon32/64, Simon64/128, Simeck32/64 and Simeck64/128.
- Abstract（参考訳）: CRYPTO 2019で、Gohr氏は先駆的な試みを行い、NSAブロック暗号Speck32/64に対する差分暗号解析にディープラーニングをうまく適用し、純粋な差分区別器よりも高い精度を実現した。
その性質上、データ内の効果的な特徴のマイニングは、データ駆動型ディープラーニングにおいて重要な役割を果たす。
本稿では,暗号文ペアの学習データからの情報の整合性を考慮することに加えて,ディープラーニングの学習プロセスにおいて,差分暗号解析の構造に関するドメイン知識も考慮し,性能の向上を図る。
また,sat/smtソルバに基づいて,従来に比べて性能を効果的に向上させる他の高確率対応差分特性を見出す。
我々は,Simon と Simeck に対してニューラル差別器 (NDs) と関連キーニューラル差別器 (RKNDs) を構築する。
Simon32/64 の ND と RKND はそれぞれ 11-, 11-round に達し、それぞれ 59.55% と 97.90% である。
Simon64/128では、NDは13ラウンドで60.32%、RKNDは95.49%である。
Simeck32/64では、11ラウンド、14ラウンドのNDとRKNDがそれぞれ63.32%、87.06%の精度に達する。
また、Simeck64/128向けに17ラウンドのNDと21ラウンドのRKNDをそれぞれ64.24%と62.96%の精度で構築する。
現在、これらはSimon32/64、Simon64/128、Simeck32/64、Simeck64/128の最も長い(関連するキー)神経識別器である。
関連論文リスト
- Homomorphic WiSARDs: Efficient Weightless Neural Network training over encrypted data [3.3748750222488657]
比較的深い畳み込みニューラルネットワーク(CNN)においても、推論アルゴリズムの同型評価は実用的である
本研究は,Wilkie,Stonham,Aleksander's Recognition Device (WiSARD) とその後のWeightless Neural Networks (WNN) の同型評価を導入し,暗号化データのトレーニングと推論を行う。
論文 参考訳（メタデータ） (2024-03-29T14:09:59Z) - Touch Analysis: An Empirical Evaluation of Machine Learning
Classification Algorithms on Touch Data [7.018254711671888]
個人を正しく分類するための新しいDeep Neural Net(DNN)アーキテクチャを提案する。
新機能と既存の機能を組み合わせると、SVMとkNNはそれぞれ94.7%と94.6%の分類精度を達成した。
論文 参考訳（メタデータ） (2023-11-23T20:31:48Z) - Exploiting CNNs for Semantic Segmentation with Pascal VOC [0.0]
本稿では,Pascal VOCデータセットを用いたセマンティックセグメンテーションに関する総合的研究を行う。
まずFCN(Fully Convolution Network)ベースラインを使用し、71.31%の精度と0.0527の平均IoUを実現した。
パフォーマンスと動作を分析し、その後、ベースラインにおける問題に3つの改善を加えて対処します。
論文 参考訳（メタデータ） (2023-04-26T00:40:27Z) - Collaborative Learning with a Drone Orchestrator [79.75113006257872]
インテリジェントな無線デバイス群は、ドローンの助けを借りて共有ニューラルネットワークモデルを訓練する。
提案したフレームワークは,トレーニングの大幅な高速化を実現し,ドローンホバリング時間の平均24%と87%の削減を実現している。
論文 参考訳（メタデータ） (2023-03-03T23:46:25Z) - Improved Differential-neural Cryptanalysis for Round-reduced Simeck32/64 [7.503547605892289]
我々は,Simeckのラウンド関数と互換性のあるインセプションニューラルネットワークを開発し,ニューラルネットワークの精度を向上させる。
DDTベースの区別器と比較すると、9ラウンドと10ラウンドの神経識別器の方が精度が良い。
拡張された15ラウンドと最初の16ラウンドと17ラウンドの攻撃はSimeck32/64で実施され、15ラウンドと16ラウンドの攻撃の成功率はほぼ100%である。
論文 参考訳（メタデータ） (2023-01-27T09:00:09Z) - LOT: Layer-wise Orthogonal Training on Improving $\ell_2$ Certified
Robustness [14.206377940235091]
近年の研究では、リプシッツ制約によるディープニューラルネットワーク(DNN)のトレーニングは、対向的ロバスト性や安定性などのモデル特性を高めることができることが示されている。
本研究では,1-Lipschitz畳み込み層を効果的に学習するための層ワイド直交訓練法(LOT)を提案する。
LOTは、決定論的l2証明されたロバスト性に関して、ベースラインを著しく上回り、より深いニューラルネットワークにスケールすることを示す。
論文 参考訳（メタデータ） (2022-10-20T22:31:26Z) - Pixel Difference Networks for Efficient Edge Detection [71.03915957914532]
本稿では,Pixel Difference Network (PiDiNet) という軽量かつ効率的なエッジ検出アーキテクチャを提案する。
BSDS500、NYUD、Multicueのデータセットに関する大規模な実験が、その効果を示すために提供されている。
0.1M未満のパラメータを持つPiDiNetのより高速なバージョンは、200FPSのアーティファクトで同等のパフォーマンスを達成できる。
論文 参考訳（メタデータ） (2021-08-16T10:42:59Z) - Non-Parametric Adaptive Network Pruning [125.4414216272874]
アルゴリズム設計を簡略化するノンパラメトリックモデリングを導入。
顔認識コミュニティに触発されて,メッセージパッシングアルゴリズムを用いて,適応的な例示数を求める。
EPrunerは「重要」フィルタを決定する際にトレーニングデータへの依存を壊します。
論文 参考訳（メタデータ） (2021-01-20T06:18:38Z) - Kernel Based Progressive Distillation for Adder Neural Networks [71.731127378807]
追加のみを含むAdder Neural Networks(ANN)は、エネルギー消費の少ないディープニューラルネットワークを新たに開発する方法を提供する。
すべての畳み込みフィルタを加算フィルタで置き換える場合、精度の低下がある。
本稿では,トレーニング可能なパラメータを増大させることなく,ANNの性能を向上するための新しい手法を提案する。
論文 参考訳（メタデータ） (2020-09-28T03:29:19Z) - Accuracy Prediction with Non-neural Model for Neural Architecture Search [185.0651567642238]
精度予測に非神経モデルを用いる別の手法について検討する。
我々は、ニューラルネットワーク探索(NAS)の予測因子として、勾配向上決定木(GBDT)を活用する。
NASBench-101とImageNetの実験は、NASの予測器としてGBDTを使用することの有効性を示した。
論文 参考訳（メタデータ） (2020-07-09T13:28:49Z) - Semi-Supervised Neural Architecture Search [185.0651567642238]
SemiNASは、多くの未ラベルアーキテクチャを活用する半教師付きニューラルアーキテクチャサーチ(NAS)アプローチである(評価なしで、ほぼコストがかからない)。
NASBench-101で94.02%のテスト精度を達成し、同じ数のアーキテクチャを使用する場合、すべてのベースラインを上回ります。
低リソース環境では97%のインテリジェンス率、ロバストネス環境では15%のテストエラー率、ベースラインではそれぞれ9%、7%の改善を実現している。
論文 参考訳（メタデータ） (2020-02-24T17:23:00Z)
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。