論文の概要: Improved Differential-neural Cryptanalysis for Round-reduced Simeck32/64
- arxiv url: http://arxiv.org/abs/2301.11601v1
- Date: Fri, 27 Jan 2023 09:00:09 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-30 16:04:38.417808
- Title: Improved Differential-neural Cryptanalysis for Round-reduced Simeck32/64
- Title（参考訳）: ラウンドリデュースSimeck32/64の神経機能改善
- Authors: Liu Zhang, Jinyu Lu, Zilong Wang, Chao Li
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 7.503547605892289
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In CRYPTO 2019, Gohr presented differential-neural cryptanalysis by building
the differential distinguisher with a neural network, achieving practical 11-,
and 12-round key recovery attack for Speck32/64. Inspired by this framework, we
develop the Inception neural network that is compatible with the round function
of Simeck to improve the accuracy of the neural distinguishers, thus improving
the accuracy of (9-12)-round neural distinguishers for Simeck32/64. To provide
solid baselines for neural distinguishers, we compute the full distribution of
differences induced by one specific input difference up to 13-round
Simeck32/64. Moreover, the performance of the DDT-based distinguishers in
multiple ciphertext pairs is evaluated. Compared with the DDT-based
distinguishers, the 9-, and 10-round neural distinguishers achieve better
accuracy. Also, an in-depth analysis of the wrong key response profile revealed
that the 12-th and 13-th bits of the subkey have little effect on the score of
the neural distinguisher, thereby accelerating key recovery attacks. Finally,
an enhanced 15-round and the first practical 16-, and 17-round attacks are
implemented for Simeck32/64, and the success rate of both the 15-, and 16-round
attacks is almost 100%.
- Abstract（参考訳）: crypto 2019でgohr氏は、差分識別器をニューラルネットワークで構築し、speck32/64の11回、12回キーリカバリ攻撃を実現することで、差分ニューラル暗号解析を発表した。
この枠組みに触発されて,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,その精度を改善し,simeck32/64の(9-12)ラウンドニューラル識別器の精度を向上させる。
1つの特定の入力差によって引き起こされる13ラウンドsimeck32/64までの差の完全な分布を計算する。
さらに、複数の暗号文対におけるDDTに基づく区別器の性能を評価する。
DDTベースの区別器と比較して、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。
また、間違ったキー応答プロファイルを詳細に分析した結果、サブキーの12ビットと13ビットはニューラルディカライザーのスコアにはほとんど影響を与えず、キーリカバリ攻撃を加速させることがわかった。
最後に、Simeck32/64では、拡張された15ラウンドと最初の16ラウンドと17ラウンドの攻撃が実施され、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。
関連論文リスト
- Deep Neural Networks Tend To Extrapolate Predictably [51.303814412294514]
ニューラルネットワークの予測は、アウト・オブ・ディストリビューション(OOD)入力に直面した場合、予測不可能で過信される傾向がある。
我々は、入力データがOODになるにつれて、ニューラルネットワークの予測が一定値に向かう傾向があることを観察する。
我々は、OOD入力の存在下でリスクに敏感な意思決定を可能にするために、私たちの洞察を実際に活用する方法を示します。
論文 参考訳（メタデータ） (2023-10-02T03:25:32Z) - Multilayer Multiset Neuronal Networks -- MMNNs [55.2480439325792]
本研究は,2層以上の類似性ニューロンを組み込んだ多層神経回路網について述べる。
また,回避すべき画像領域に割り当てられる反プロトタイプ点の利用についても検討した。
論文 参考訳（メタデータ） (2023-08-28T12:55:13Z) - The Hidden Power of Pure 16-bit Floating-Point Neural Networks [1.9594704501292781]
ニューラルネットワークの精度を32ビットの精度から下げることは、長年、パフォーマンスに有害であると考えられてきた。
本稿では,32ビットネットワーク上での純粋16ビットニューラルネットワークの性能向上について検討する。
論文 参考訳（メタデータ） (2023-01-30T12:01:45Z) - 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) - Automated Atrial Fibrillation Classification Based on Denoising Stacked
Autoencoder and Optimized Deep Network [1.7403133838762446]
心房細動(AFib)の発症率は世界中で増加傾向にある。
AFibのリスクを早期に検出するために,我々はディープニューラルネットワークに基づく自動検出システムを開発した。
Denoising Autoencoders (DAE) を用いて心電図信号を復調するエンド・ツー・エンドモデルを提案する。
論文 参考訳（メタデータ） (2022-01-26T21:45:48Z) - Improved Neural Distinguishers with (Related-key) Differentials:
Applications in SIMON and SIMECK [13.466640311101433]
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。
論文 参考訳（メタデータ） (2022-01-11T04:00:11Z) - Optimization-Based Separations for Neural Networks [57.875347246373956]
本研究では,2層のシグモダルアクティベーションを持つディープ2ニューラルネットワークを用いて,ボールインジケータ関数を効率よく学習できることを示す。
これは最適化に基づく最初の分離結果であり、より強力なアーキテクチャの近似の利点は、実際に確実に現れる。
論文 参考訳（メタデータ） (2021-12-04T18:07:47Z) - A convolutional neural network for teeth margin detection on
3-dimensional dental meshes [6.0156209806302074]
ネットワーク構造を評価するため,145本の歯科用メッシュを用いて,精度,リコール,精度を検証した。
拡張レイヤを持つすべてのネットワークはベースラインよりも優れており、最高のネットワークは検証データセットとテストデータセットの両方で0.877の精度を達成した。
論文 参考訳（メタデータ） (2021-07-07T06:16:17Z) - Targeted Attack against Deep Neural Networks via Flipping Limited Weight
Bits [55.740716446995805]
我々は,悪質な目的で展開段階におけるモデルパラメータを修飾する新しい攻撃パラダイムについて検討する。
私たちのゴールは、特定のサンプルをサンプル修正なしでターゲットクラスに誤分類することです。
整数プログラミングにおける最新の手法を利用することで、このBIP問題を連続最適化問題として等価に再構成する。
論文 参考訳（メタデータ） (2021-02-21T03:13:27Z) - Patch-wise++ Perturbation for Adversarial Targeted Attacks [132.58673733817838]
トランスファビリティの高い対比例の作成を目的としたパッチワイズ反復法(PIM)を提案する。
具体的には、各イテレーションのステップサイズに増幅係数を導入し、$epsilon$-constraintをオーバーフローする1ピクセルの全体的な勾配が、その周辺領域に適切に割り当てられる。
現在の攻撃方法と比較して、防御モデルでは35.9%、通常訓練されたモデルでは32.7%、成功率を大幅に向上させた。
論文 参考訳（メタデータ） (2020-12-31T08:40:42Z) - 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)
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。