論文の概要: Enhancing Deep Learning-Based Rotational-XOR Attacks on Lightweight Block Ciphers Simon32/64 and Simeck32/64
- arxiv url: http://arxiv.org/abs/2511.06336v1
- Date: Sun, 09 Nov 2025 11:35:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-11 21:18:44.889758
- Title: Enhancing Deep Learning-Based Rotational-XOR Attacks on Lightweight Block Ciphers Simon32/64 and Simeck32/64
- Title（参考訳）: 軽量ブロック暗号Simon32/64とSimeck32/64における深層学習に基づく回転XOR攻撃の強化
- Authors: Chengcai Liu, Siwei Chen, Zejun Xiang, Shasha Zhang, Xiangyong Zeng,
- Abstract要約: Gohrは、Speck32/64を攻撃するために差分ベースの神経識別器を導入することで、神経暗号解析の先駆者となった。
本稿では,Sim32/64 と Simeck32/64 の軽量ブロック暗号に対する識別器の最適化とキー回復攻撃について述べる。
- 参考スコア（独自算出の注目度）: 9.595193236716314
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: At CRYPTO 2019, Gohr pioneered neural cryptanalysis by introducing differential-based neural distinguishers to attack Speck32/64, establishing a novel paradigm combining deep learning with differential cryptanalysis.Since then, constructing neural distinguishers has become a significant approach to achieving the deep learning-based cryptanalysis for block ciphers.This paper advances rotational-XOR (RX) attacks through neural networks, focusing on optimizing distinguishers and presenting key-recovery attacks for the lightweight block ciphers Simon32/64 and Simeck32/64.In particular, we first construct the fundamental data formats specially designed for training RX-neural distinguishers by refining the existing data formats for differential-neural distinguishers. Based on these data formats, we systematically identify optimal RX-differences with Hamming weights 1 and 2 that develop high-accuracy RX-neural distinguishers. Then, through innovative application of the bit sensitivity test, we achieve significant compression of data format without sacrificing the distinguisher accuracy. This optimization enables us to add more multi-ciphertext pairs into the data formats, further strengthening the performance of RX-neural distinguishers. As an application, we obtain 14- and 17-round RX-neural distinguishers for Simon32/64 and Simeck32/64, which improves the previous ones by 3 and 2 rounds, respectively.In addition, we propose two novel techniques, key bit sensitivity test and the joint wrong key response, to tackle the challenge of applying Bayesian's key-recovery strategy to the target cipher that adopts nonlinear key schedule in the related-key setting without considering of weak-key space. By this, we can straightforwardly mount a 17-round key-recovery attack on Simeck32/64 based on the improved 16-round RX-nerual distinguisher. To the best of our knowledge, the presented RX-neural......
- Abstract（参考訳）: CRYPTO 2019で、Gohr氏は、Speck32/64を攻撃するために差分ベースのニューラルリテラシーを導入し、ディープラーニングと差分暗号分析を組み合わせた新しいパラダイムを確立した。それ以来、ニューラルリテラシーの構築は、ブロック暗号の深度学習に基づく暗号解析を実現するための重要なアプローチとなっている。この論文は、ニューラルネットワークを通じてローテーションXOR(RX)攻撃を進行させ、軽量ブロック暗号の区別器を最適化し、キーリカバリ攻撃を提示することに焦点を当てている。特に、RX-neuralリテラシーを訓練するために特別に設計された基本データフォーマットを構築した。
これらのデータ形式に基づいて,高精度なRX-神経識別器を開発するハミング重み1,2を用いて,最適なRX差分を系統的に同定する。
そして,ビット感度試験の革新的適用により,識別精度を犠牲にすることなく,データフォーマットの大幅な圧縮を実現する。
この最適化により、データ形式により多言語対を追加することができ、RX-神経区別器の性能をさらに高めることができる。
応用として,Sim32/64 と Simeck32/64 の14ラウンド RX-neural distinguisher をそれぞれ3ラウンド,Simeck32/64 を2ラウンド改善し,キービット感度テストとジョイント誤鍵応答という2つの新しい手法を提案する。
これにより、改良された16ラウンドRX-nerual差分器に基づいて、Simeck32/64に17ラウンドの鍵回収攻撃を直接マウントできる。
我々の知る限りでは、提示されたRX-neuralは......。
関連論文リスト
- Knowledge-Informed Neural Network for Complex-Valued SAR Image Recognition [51.03674130115878]
本稿では,新しい「圧縮集約圧縮」アーキテクチャ上に構築された軽量なフレームワークであるKnowledge-Informed Neural Network(KINN)を紹介する。
KINNはパラメータ効率の認識における最先端を確立し、データスカースとアウト・オブ・ディストリビューションのシナリオにおいて例外的な一般化を提供する。
論文 参考訳（メタデータ） (2025-10-23T07:12:26Z) - ALICE: An Interpretable Neural Architecture for Generalization in Substitution Ciphers [0.3403377445166164]
本稿では、ニューラルネットワークの推論と一般化を研究するための理想的なテストベッドとして、暗号解法を提案する。
我々は,この復号化問題の精度と速度を両立させる,シンプルなエンコーダのみの変換器であるALICEを開発した。
驚くべきことに、ALICEはsim1500$のユニークな暗号をトレーニングした後、目に見えない暗号に一般化している。
論文 参考訳（メタデータ） (2025-09-08T23:33:53Z) - Neural-Inspired Advances in Integral Cryptanalysis [9.165382546096117]
ニューラルネットワークを用いて、積分特性に関連する特徴を学習する。
これらの結果は,ニューラルネットワークを用いた特徴探索の枠組みを検証した。
我々は,モデル精度と計算効率のバランスをとるミドルサーチフレームワークにおける会議を開発する。
論文 参考訳（メタデータ） (2025-05-16T02:05:13Z) - A Machine Learning-Based Framework for Assessing Cryptographic Indistinguishability of Lightweight Block Ciphers [1.5953412143328967]
Indistinguishabilityは暗号セキュリティの基本原則であり、IoT(Internet of Things)デバイス間で送信されるデータの保護に不可欠である。
本研究では,暗号化システムにおける不明瞭性評価における機械学習(ML)の能力について検討する。
MIND-Cryptは、軽量ブロック暗号の暗号不一致性を評価するために設計されたMLベースの新しいフレームワークである。
論文 参考訳（メタデータ） (2024-05-30T04:40:13Z) - Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。
I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
論文 参考訳（メタデータ） (2023-08-31T05:05:53Z) - 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) - Small Lesion Segmentation in Brain MRIs with Subpixel Embedding [105.1223735549524]
ヒト脳のMRIスキャンを虚血性脳梗塞と正常組織に分割する方法を提案する。
本稿では,空間展開埋め込みネットワークによって予測を導出する標準エンコーダデコーダの形式でニューラルネットワークアーキテクチャを提案する。
論文 参考訳（メタデータ） (2021-09-18T00:21:17Z) - A Generalizable Model-and-Data Driven Approach for Open-Set RFF
Authentication [74.63333951647581]
高周波指紋(RFF)は、低コストな物理層認証を実現するための有望な解決策である。
RFF抽出と識別のために機械学習に基づく手法が提案されている。
生受信信号からRFFを抽出するエンド・ツー・エンドのディープラーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2021-08-10T03:59:37Z) - 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) - Bi-directional Cross-Modality Feature Propagation with
Separation-and-Aggregation Gate for RGB-D Semantic Segmentation [59.94819184452694]
深度情報はRGBD画像のセマンティックセグメンテーションにおいて有用であることが証明されている。
既存のほとんどの研究は、深度測定がRGBピクセルと正確で整合していると仮定し、問題をモーダルな特徴融合としてモデル化している。
本稿では,RGB特徴量応答を効果的に再検討するだけでなく,複数の段階を通して正確な深度情報を抽出し,代わりに2つの補正表現を集約する,統一的で効率的なクロスモダリティガイドを提案する。
論文 参考訳（メタデータ） (2020-07-17T18:35:24Z)
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。