論文の概要: Neural Stringology Based Cryptanalysis of EChaCha20
- arxiv url: http://arxiv.org/abs/2604.13289v1
- Date: Tue, 14 Apr 2026 20:33:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-16 20:38:32.293232
- Title: Neural Stringology Based Cryptanalysis of EChaCha20
- Title（参考訳）: 神経弦学に基づくEChaCha20のクリプトアナリシス
- Authors: Victor Kebande,
- Abstract要約: The Neural Stringology Cryptanalysis (NSC) framework is introduced by classical string pattern analysis with machine learning technique to investigated potential structure anomalies in stream cipher keystreams。
提案したNSCフレームワークは,制御条件下でのキーストリームデータの識別可能な構造特性を識別できる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Modern stream ciphers rely on strong diffusion and pseudorandom keystream generation (PKG) to resist cryptanalysis. While conventional evaluation methods such as statistical randomness tests and differential analysis provide important security assurances, they may fail to detect localized structural patterns embedded within cipher outputs. In this paper, a Neural Stringology Cryptanalysis (NSC) framework that combines classical string pattern analysis with machine learning techniques to investigate potential structural anomalies in stream cipher keystreams is introduced. The proposed approach first applies stringology-inspired feature extraction methods such as m-gram frequency analysis, substring recurrence detection, and positional pattern statistics aligned with the internal operations of Add-Rotate-XOR (ARX) based stream ciphers. These extracted features are then analyzed using a neural learning model to identify deviations from expected random behavior and to detect subtle structural patterns that may not be captured by traditional statistical tests. Experimental evaluation is conducted on keystream outputs generated by the EChaCha20 stream cipher under multiple configurations, including reduced round variants. The results demonstrate that the proposed NSC framework can identify distinguishable structural characteristics in the keystream data under controlled conditions, suggesting that integrating machine learning with stringology-based analysis provides a promising complementary methodology for evaluating the structural robustness of modern ARX-based stream cipher designs.
- Abstract（参考訳）: 現代のストリーム暗号は、暗号解析に抵抗するために強い拡散と擬似ランダム鍵ストリーム生成(PKG)に依存している。
統計的ランダムネステストや差分解析のような従来の評価手法は重要なセキュリティ保証を提供するが、暗号出力に埋め込まれた局所的な構造パターンを検出できない可能性がある。
本稿では,古典的文字列パターン解析と機械学習技術を組み合わせて,ストリーム暗号鍵ストリームの潜在的構造異常を解析するニューラル文字列解析(NSC)フレームワークを提案する。
提案手法はまず,m-gram 周波数解析,サブストリング繰り返し検出,およびAdd-Rotate-XOR (ARX) ベースのストリーム暗号の内部操作に対応する位置パターン統計などの文字列論的特徴抽出手法を適用する。
これらの特徴をニューラルネットワークモデルを用いて分析し、予測されるランダムな振る舞いから逸脱を識別し、従来の統計的テストでは捉えられない微妙な構造パターンを検出する。
EChaCha20ストリーム暗号が生成するキーストリーム出力に対して,ラウンド変動の低減を含む複数の構成で実験的に評価を行った。
提案したNSCフレームワークは,制御条件下でのキーストリームデータの構造的特徴を識別できることを示すとともに,機械学習と文字列解析を統合することで,最新のARXベースのストリーム暗号設計の構造的堅牢性を評価する上で,有望な補完的手法が提供されることを示唆している。
関連論文リスト
- Structure from Rank: Rank-Order Coding as a Bridge from Sequence to Structure [42.559054240539915]
本稿では,STG-LIFG-PMC経路にインスパイアされたランク順ベースニューラルネットワークを提案する。
まず、このモデルが部分的手がかりから全発話を復元する能力を維持しつつ、効率よく入力を圧縮できることを実証する。
次に,このネットワークは,P3Bノベルティ波に似た,世界レベルのノベルティ検出を行うことを示す。
論文 参考訳（メタデータ） (2026-03-09T13:41:45Z) - Intermittent File Encryption in Ransomware: Measurement, Modeling, and Detection [0.32622301272834514]
本稿では,ファイルタイプ間の間欠的暗号化の下でのバイトレベル統計の体系的特性について述べる。
断続暗号の調整混合モデル上での古典的KL偏差上限を特殊化し、ヒストグラムに基づく検出器のファイルタイプ特異的検出性天井を得る。
論文 参考訳（メタデータ） (2025-10-16T20:48:22Z) - Using Modular Arithmetic Optimized Neural Networks To Crack Affine Cryptographic Schemes Efficiently [0.27309692684728615]
ハイブリッドニューラルネットワークアーキテクチャを用いたアフィン暗号の暗号解析について検討する。
提案手法は, 生の暗号文列を処理するモジュール分岐と, 文字の周波数特性を利用する統計分岐を統合する。
論文 参考訳（メタデータ） (2025-07-17T04:54:10Z) - Making Sense Of Distributed Representations With Activation Spectroscopy [44.94093096989921]
関連する機能が多くのニューロンに分散的にコード化されていることを示す証拠が増えている。
この研究は、分散表現におけるニューロンの結合の影響を検知し、追跡するための一つの実現可能な経路を探索する。
論文 参考訳（メタデータ） (2025-01-26T07:33:42Z) - Cryptanalysis via Machine Learning Based Information Theoretic Metrics [58.96805474751668]
本稿では,機械学習アルゴリズムの新たな2つの応用法を提案する。
これらのアルゴリズムは、監査設定で容易に適用でき、暗号システムの堅牢性を評価することができる。
本稿では,DES,RSA,AES ECBなど,IND-CPAの安全でない暗号化スキームを高精度に識別する。
論文 参考訳（メタデータ） (2025-01-25T04:53:36Z) - Fast and Reliable Probabilistic Reflectometry Inversion with Prior-Amortized Neural Posterior Estimation [73.81105275628751]
リフレクションメトリデータと互換性のある全ての構造を見つけることは、標準アルゴリズムでは計算が禁止される。
この信頼性の欠如に対処するため,確率論的深層学習法を用いて,現実的な構造を数秒で識別する。
提案手法は,シミュレーションに基づく推論と新しい適応型事前推定を併用する。
論文 参考訳（メタデータ） (2024-07-26T10:29:16Z) - Interpretable Anomaly Detection in Cellular Networks by Learning
Concepts in Variational Autoencoders [8.612111588129167]
本稿では,セルラーネットワーク内の異常を解釈可能な方法で検出する上での課題について述べる。
本稿では,データセット内のキーパフォーマンス指標(KPI)ごとに潜在空間の解釈可能な表現を学習する可変オートエンコーダ(VAE)を用いた新しい手法を提案する。
論文 参考訳（メタデータ） (2023-06-28T05:50:17Z) - CNN-DST: ensemble deep learning based on Dempster-Shafer theory for
vibration-based fault recognition [0.0]
本研究では,畳み込みニューラルネットワーク(CNN)とDempster-Shafer理論(DST)に基づくアンサンブル深層学習フレームワークを提案する。
提案したCNN-DSTフレームワークを検証するために,多結晶ニッケル合金第一段タービンブレードのブロードバンド振動応答を用いて作成した実験データセットに適用した。
提案したCNN-DSTフレームワークはタービンブレードを平均予測精度97.19%で分類する。
論文 参考訳（メタデータ） (2021-10-14T07:34:27Z) - A Non-Linear Structural Probe [43.50268085775569]
本研究では,文脈表現における構文構造の符号化を研究対象とする構造プローブの事例について検討する。
構造プローブが計量を学習するのを観察して、それをカーネル化し、新しい非線形変種を開発することができる。
我々は6つの言語でテストを行い、ラジアル基底関数(RBF)カーネルが正規化とともに統計的に有意な改善が得られた。
論文 参考訳（メタデータ） (2021-05-21T07:53:10Z) - Hierarchical Deep Recurrent Neural Network based Method for Fault
Detection and Diagnosis [0.3670422696827526]
The algorithm is based on a Supervised Deep Recurrent Autoencoder Neural Network (Supervised DRAE-NN)
外部擬似ランダムバイナリ信号(prbs)がシステムに設計・注入され、初期故障を識別する。
階層構造に基づく戦略は初期故障と非初期故障の両方において検出と分類の精度を大幅に向上させる。
論文 参考訳（メタデータ） (2020-12-07T17:11:56Z) - Learning with Knowledge of Structure: A Neural Network-Based Approach
for MIMO-OFDM Detection [33.46816493359834]
シンボル検出に対する貯水池計算(RC)に基づくアプローチに基づいて、対称かつ分解された二項決定ニューラルネットワークを導入する。
導入した対称ニューラルネットワークは、元の$M$-ary検出問題を一連のバイナリ分類タスクに分解できることを示す。
数値評価により,導入したハイブリッドRCバイナリ決定フレームワークは,最大値モデルに基づくシンボル検出を行うことができる。
論文 参考訳（メタデータ） (2020-12-01T18:16:19Z)
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。