Análisis criptográfico neural exhaustivo en cifrados de bloques utilizando diferentes métodos de encriptación
Autores: Jeong, Ongee; Ahmadzadeh, Ezat; Moon, Inkyu
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Análisis criptográfico neural exhaustivo en cifrados de bloques utilizando diferentes métodos de encriptación
Categoría
Matemáticas
Subcategoría
Matemáticas generales
Palabras clave
Criptoanálisis neuronal
Cifradores de bloques
Ataques de aprendizaje profundo
Métodos de encriptación
Recuperación de clave
Red neuronal recurrente
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 29
Citaciones: Sin citaciones
En este documento, realizamos criptoanálisis neural en cinco cifrados de bloque: Estándar de Cifrado de Datos (DES), DES Simplificado (SDES), Estándar de Cifrado Avanzado (AES), AES Simplificado (SAES) y SPECK. Los cifrados de bloque son investigados en tres diferentes ataques basados en aprendizaje profundo, Ataque de Emulación de Encriptación (EE), Recuperación de Texto en Claro (PR), Recuperación de Clave (KR) y Ataques de Clasificación de Cifrado (CC). Los ataques intentan romper los cifrados de bloque en varios casos, como diferentes tipos de textos en claro (es decir, matrices de bits del tamaño de bloque y textos), diferentes números de funciones de rondas y cantidad de datos de entrenamiento, diferentes métodos de encriptación de texto (es decir, Encriptación de Texto Basada en Palabras (WTE) y Encriptación de Texto Basada en Oraciones (STE)), y diferentes arquitecturas de modelos de aprendizaje profundo. Como resultado, los cifrados de bloque pueden ser vulnerables a los ataques EE y PR utilizando una gran cantidad de datos de entrenamiento, y STE puede mejorar la resistencia de los cifrados de bloque, a diferencia de WTE, que muestra casi la misma precisión de clasificación que los textos en claro, especialmente en un ataque CC. Además, especialmente en el ataque KR, el modelo de aprendizaje profundo basado en Redes Neuronales Recurrentes (RNN) muestra una probabilidad de precisión de bits promedio más alta que el modelo de aprendizaje profundo basado en conexión completa. Además, el modelo de aprendizaje profundo basado en RNN es más adecuado que el modelo de aprendizaje profundo basado en transformadores en el ataque CC. Además, cuando las claves son iguales a los textos en claro, el ataque KR puede romper perfectamente los cifrados de bloque, incluso si los textos en claro son generados aleatoriamente. Además, identificamos que DES y SPECK32/64 aplicando dos funciones de rondas son más vulnerables que aquellos que aplican una sola función de rondas al realizar el ataque KR con claves generadas aleatoriamente y un texto en claro de una sola ronda generado aleatoriamente.
Descripción
En este documento, realizamos criptoanálisis neural en cinco cifrados de bloque: Estándar de Cifrado de Datos (DES), DES Simplificado (SDES), Estándar de Cifrado Avanzado (AES), AES Simplificado (SAES) y SPECK. Los cifrados de bloque son investigados en tres diferentes ataques basados en aprendizaje profundo, Ataque de Emulación de Encriptación (EE), Recuperación de Texto en Claro (PR), Recuperación de Clave (KR) y Ataques de Clasificación de Cifrado (CC). Los ataques intentan romper los cifrados de bloque en varios casos, como diferentes tipos de textos en claro (es decir, matrices de bits del tamaño de bloque y textos), diferentes números de funciones de rondas y cantidad de datos de entrenamiento, diferentes métodos de encriptación de texto (es decir, Encriptación de Texto Basada en Palabras (WTE) y Encriptación de Texto Basada en Oraciones (STE)), y diferentes arquitecturas de modelos de aprendizaje profundo. Como resultado, los cifrados de bloque pueden ser vulnerables a los ataques EE y PR utilizando una gran cantidad de datos de entrenamiento, y STE puede mejorar la resistencia de los cifrados de bloque, a diferencia de WTE, que muestra casi la misma precisión de clasificación que los textos en claro, especialmente en un ataque CC. Además, especialmente en el ataque KR, el modelo de aprendizaje profundo basado en Redes Neuronales Recurrentes (RNN) muestra una probabilidad de precisión de bits promedio más alta que el modelo de aprendizaje profundo basado en conexión completa. Además, el modelo de aprendizaje profundo basado en RNN es más adecuado que el modelo de aprendizaje profundo basado en transformadores en el ataque CC. Además, cuando las claves son iguales a los textos en claro, el ataque KR puede romper perfectamente los cifrados de bloque, incluso si los textos en claro son generados aleatoriamente. Además, identificamos que DES y SPECK32/64 aplicando dos funciones de rondas son más vulnerables que aquellos que aplican una sola función de rondas al realizar el ataque KR con claves generadas aleatoriamente y un texto en claro de una sola ronda generado aleatoriamente.