摘要
当前，物联网应用的大规模部署催生了对轻量级分组密码技术的巨大需求。2019年，深度学习在轻量级分组密码分析领域取得了突破性进展。相比传统密码分析方法，基于深度学习的密码分析方法在效率和泛用性方面具有一定优势，应用前景广阔，值得深入探索。目前，基于深度学习的差分密码分析方法研究主要使用深度学习模型实现差分区分器，以提升密码分析的性能。然而，现有方法存在着深度学习模型复杂度高，分类性能有待改善，模型训练数据需求量大等问题，极大地限制了它们的实际应用。 为解决上述问题，本文提出了基于EfficientNet的差分区分器模型结构优化方法和基于元学习的差分区分器小样本学习方法。这两个方法可以用于现有基于深度学习的轻量级分组密码分析框架，并显著提升性能。本文的研究内容及主要贡献如下： （1）针对现有深度学习差分区分器准确率较低、训练速度较慢的问题，本文提出利用EfficientNet卷积神经网络设计差分区分器的方法，并通过改进EfficientNet卷积神经网络结构，进一步提高差分区分器的分类准确度，缩短训练时间。 （2）针对现有深度学习差分区分器训练数据需求量大，实际应用中性能不佳的问题，本文提出基于元学习的差分区分器小样本学习方法，降低了差分区分器训练所需数据量，并使得差分区分器在数据较少时依然能保持一定的分类精度。 （3）本文在多种不同数据量的数据集上进行了充分的实验，验证了所提出方法的有效性和优越性。针对5轮SPECK32/64分组密码，基于EfficientNet设计的差分区分器取得了94.5%的准确度；基于元学习方法设计的差分区分器在数据量为106、105、104时分别取得了91.74%、88.19%、56.26%的最佳分类准确度，且效果均优于对比实验。此外，本文基于EfficientNet和元学习方法设计差分区分器对6轮SPECK32/64轻量级分组密码进行候选密钥筛选，与对比方法相比剩余的密钥数量最少，进一步验证了本文提出方法的有效性。
NETL