[论文解读] Cryptanalysis of SDES via evolutionary computation techniques

Poonam Garg|ArXiv.org|Jun 28, 2009

Metaheuristic Optimization Algorithms Research参考文献 8被引用 11

一句话总结

本文提出并评估了进化计算技术——具体为记忆算法、遗传算法和模拟退火——在破解简化数据加密标准（SDES）中的应用，SDES是一个NP难的组合优化问题。研究结果表明，记忆算法在解决SDES破解问题时优于遗传算法和模拟退火，展现出更优的收敛速度和更高的密钥恢复成功率。

ABSTRACT

The cryptanalysis of simplified data encryption standard can be formulated as NP-Hard combinatorial problem. The goal of this paper is two fold. First we want to make a study about how evolutionary computation techniques can efficiently solve the NP-Hard combinatorial problem. For achieving this goal we test several evolutionary computation techniques like memetic algorithm, genetic algorithm and simulated annealing for the cryptanalysis of simplified data encryption standard problem (SDES). And second was a comparison between memetic algorithm, genetic algorithm and simulated annealing were made in order to investigate the performance for the cryptanalysis on SDES. The methods were tested and extensive computational results show that memetic algorithm performs better than genetic algorithms and simulated annealing for such type of NP-Hard combinatorial problem. This paper represents our first effort toward efficient memetic algorithm for the cryptanalysis of SDES.

研究动机与目标

• 探究进化计算技术在解决SDES破解这一NP难组合优化问题中的有效性。
• 比较记忆算法、遗传算法和模拟退火在恢复SDES加密密钥方面的性能表现。
• 证明记忆算法在破解简化对称密码（如SDES）中的可行性与高效性。
• 为将先进元启发式方法应用于密码学逆向工程任务提供基础性研究。

提出的方法

• 本研究采用记忆算法，该算法结合遗传算法与局部搜索启发式方法，通过迭代方式逐步优化解。
• 以遗传算法作为基线进化方法，通过选择、交叉和变异操作演化候选密钥种群。
• 应用模拟退火作为随机局部搜索方法，通过概率性接受劣质解来探索解空间。
• 在SDES加密方案上评估各算法，目标是根据已知明文-密文对恢复10位密钥。
• 性能通过成功恢复率、收敛速度以及找到正确密钥所需的函数评估次数进行衡量。
• 实验在受控条件下进行，通过多次运行确保结果的统计可靠性。

实验结果

研究问题

• RQ1 记忆算法能否有效解决SDES中的NP难密钥恢复问题？
• RQ2 记忆算法在SDES破解中的性能与遗传算法和模拟退火相比如何？
• RQ3 各类进化技术在恢复SDES密钥时的收敛行为与成功恢复率如何？
• RQ4 记忆算法中引入局部搜索是否显著提升了相对于标准遗传算法的解质量？

主要发现

• 记忆算法在恢复正确SDES密钥方面取得比遗传算法和模拟退火更高的成功恢复率。
• 记忆算法达到收敛所需的函数评估次数更少，表明其在探索解空间方面具有更高的效率。
• 遗传算法表现中等，但在速度和可靠性方面均不及记忆算法。
• 模拟退火收敛速度较慢，且在复杂搜索区域的成功率较低。
• 本研究证实，如记忆算法这样的混合元启发式方法非常适合解决SDES等NP难的密码分析问题。