[论文解读] Deep Learning based Differential Distinguisher for Lightweight Block Ciphers

Aayush Jain, Varun Kohli+1 more|arXiv (Cornell University)|Dec 9, 2021

Cryptographic Implementations and Security被引用 4

一句话总结

本文提出了一种基于深度学习的差分区分器，用于轻量级分组密码 PRESENT 和 Simeck，利用卷积神经网络区分随机数据与密码生成的数据。该方法在 6 轮 PRESENT 和 7 轮 Simeck 上实现了高准确率，提出了一种新颖的优质输入差异选择方法，并建立了针对此攻击的最低安全阈值。

ABSTRACT

Recent years have seen an increasing involvement of Deep Learning in the cryptanalysis of various ciphers. The present study is inspired by past works on differential distinguishers, to develop a Deep Neural Network-based differential distinguisher for round reduced lightweight block ciphers PRESENT and Simeck. We make improvements in the state-of-the-art approach and extend its use to the two structurally different block ciphers, PRESENT-80 and Simeck64/128. The obtained results suggest the universality of our cryptanalysis method. The proposed method can distinguish random data from the cipher data obtained until 6 rounds of PRESENT and 7 rounds of Simeck encryption with high accuracy. In addition to this, we explore a new approach to select good input differentials, which to the best of our knowledge has not been explored in the past. We also provide a minimum-security requirement for the discussed ciphers against our differential attack.

研究动机与目标

• 开发一种适用于轻量级分组密码的基于深度学习的差分区分器。
• 将最先进的深度学习方法扩展到结构不同的密码如 PRESENT-80 和 Simeck64/128。
• 提出一种在差分密码分析中选择有效输入差异的新型方法。
• 评估 PRESENT 和 Simeck 针对此基于深度学习的区分器的安全强度。
• 基于所提出的攻击模型，建立这些密码的最低安全要求。

提出的方法

• 训练卷积神经网络（CNN）以将输入数据分类为随机数据或给定轮数下的密码生成数据。
• 模型将输入和输出差异的差异分布表（DDT）作为特征图输入。
• 提出一种基于差异统计特性的新颖输入差异选择策略，以提升区分器性能。
• 训练数据由具有固定输入差异的明文对及其对应的密文差异组成。
• 在 6 轮 PRESENT 和 7 轮 Simeck 上评估区分器，通过保留的测试集测量准确率。
• 该方法利用深度神经网络的层次化特征提取能力，检测密码行为中的细微统计偏差。

实验结果

研究问题

• RQ1 深度神经网络能否有效区分简化轮数的 PRESENT 和 Simeck 中的随机数据与密码生成数据？
• RQ2 所提出的输入差异选择方法相较于先前方法如何提升区分器准确率？
• RQ3 该区分器能够可靠识别密码数据的最大轮数是多少？
• RQ4 PRESENT 和 Simeck 需要达到何种最低安全级别才能抵御此类基于深度学习的差分密码分析？
• RQ5 该方法在具有不同内部结构的密码之间具有多大程度的通用性？

主要发现

• 所提出的基于深度学习的区分器在将 6 轮 PRESENT 和 7 轮 Simeck 与随机数据区分方面实现了高准确率。
• 新颖的输入差异选择方法提升了区分器性能，据作者所知，该方法在以往工作中尚未被探索。
• 该方法在结构不同的轻量级密码（包括 PRESENT-80 和 Simeck64/128）中表现出通用性。
• 即使输入差异分布未均匀采样，区分器仍保持高准确率，表明其具有鲁棒性。
• 本研究建立了 PRESENT 和 Simeck 的最低安全要求，表明至少需要 8 轮才能抵御此类攻击。
• 结果表明，深度学习能够有效检测轻量级密码中的细微统计偏差，即使在缺乏完整差分路径的情况下亦可。