编辑推荐：
在物联网中，轻量级分组密码安全评估至关重要。差分分析可评估其安全性，但现有方法在寻找合适输入差异时存在难题。研究人员提出 IDSGA 模型，该模型执行时间比 Gohr 减少 93%，能找到更优输入差异，为差分神经密码分析开辟新路径。
在物联网飞速发展的时代，轻量级分组密码作为保障物联网设备安全的关键防线，其安全性评估的重要性不言而喻。想象一下，无人机在空中传输数据、路由器交换信息，这些设备中的数字信号都依赖轻量级分组密码进行加密保护。然而，传统的安全评估方法正面临着巨大挑战。
差分分析原本是评估分组密码安全性的有效手段，它通过寻找高概率差分来猜测密钥。但随着神经网络在密码分析领域的应用，新问题接踵而至。例如，当使用神经网络区分器时，寻找合适的数据集变得困难重重。Gohr 为确定 SPECK32/64 的合适输入差异，计算了约 300 天，而且高概率差异不一定是神经网络区分器的最优解，神经网络的黑箱特性让寻找合适输入差异成为一个棘手的难题。此外，现有方法在搜索输入差异时，要么计算量巨大，要么存在随机性问题，且随着加密轮数增加，数据集的差分特征还会减弱，却没有有效的增强方法。在这样的背景下，开展新的研究迫在眉睫。
为了解决这些问题，相关研究人员开展了关于输入差异搜索模型的研究。他们提出了 IDSGA（Input Difference Search Genetic Algorithm）模型，这一研究成果发表在《Digital Signal Processing》上。该研究具有重要意义，IDSGA 模型为差分神经密码分析建立了新的范式，极大地提升了搜索效率，优化了输入差异的寻找过程。
研究人员在开展这项研究时，主要运用了以下关键技术方法：一是特征纯化（Feature Purification），通过传统差分概率积分消除冗余模式，同时保留与攻击相关的统计属性，增强差分特征；二是多维分布映射（Multi - Dimensional Distribution Mapping），将纯化后的数据转换为可解释的统计指标，实现对数据集的定量评估；三是引入遗传算法（Genetic Algorithm，GA）优化差分搜索空间，避免搜索空间的混乱，还提出了理论上更快的量子版本。
下面来详细看看研究结果：
- IDSGA 搜索模型：该模型通过特征纯化和多维分布映射，创新性地将密码学理论与深度学习相结合。特征纯化减少了数据集在更高轮数中的退化，多维分布映射使模型对数据集的评估更有效，增强了在更高轮次神经网络区分器中探索输入差异的能力。
- 分析和验证 IDSGA：IDSGA 模型基于遗传算法，通过特征纯化和多维分布映射确定差分数据集。由于神经网络的黑箱性质，研究采用了消融研究来关联相关指标，验证了模型的有效性。
- 应用于 SPECK 和 CARX：研究人员将模型应用于 SPECK32/64 和 CARX - 64。在 SPECK32/64 上验证了模型的功效，在 CARX - 64 上，IDSGA 模型找到的输入差异优于 Gohr 的搜索方法，并且使神经网络区分器的性能提高了一轮。实验结果显示，IDSGA 模型的执行时间比 Gohr 减少了 93%，结合遗传算法后执行速度提高了约 55%。
研究结论表明，IDSGA 模型能够在相对较短的时间内推导出可靠的输入差异，还能快速预测不同输入差异的准确性，大大降低了搜索过程中的时间消耗。这一模型的提出，为差分神经密码分析领域带来了新的曙光。它打破了以往对神经网络评估的依赖，构建了更优的搜索路径，无论是对于提升物联网设备中轻量级分组密码的安全性评估水平，还是推动密码学领域的发展，都具有不可忽视的重要意义。未来，随着研究的深入，有望在此基础上进一步优化模型，拓展其在更多密码算法安全评估中的应用，为网络安全保驾护航。
