Оптимизация нейронных дискриминаторов для легковесных блочных шифров на основе глубоких остаточных сетей

С развитием интернета вещей актуальность легковесной криптографии возросла. Традиционные методы криптоанализа, такие как дифференциальный, часто неэффективны против современных легковесных шифров. Работа Гора (2019) показала возможность применения глубокого обучения для построения нейронных дискриминаторов. В статье исследуется использование глубоких остаточных сетей (ResNet) для оптимизации таких дискриминаторов для шифров типа SIMON/SPECK. Анализируются преимущества ResNet, включая решение проблемы затухания градиента, и описываются процессы построения датасета и обучения модели. Результаты, основанные на анализе работ [1, 2, 4], показывают, что ResNet повышают точность дискриминаторов, способствуя развитию нейрокриптоанализа.