基于MLP神经网络的分组密码算法能量分析研究

随着嵌入式密码设备的广泛应用,侧信道分析(side channel analysis,SCA)成为其安全威胁之一。通过对密码算法物理实现过程中的泄露信息进行分析实现密钥恢复,进而对密码算法实现的安全性进行评估。为了精简用于能量分析的多层感知器(multi-layer perceptron,MLP)网络结构,减少模型的训练参数和训练时间,针对基于汉明重量(HW)和基于比特的MLP神经网络的模型进行了研究,输出类别由256分类分别减少为9分类和2分类;通过采集AES密码算法运行过程中的能量曲线对所提出的MLP神经网络进行训练和测试。实验结果表明,该模型在确保预测精度的前提下能减少MLP神经网络84%的训练参数和28%的训练时间,并减少了密钥恢复阶段需要的能量曲线数量,最少只需要一条能量曲线即可完成AES算法完整密钥的恢复。实验验证了模型的有效性,使用该模型可以对分组密码算法实现的安全性进行分析和评估。     

基于OWO-HWO算法的MLP网络在织物染色配色中的应用

讨论了具有非线性、不确定特性的织物染色配色过程建模与仿真问题。针对传统的织物染色配色方法效果差、精确度不高和难以达到期望结果的问题,结合MLP神经网络的特点,提出了基于OWO-HWO算法训练的MLP神经网络,同时分别优化网络输入层到隐层和隐层到输出层的权值,并利用基于OWO-HWO算法的MLP神经网络建立织物染色配色模型。针对此种模型,利用NuMap神经网络软件进行仿真实验。仿真结果表明,该配色模型收敛速度快,精确度高,在解决织物染色配色问题上取得了令人满意的配色效果。     

基于深度学习LSTM的侧信道分析

加密数据的安全性受到加密算法和加密设备的影响,为评估密码硬件的可靠性,能量分析等多种针对加密平台的攻击方法得到广泛应用。深度学习是一种性能良好的数据分析方法,基于深度学习的功耗侧信道攻击方法一经提出便引起关注。提出一种基于深度学习LSTM的侧信道攻击方法,利用相关功耗分析方法确定侧信道功耗数据的兴趣点,通过兴趣点位置选择合适的兴趣区间作为特征向量以搭建神经网络模型。实验结果表明,相比MLP和CNN模型,LSTM网络模型在侧信道攻击中具有较高的攻击效率。     

基于多物种进化遗传算法的神经网络结构学习方法

针对神经网络结构设计的问题及一般结构学习方法的不足,提出了基于多物种进化遗传算法(SEGA),并以MLP为例给出了基于此算法的神经网络结构进化设计方法。该方法融合了遗传算法与神经网络的特点,具有模型搜索空间广泛、算法适应性强的特点。仿真结果表明该方法是有效的。     

基于条件变分自编码的密码攻击算法

使用密码猜测算法是评估用户密码强度和安全性的有效方法,提出一种基于条件变分自编码密码猜测算法PassCVAE。算法基于条件变分自编码模型,将用户个人信息作为条件特征,训练密码攻击模型。在编码器端,分别使用双向循环神经网络（GRU）和文本卷积神经网络（TextCNN）,实现对密码序列和用户个人信息的编码和特征的抽象提取;在解码器端使用两层GRU神经网络,实现对用户个人信息和密码数据隐编码的解码,生成密码序列。该算法可以有效地拟合密码数据的分布和字符组合规律,生成高质量的猜测密码数据。多组实验结果表明,提出的PassCVAE算法优于现有的主流密码猜测算法。     

混合神经网络在入侵检测系统中的应用研究

提出一种基于MLP和Elman混合神经网络模型的入侵检测系统,旨在利用混合神经网络解决入侵检测问题。本模型具有记忆功能,可以有效地检测离散而又相联系的攻击行为。MLP网络是一个实时的模式分类器,而Elman网络实现了对事件的记忆能力。基于此混合模型的入侵检测系统使用DARPA数据集进行测试评估。实验证明基于此混合模型的入侵检测系统能够有效地提高检测率,降低误报率。     

基于小波神经网络的混沌时间序列分析与相空间重构

探讨了小波神经网络在混沌时间序列分析与相空间重构中的应用,通过混沌时间序列单步预测与多步预测的例子,比较了小波神经网络与MLP的逼近和收敛性能,对最近提出的一种多分辨率学习策略进行了改进,利用连续3次样条小和正交Daubechies小波代替Haar小波对时间序列做小波分解;用改进的学习算法训练网络并应用到混沌序列相空间重构中,实验结果表明,小波神经网络比MLP和ARMA模型具有更强大的逼近能力,因而十分适合应用于时间序列分析中;多分辨率学习算法可作为分析复杂混沌时间序列的一种重要工具。     

颜色特征的图像分类技术研究

研究了基于颜色的图像特征对于图像分类结果的影响.给出了采用基于颜色位置分布特征进行分类的方法,并与基于RGB直方图特征和基于HSV直方图特征的方法进行了比较.分别采用随机森林、Boosting算法和MLP神经网络3种分类方法进行图像分类,建立了自然图像分类系统.基于实验结果比较了随机森林、Boosting算法和MLP神经网络3种分类方法的优缺点,发现Boosting算法表现最好,更加适合于图像分类.     

密码学智能化研究进展与分析

人工智能、5G网络技术的迅速发展开启了万物互联的新时代,计算能力的大幅提高使得基于计算困难性理论的传统密码算法受到威胁,数据安全和通讯安全已成为物联网时代亟待解决的首要问题,密码学由此进入智能化时代。新一代智能化密码学包括基于神经网络的智能密码算法和以机器学习为工具的智能密码分析这两大核心技术。前者利用神经网络的非线性特征设计加密过程,提高密文安全性;后者通过明密文数据集训练机器学习模型获得密文特征,提高密文破译效率。文中简要回顾了密码算法的发展历程,论述了密码学智能化常用的机器学习方法,重点梳理了国内外密码算法及密码分析智能化的最新进展,分析了目前密码学智能化的优势与不足,并探讨了未来的研究方向和面临的挑战。     

基于余数系统抗MES D攻击的RS A算法

RSA密码算法是SoC智能芯片最广泛应用的公钥密码算法之一,然而具有实现简单、攻击成功率高等优点的能量分析攻击对其具有较大的安全威胁。MESD攻击是针对RSA密码算法最有效的差分能量分析攻击手段之一。为加强RSA算法抵抗MESD差分能量分析攻击的能力,提出一种基于余数系统和蒙哥马利模乘算法的抗MESD差分能量分析攻击算法。采用余数系统把大数运算转变成小数运算,运用蒙哥马利模乘算法实现模除运算替换。由仿真实验和分析可知:该算法可以抵抗MESD差分能量分析攻击,具有非常好的理论研究意义与实际应用意义。     

一种基于改进的BP网的公钥密码的破译方法

该文以RSA密码系统为实例介绍了公钥密码体制的基本原理和破译，研究了神经网络在RSA密码体系中的应用，并给出了用BP神经网络来对公钥密码进行破译的基本结构及其学习算法，分析了用BP神经网络破译RsA密码的破译原理．给出了改进的BP网络模型及其学习算法，进行了仿真试验，在此基础上对构建的BP神经网络破译器的的结构进行了进一步的优化和改进，并给出了改进后的学习算法，最后对设计方法阐述了改进的必要性，试验表明方法的有效性和可行性。     

基于神经网络和小波分析的血细胞识别算法

结合小波变换时频局部化特性和神经网络的优势,提出了一种基于神经网络和小波分析的血细胞识别算法.首先对血细胞信号进行小波分解,然后利用小波分解系数重构信号的能量,结合时域特征参数构造特征向量作为神经网络的输入,最后建立神经网络模型进行训练.通过实验分析了不同条件下的信号识别情况,并与传统的识别算法作了比较,结果表明算法具有较强的血细胞识别能力,与传统的识别算法相比,识别准确度更高.     

Smartcard上椭圆曲线密码算法的能量攻击和防御

能量攻击是一种新的密码攻击方法,其密钥搜索空间要远小于传统的数学分析方法。该文介绍了目前对椭圆曲线密码系统能量攻击的几种攻击方法,提出了一种基于Width-w NAF的改进算法RWNAF(Refined Width-w NAF),该算法通过Masking技术隐藏密码算法的真实能量消耗信息,能有效地防御SPA、DPA、RPA与ZPA攻击;通过对密钥d的奇偶性分析,对预计算表进行优化,减少了存储需求和计算开销。RWNAF与Mamiya提出的WBRIP算法相比,具有相同的抗能量攻击能力,但在计算开销与存储开销上均优于WBRIP方法。     

PG-RNN:一种基于递归神经网络的密码猜测模型

用户名—密码（口令）是目前最流行的用户身份认证方式，鉴于获取真实的大规模密码明文非常困难，利用密码猜测技术来生成大规模密码集，可以评估密码猜测算法效率、检测现有用户密码保护机制的缺陷等，是研究密码安全性的主要方法。本文提出了一种基于递归神经网络的密码猜测概率模型（password guessing RNN， PG-RNN），区别于传统的基于人为设计规则的密码生成方法，递归神经网络能够自动地学习到密码集本身的分布特征和字符规律。因此，在泄露的真实用户密码集上训练后的递归神经网络，能够生成非常接近训练集真实数据的密码，避免了人为设定规则来破译密码的局限性。实验结果表明，PG-RNN生成的密码在结构字符类型、密码长度分布上比Markov模型更好地接近原始训练数据的分布特征，同时在真实密码匹配度上，本文提出的PG-RNN模型比目前较好的基于生成对抗网络的PassGAN模型提高了1.2%。     

基于多源数据聚合的神经网络侧信道攻击

基于深度学习的侧信道攻击需要针对密码算法的每一个密钥字节建模并训练,数据采集和模型训练开销大.针对该问题,提出一种基于多源数据聚合的神经网络侧信道攻击方法.为筛选具有良好泛化效果的密钥字节泄露数据进行数据聚合,以AES-128算法为例,先基于16个密钥字节的泄露数据训练16个单密钥字节模型,分别实现对16个密钥字节的恢复;其次,设计一种打分机制评估各单密钥字节模型的泛化效果,通过得分排序筛选出对各密钥字节恢复效果最好的单密钥字节模型;最后,以筛选模型所对应的各密钥字节泄露数据集构建多源数据聚合模型进行训练,实现密钥恢复.实验测试结果表明,多源数据聚合模型具有良好的泛化效果,有效提高了密钥恢复的准确率和效率,降低了恢复密钥所需的能量迹数量,其在采集能量迹较少的情况下依然具有较好的攻击效果.     

通信系统中的信道均衡问题研究

针对通信系统中的信道均衡问题进行了研究,设计了一种基于MLP多层感知器的信道均衡系统。首先,对传统线性均衡器存在的问题进行了描述;其次,针对传统线性均衡器存在的问题构建了基于MLP多层感知器的信道均衡系统模型,即以MLP均衡器为核心,增加训练模块与判决模块;然后引入一种快速学习算法对模型进行训练,即通过学习率和动量项优化后的BP算法,减少了模型训练的时间;最后,对快速学习算法进行测试,通过星座图。均方误差折线图以及误码率折线图三种方式对传统线性均衡器与基于MLP多层感知器的信道均衡系统进行测试与对比。结果表明：在复杂环境下,传统线性均衡器对星座图的校正会出现模糊和偏移的现象,而基于MLP多层感知器的信道均衡器对星座图的校正更为精准有效;均方误差折线图显示,在整体上,MLP结构的均衡器比传统LSM均衡器降低了5 dB;误码率折线图显示,在信噪比达到16 dB之后,MLP结构的均衡器误码率更低。综上可知,本研究提出的MLP结构的均衡器性能更佳且稳定性更好。     

基于深度学习的SIMON32/64安全性分析

轻量级分组密码的安全性分析越来越倾于向自动化和智能化的方向发展.目前基于深度学习对轻量级分组密码进行安全性分析正在成为一个全新的研究热点.针对由美国国家安全局在2013年发布的一款轻量级分组密码SIMON算法,将深度学习技术应用于SIMON32/64的安全性分析.分别采用前馈神经网络和卷积神经网络模拟多差分密码分析当中...     

基于MLP和SPSO的机器人行为选择与运动控制方法

针对传统行为选择机制(ASM)不能很好地做出控制决策的问题,提出一种基于多层感知(MLP)前馈神经网络的ASM,并将其应用到移动机器人目标跟踪中。首先,根据具体应用场景预定义多个机器人行为。然后,根据机器人配备的图像和红外传感器获得的目标位置和障碍物信息,通过MLP神经网络从预定义行为中选择出所需执行的行为。另外,为了构造最优的MLP模型,采用一种简化粒子群算法(SPSO)来优化网络权值参数。机器人目标跟踪仿真的结果表明,提出的ASM能够准确选择出合适的行为,实现了控制机器人跟踪目标移动且能够避开各种障碍物。     

BP神经网络在心理障碍诊断中的应用研究

以高校大学生常见心理疾病作为研究对象,充分利用L-M算法的全局寻优性及局部收敛性的特点对BP神经网络进行优化,建立基于改进的BP算法的心理诊断模型,实现简单的模式识别。仿真结果表明:该模型减少了训练迭代次数,缩短了训练时间,具有较高的准确性,应用该神经网络建立心理障碍诊断系统也是有效的。     

基于事件驱动和神经网络的无线传感网络数据融合算法研究

为降低突发事件监测的无线传感器网络(WSN)的能量消耗和数据冗余,设计并实现一种基于事件驱动的动态分簇BP神经网络数据融合算法(EBPDF)。其中动态成簇以及簇头选举过程基于事件严重程度和节点剩余能量,簇的生命周期和簇的覆盖范围根据事件紧急程度和节点剩余能量进行动态调整。同时,为减少网络通信量,将神经网络层次结构与WSN的簇结构相结合,在动态形成的簇结构中应用三层神经网络模型,通过神经网络算法从采集到的大量原始数据中提取出少量特征值,并发送到汇聚节点,从而延长网络生命周期,降低数据传输的冗余度。理论仿真实验证明,与LEACH算法相比,该算法既能有效降低网络通信流量,又能减少节点通信次数。