基于神经网络算法的组合序列密码芯片

序列密码一直是密码学中最重要的加密方式之一.现提出基于神经网络算法的序列密码加密芯片设计,在保留原序列良好统计特性基础上,使输出序列的周期性和线性复杂性均有增加.利用FPGA技术进行序列密码芯片电路设计,灵活运用现代电子设计方法实现了运算功能和时序分配.逻辑综合仿真结果验证了芯片电路的正确性.该研究结果有助于序列密码算法在信息安全及现代保密通信设备中的应用.     

G(f)序列的线性复杂度分布

序列密码利用伪随机序列来加密消息序列,伪随机序列的线性复杂度是序列密码安全性的重要度量之一。本文用序列的生成函数研究G(f)序列的线性复杂度分布以及所对应线性复杂度的序列周期,得到了几个对密码设计和分析有意义的结果。     

一类混沌序列密码的特性分析

本文对改进型数字滤波器混沌结构生成的序列密码进行了研究、通过对序列周期、平衡性及线性复杂度的性能分析表明,该结构生成的流密码序列在周期长度、随机统计特性和不可预测性方面体现了较好的性能,满足序列密码系统对密钥序列的要求,且易于实现。     

基于VHDL语言M序列密码系统设计的新方法

文章介绍了用M序列为密钥序列的序列密码系统的优越性，提出了采用VHDL语言来设计这种序列密码系统的新方法。和现有的其他方法比较，该方法具有硬件实现容易，处理速度快，实时性好，密钥管理方便。体积小等特点。     

基于Simulink的序列密码仿真研究

提出了利用Simulink对序列密码编码系统仿真的方法。根据基于移位寄存器产生伪随机序列的原理，使用Simulink的存储器模块模拟移位寄存器，以此为基础加上逻辑运算、双路选择等模块建立密钥序列生成器的仿真模型，并使用子系统技术，建立信息加（解）密系统的仿真模型。还以3种基本的序列模型m序列、前馈序列和钟控序列为例，给出了密钥序列生成器以及序列密码加（解）密系统的仿真设计。     

差分序列的性质及应用

给出了差分序列的若干性质,并对其在序列密码中的应用作了一些探讨。     

Z4上两类具有最优自相关四元序列的线性复杂度研究

线性复杂度是序列密码中重要的安全性指标.针对Z4上两类具有最优自相关的四元序列,对其线性复杂度进行研究.利用Galois理论,分别得到了由Legendre序列、双素数序列及广义GMW序列构造的四元序列线性复杂度的精确值.     

复合离散混沌动力系统与序列密码体系

本文构造了复合离散混沌动力系统,并研究了它不变分布和迭代轨迹的若干性质.利用两个特殊的离散混沌系统,提出了基于复合离散混沌动力系统的序列密码体系.由于复合离散混沌系统对初始条件的敏感性和迭代过程的伪随机性,本文提出的序列密码算法将明文和密钥序列完全融合在密文序列中,使它们与密文之间形成了复杂而敏感的非线性关系,这就防止了密文对有关信息的泄露,从而使系统具有很高的安全性.该算法还拥有很大的密钥空间和均匀分布的密文.     

混沌时间序列在密码学应用中的随机性测试

针对混沌时间序列的产生是否符合密码学应用中的序列随机性检测的要求，及随着参数变化对混沌时间序列的随机性检测的效果进行实验。实验表明混沌密码序列对随机性的测试的好坏存在不确定性，因此混沌序列应用到序列密码之前必须对序列进行随机性检测。     

离散Hopfield神经网络的PWM型脉冲流技术实现

研究了离散Hopfield神经网络的PWM(脉冲宽度调制)型脉冲流技术实现。利用MOS开关管和电压比较器实现了离散Hopfield神经网络，并提出了利用离散Hopfiled神经网络实现自联想记忆时相应的PWM型脉冲流电路。所提出的电路结构简单，易于芯片间通讯及系统扩展。     

Design of FIR linear phase filters with discrete coefficients usingHopfield neural networks

A novel method is presented for designing FIR linear phase filters with discrete coefficients using Hopfield neural networks. The proposed procedure is based on the minimisation of the energy function of the Hopfield neural network, and can produce a good solution to the design of FIR linear phase filters with discrete coefficients     

基于Hopfield神经网络噪声数字的识别

噪声数字的识别具有很好的应用前景,也是后期处理的基础。基于离散Hopfield神经网络的联想记忆能力,通过改进神经网络的记忆样本,再利用Hebb规则对改进的记忆样本进行学习,得到权值矩阵,根据待识别的噪声数字的信息联想起记忆的数字。利用改进后的离散Hopfield神经网络对噪声数字进行了识别的实验。实验结果表明,该方法提高了传统网络的记忆能力和识别的正确率。     

Security Analysis of A Stream Cipher with Proven Properties

Si and Ding proposed a stream cipher with two keys (the first and the second key) and an expected security strength. To further measure the security, we analyze the stream cipher by considering the selective discrete Fourier spectra attack and the fast selective discrete Fourier spectra attack. The two attacks reveal a fact that the second key is more important than the first key, that is, if the second key is leaked out, the first key can be obtained with a lower time complexity than that of the expected security. In addition, we analyze the ability of the stream cipher to resist the guess-and-determine attack. The results show an attacker is able to gain the two keys with an exponentially improved time complexity and a polynomial data complexity. It implies that we need a securer permutation over finite fields to design a new binary additive stream cipher to achieve the expected security level.     

一种神经网络多用户检测器

本文提出采用Ｈｏｐｆｉｅｌｄ神经网络实现ＣＤＭＡ多用户通信系统中多用户信号的检测。利用基于检测序列最大后验概率最佳多用户检测器的似然函数与Ｈｏｐｆｉｅｌｄ神经网络的能量函数的对应关系,构造一种离散Ｈｏｐｆｉｅｌｄ神经网络多用户检测器。研究表明,这种多用户检测器具有优良的性能,其计算复杂度低于最佳多用户检测器、抑制多址干扰和克服远近效应能力又大大优于传统检测器。     

离散Hopfield神经网络的稳定性研究

离散Hopfield神经网络的稳定性是网络应用的基础.文中主要研究非对称离散Hopfield神经网络的异步、同步、部分同步演化方式的稳定性,并给出了一些新的稳定性条件,所获结果推广了一些已有的结论.     

一类离散Hopfield网络的吸引特性研究

该文以n维超立方体为大规模局域连接模型的离散Hopfield网络(简称An网)为研究对象,深入讨论了这种网络的吸引特性,包括吸引子/吸引环的结构和吸引半径等,得出了具有相同结构的吸引子/吸引环具有相同的吸引特性和吸引半径,并给出了它们的吸引半径;进一步地,本文将上述讨论扩展到较为一般的离散Hopfield网络,讨论了它们的吸引子/吸引环与An网的吸引子/吸引环相同(或部分相同)的条件,以及相应的吸引子/吸引环的吸引半径,得出了迁移越大,保留An网吸引子/吸引环的数目越少,且吸引半径越小的结论。     

延迟离散Hopfield网络的稳定性条件

主要利用状态转移方程和定义能量函数的方法对具有时延的离散Hopfield神经网络的动力学行为进行了研究,并且获得了若干稳定性结果.给出了延迟离散Hopfield神经网络收敛于周期为4的极限环的一个充分条件,获得了延迟网络有稳定状态的条件,并且得到了延迟网络既没有稳定状态也没有周期为2的极限环的条件.同时,这些结果用两个例子进行了验证.这些结果推广了一些已有的离散Hopfield神经网络的稳定性结果.     

Solution of assigning binary indexes to codevectors by a kind of hopfield neural network

A method of assigning binary indexes to codevectors in vector quantization (VQ) system, which is called pseudo-Gray coding, is presented in this paper by constructing a kind of Hopfield neural network. Pseudo-Gray coding belongs to joint source/channel coding, which could provide a redundancy-free error protection scheme for VQ of analog signals when the binary indexes of signal codevectors are used as channel symbols on a discrete memoryless channel. Since pseudo-Gray coding is of combinatorial optimization problems which are NP-complete problems, globally optimal solutions are generally impossible. Thus, a kind of Hopfield neural network is used by constructing suitable energy function to get sub-optimal solutions. This kind of Hopfield neural network is easily modified to solve simplified version of pseudo-Gray coding for single-bit-error channel model. Simulating experimental results show that the method introduced here could offer good performances.