Methodology development for training neural differential distinguishers and key recovery attack on single ciphertext.

Abstract

Key recovery attacks pose a critical threat to cryptographic systems, as these attacks directly compromise the security of encryption mechanisms. The purpose of this study was to develop a novel single-ciphertext key recovery method that addresses the limitations of traditional cryptanalysis techniques in scenarios with limited data availability. The methodology combined an enhanced B-C3-HSwish neural distinguisher with Bayesian optimisation guided by the Upper Confidence Bound (UCB) strategy. The neural distinguisher was improved through multiscale convolutional layers, activation function optimisation, and diversified input structures, while Bayesian optimisation mapped the key recovery problem to a high-dimensional search task using a Gaussian process surrogate model and the UCB acquisition function. Experimental results on the Speck32/64 encryption algorithm demonstrated a 56% success rate in 11 rounds of key recovery attacks, with data complexity ranging from 213.5 to 213.6. This result surpassed the 52.1% success rate obtained in the reference. The B-C3-HSwish neural discriminator has been improved, in particular by replacing the Relu activation function with Hard_swish, to increase its accuracy in singlepair input mode. This study not only offered a new, resource-efficient solution for key recovery in single-ciphertext scenarios, but also highlights the powerful potential of Bayesian optimisation as a promising paradigm for advancing cryptanalysis. The practical value of this work lies in its ability to provide a resource-efficient solution for key recovery in single-ciphertext scenarios, making it particularly suitable for real-world applications with constrained data. This approach also establishes Bayesian optimisation as a promising paradigm for advancing cryptanalysis and enhancing cryptographic security.

Атаки на відновлення ключів становлять серйозну загрозу для криптографічних систем, оскільки вони безпосередньо ставлять під загрозу безпеку механізмів шифрування. Метою цього дослідження було розроблення нового методу відновлення ключів з одним шифрованим текстом, який усуває обмеження традиційних методів криптоаналізу в сценаріях з обмеженою доступністю даних. Методологія поєднувала вдосконалений нейронний дискримінатор B-C3-HSwish з байєсівською оптимізацією, керованою стратегією верхньої межі довіри (UCB). Нейронний дискримінатор було вдосконалено за допомогою багатомасштабних конволюційних шарів, оптимізації функції активації та диверсифікованих структур вхідних даних, тоді як байєсівська оптимізація відобразила проблему відновлення ключів на високорозмірне завдання пошуку за допомогою сурогатної моделі гауссового процесу та функції придбання UCB. Експериментальні результати щодо алгоритму шифрування Speck32/64 продемонстрували 56 % успішність у 11 раундах атак на відновлення ключа, причому складність даних коливалася від 213,5 до 213,6. Цей результат перевершує 52,1 % успішність, отриману в еталонному дослідженні. Нейронний дискримінатор B-C3-HSwish був вдосконалений, зокрема, шляхом заміни функції активації Relu на Hard_swish для підвищення його точності в режимі введення однієї пари. Це дослідження не тільки пропонує нове, ресурсоефективне рішення для відновлення ключів у сценаріях з одним шифрованим текстом, але й підкреслює потужний потенціал байєсівської оптимізації як перспективної парадигми для розвитку криптоаналізу. Практична цінність цієї роботи полягає в її здатності надати ресурсоефективне рішення для відновлення ключів у сценаріях з одним шифрованим текстом, що робить її особливо придатною для реальних застосувань з обмеженими даними. Цей підхід також встановлює байєсівську оптимізацію як перспективну парадигму для просування криптоаналізу та підвищення криптографічної безпеки.