En la conferencia anual de criptografía de 2019, Gohr presentó una tecnología de análisis de contraseñas basada en el aprendizaje profundo, adecuada para el análisis de contraseñas de cifrados de bloques ligeros con grupos cortos SPECK32/64. Gohr dejó una pregunta clave sin respuesta, es decir, cómo realizar un ataque de recuperación de clave de estado grande basado en el aprendizaje profundo para los cifrados de bloques. Este artículo diseñó un marco de recuperación de clave basado en el aprendizaje profundo para los cifrados de bloques de estado grande. En primer lugar, propone una prueba objetiva de sensibilidad de bits de clave basada en el aprendizaje profundo (KBST) para dividir objetivamente el espacio de claves. En segundo lugar, propone un nuevo método de combinación de discriminadores neuronales para mejorar el marco de recuperación de clave basado en el aprendizaje profundo para los cifrados de bloques de estado grande, y se demuestra su racionalidad y eficacia desde el punto de vista del análisis de contraseñas. En el marco de recuperación de clave mejorado, se capacitó una combinación efectiva de discriminadores neuronales para SIMON y SPECK de estado grande, y se realizó un ataque de recuperación de clave real a los miembros de SIMON y SPECK de estado grande. El ataque SIMON64 propuesto en este artículo es el método más efectivo de recuperación de clave real hasta la fecha. Esta es la primera vez que se intenta realizar un ataque de recuperación de clave práctico basado en el aprendizaje profundo en SIMON128 después de 18 rondas, SIMON128 después de 19 rondas, SIMON96 después de 14 rondas y SIMON64 después de 14 rondas. Además, se mejoraron los resultados del ataque de recuperación de clave real para los miembros de SPECK de estado grande, aumentando la tasa de éxito del ataque de recuperación de clave.

Aprendizaje profundo; cifrados de bloques de estado grande; recuperación de clave; análisis diferencial; SIMON; SPECK