【密码分析学 笔记】ch3 3.1 差分分析

ch3 分组密码的差分分析和相关分析方法

3.1 差分分析

  • 评估分组密码安全性通用方法
  • 可用于杂凑函数和流密码安全性
预备知识:
  • 迭代性分组密码(分组密码一般结构)
  • 简化版本 mini-AES CipherFour算法
3.1.1 差分分析原理

现象:密钥在异或运算过程中被抵消 → 直接从明文对异或值得到密文对异或值(绕过密钥)【不随机现象】

差分值: X和X’是两个长度为n的二进制比特串, Δ X = X ⊕ X ′ { ΔX=X \oplus X'} ΔX=XX 称为X和X’的差分值

  • 模加运算 模减差分

i轮差分、i轮差分对(differential): P β 0 → i 轮 β i {P \beta_{0} \stackrel{i轮}\to \beta_{i} } Pβ0iβi 差分经过i轮的传播特性

i轮差分概率 D P ( β 0 → i 轮 β i ) {DP(\beta_{0} \stackrel{i轮}\to \beta_{i}) } DP(β0iβi)

理想分组密码 α {\alpha} α 是输入差分, β {\beta} β 是输出差分,n是分组长度,理想分组密码满足随机置换, ∀ β ∈ { 0 , 1 } n , D P ( α → i 轮 β ) = 1 / 2 n { \forall \beta \in \{0,1\} ^{n},DP(\alpha \stackrel{i轮}\to \beta)=1/2^{n} } β{0,1}n,DP(αiβ)=1/2n,构造区分器关键:找到高概率的i轮差分 α → i 轮 β {\alpha \stackrel{i轮}\to \beta} αiβ,满足 D P ( α → i 轮 β ) > 1 / 2 n {DP(\alpha \stackrel{i轮}\to \beta)>1/2^{n}} DP(αiβ)>1/2n

差分分析原理

  1. 发现长轮数、高概率的i轮差分(不随机现象)
  2. 建立与部分密钥有关的带概率的方程,利用正误密钥下,中间状态满足特定差分值的明密文对数服从不同分布,恢复密钥(分割密钥空间,建立方程组/约束条件,进行密钥恢复攻击)

差分分析攻击模型

假设 D P ( α , β ) = p > 1 / 2 n , ∣ K ~ ∣ = k {DP(\alpha , \beta)=p >1/2^{n},|\widetilde{K}|=k} DP(α,β)=p>1/2nK =k,设置 2 k { 2^{k} } 2k 个计数器,初始化为0

  1. 采样:选取满足条件的差分明文对
  2. 去噪:根据β值过滤对应的密文
  3. 恢复密钥:对方程组每个解都设置1个计数器,处理完所有明文对后从大到小排序,前 2 k − a {2^{k-a}} 2ka个作为正确密钥候选值,结合穷举攻击等确定正确密钥
3.1.2 CipherFour 算法差分分析
3.1.2.1 各运算部件差分传播特性

CipherFour算法:

  • 16bit分组长度
  • r轮迭代
  • 密钥长度为16(r+1)bits
  • 假设轮密钥相互独立

算法每一轮(除最后一轮)包含:

  • 16比特的轮密钥异或
  • 4个4比特的S盒
  • 16比特的比特置换

最后一轮包含:

  • 16比特的轮密钥异或
  • 4个4比特的S盒
  • 16比特的白化密钥异或

1.S盒

非线性变换S盒差分传播概率:

  • 输入差分α过S盒后变为输出差分β,记为** α → S β {\alpha \stackrel{S}\to \beta} αSβ**
  • 满足 α → S β {\alpha \stackrel{S}\to \beta} αSβ 的明文对的个数为** N S ( α , β ) {N_{S}(\alpha,\beta)} NS(α,β)**
  • 相应的 α → S β {\alpha \stackrel{S}\to \beta} αSβ 的差分传播概率为** D P ( α → S β ) = P r ( α → S β ) = N S ( α , β ) 2 m {DP(\alpha \stackrel{S}\to \beta)=Pr(\alpha \stackrel{S}\to \beta)=\frac{N_{S}(\alpha,\beta)}{2^{m}} } DP(αSβ)=Pr(αSβ)=2mNS(α,β)**

S盒差分分布表(DDT)

  • 构造:α为行标,β为列标,行列交错处的项为 N S ( α , β ) {N_{S}(\alpha,\beta)} NS(α,β),构造的 2 m × 2 n {2^{m}×2^{n}} 2m×2n的表
  • CipherFour的DDT特性
    • D P ( 0 x 0 → S 0 x 0 ) = 1 {DP(0x0 \stackrel{S}\to 0x0)=1} DP(0x0S0x0)=1
    • D P ( 0 x 0 → S 0 x i ) = 1 , i ≠ 0 {DP(0x0 \stackrel{S}\to 0xi)=1,i\neq0} DP(0x0S0xi)=1,i=0
    • N S ( α , β ) = 0 {N_{S}(\alpha,\beta)=0} NS(α,β)=0,记作 α ↛ β {\alpha \nrightarrow \beta} αβ
      • D P ( 0 x f → S 0 x 1 ) = 0 {DP(0xf \stackrel{S}\to 0x1)=0} DP(0xfS0x1)=0
    • 随机置换RP(Random Permutation)
      • P r ( α → R P β ) = 1 2 4 {Pr(\alpha \stackrel{RP}\to \beta)=\frac{1}{2^{4}}} Pr(αRPβ)=241
    • DDT中的数都是偶数

2.P置换

拉线操作,只改变bit位置,不改变取值

输出差分等于输入差分经过P置换后的结果

P ( X ) ⊕ P ( X ′ ) = P ( X ⊕ X ′ ) {P(X)\oplus P(X')=P(X \oplus X')} P(X)P(X)=P(XX)

3.异或密钥AK

( X ⊕ K ) ⊕ ( X ′ ⊕ K ) = X ⊕ X ′ {(X\oplus K)\oplus (X'\oplus K)=X \oplus X'} XK)(XK)=XX

输出差分等于输入差分

总结可得,差分在各部件的传播特性为:

  1. 过线性变换差分值确定
    1. 异或密钥差分值不变
  2. 过非线性变换差分值不确定,传播概率由S盒DDT决定
3.1.2.2 CipherFour算法的多轮差分路线

i轮差分路线 β 0 → 1 轮 β 1 → 1 轮 β 2 → 1 轮 . . . → 1 轮 β i {\beta_{0}\stackrel{1轮}\to \beta_{1}\stackrel{1轮}\to \beta_{2}\stackrel{1轮}\to... \stackrel{1轮}\to\beta_{i}} β01β11β21...1βi

i轮差分路线概率

  • 分组密码输入X以及轮密钥取值相互独立且均匀分布
  • 等于各轮差分路线概率乘积
  • D P ( β 0 → 1 轮 β 1 → 1 轮 β 2 → 1 轮 . . . → 1 轮 β i ) = ∏ j = 1 i D P ( β j − 1 → 1 轮 β j ) {DP(\beta_{0}\stackrel{1轮}\to \beta_{1}\stackrel{1轮}\to \beta_{2}\stackrel{1轮}\to... \stackrel{1轮}\to\beta_{i})=\prod \limits_{j=1}^iDP(\beta_{j-1}\stackrel{1轮}\to \beta_{j})} DP(β01β11β21...1βi)=j=1iDP(βj11βj)

i轮最优差分路线

  • 所有i轮差分路线中概率最大的(可能不止一条)

活跃S盒

  • 输入差分非零的S盒

影响i轮差分路线概率的主要因素

  • 活跃S盒个数
  • 活跃S盒对应的输出差分

CipherFour 1轮最优差分路线

  • 需要活跃S盒的个数≥1,由DDT表可得,
    • D P ( 0 x F → S 0 x D ) = 10 2 4 = 5 8 {DP(0xF \stackrel{S}\to 0xD)=\frac{10}{2^{4}}=\frac{5}{8}} DP(0xFS0xD)=2410=85

2轮最优差分路线与1轮最优无关

  • 直接以1轮最优差分路线的输出差分为输入差分,得到的DP为 5 8 ⋅ ( 3 5 ) 3 ≈ 0.033 {\frac{5}{8}·(\frac{3}{5})^{3}≈0.033} 85(53)30.033
  • 保持每轮一个S盒,概率为 D P ( 0 x 2 → S 0 x 2 ) = 6 2 4 = ( 3 8 ) 2 {DP(0x2 \stackrel{S}\to 0x2)=\frac{6}{2^{4}}=(\frac{3}{8})^{2}} DP(0x2S0x2)=246=(83)2,更优

差分路线级联

迭代型差分概率

  • 给定概率为 p i {p_{i}} pi的i轮差分路线 β 0 → 1 轮 β 1 → 1 轮 β 2 → 1 轮 . . . → 1 轮 β i {\beta_{0}\stackrel{1轮}\to \beta_{1}\stackrel{1轮}\to \beta_{2}\stackrel{1轮}\to... \stackrel{1轮}\to\beta_{i}} β01β11β21...1βi,若 β 0 = β i {\beta_{0}=\beta_{i}} β0=βi,迭代该路线k次,得到一条ki轮的差分路线 β 0 → 1 轮 β 1 → 1 轮 . . . → 1 轮 β 0 → 1 轮 β 1 → 1 轮 . . . → 1 轮 β 0 {\beta_{0}\stackrel{1轮}\to \beta_{1}\stackrel{1轮}\to ...\stackrel{1轮}\to\beta_{0}\stackrel{1轮}\to \beta_{1} \stackrel{1轮}\to ... \stackrel{1轮}\to\beta_{0}} β01β11...1β01β11...1β0
3.1.2.3 CipherFour算法的多轮差分

实验得到i轮差分概率大于单条差分路线的概率。

没有必要固定中间状态的差分

(基于独立性假设)r轮差分的概率

  • 共s条输入差分为 β 0 {\beta_{0}} β0,输出差分为 β i {\beta_{i }} βi的i轮差分路线

D P ( b e t a 0 → i 轮 β 1 ) = ∑ t = 1 s D P ( β 0 → 1 轮 β 1 t → . . . → β i − 1 t → 1 轮 β i t ) = ∑ t = 1 s ( ∏ j = 1 i D P ( β j − 1 t → 1 轮 β j t ) ) DP(beta_{0}\stackrel{i轮}\to \beta_{1})=\sum\limits_{t=1}^{s}DP(\beta_{0}\stackrel{1轮}\to \beta_{1}^{t}\to ... \to \beta_{i-1}^{t}\stackrel{1轮}\to\beta_{i}^{t}) \\=\sum\limits_{t=1}^{s}\big (\prod\limits_{j=1}^{i}DP(\beta_{j-1}^{t}\stackrel{1轮}\to\beta_{j}^{t}) \big) DP(beta0iβ1)=t=1sDP(β01β1t...βi1t1βit)=t=1s(j=1iDP(βj1t1βjt))

Markov密码算法:满足独立性假设的算法

通过不随机现象区分4轮CipherFour算法和随机置换 0.08>0.000015

3.1.2.4 5轮CipherFour算法的密钥恢复攻击

5轮等于4轮CipherFour算法+1 “4+1”

4轮加密后的输出是 中间变量,猜测 k 5 {k_{5}} k5的取值

  1. 采样
    • 选择m对满足输入差分的输入对,计算5轮加密后的密文对
  2. 去噪
    • 筛选并删除错误对
    • 若四轮加密后中间状态为(0,0,2,0),由DDT得到 ( 0 , 0 , 2 , 0 ) → S ( 0 , 0 , h , 0 ) , h ∈ 1 , 2 , 9 , a {(0,0,2,0) \stackrel{S}\to (0,0,h,0), h∈{1,2,9,a}} (0,0,2,0)S(0,0,h,0),h1,2,9,a
    • 正确对相应的密文差分只有四种可能 (0,0,1,0), (0,0,2,0), (0,0,9,0), (0,0,a,0)
  3. 恢复密钥
    • 解方程 S − 1 ( k 5 , 2 ⊕ c 2 ) ⊕ S − 1 ( k 5 , 2 ⊕ c 2 ′ ) = 2 {S^{-1}(k_{5,2}\oplus c_{2})\oplus S^{-1}(k_{5,2}\oplus c_{2}^{'})=2} S1(k5,2c2)S1(k5,2c2)=2,并对每个解设置计数器
    • 按计数器取值由大到小对去噪的明文对进行排序,前 2 4 − a {2^{4-a}} 24a个作为正确密钥的候选值
    • 恢复4-bit k 5 , 2 {k_{5,2}} k5,2,实现分割
    • 剩余密钥差分或者穷举

正确对:

  • 一定满足区分器的头尾差分
  • 代入S盒有关方程 解一定包括正确密钥

错误对:

  • 一定不满足区分器的头部或尾部差分
  • 代入S盒有关方程 解只包含错误密钥

复杂度:重要的是选择明文的个数

信噪比 S N {S_{N}} SN

  • 正确密钥(信息)的计数/错误密钥(噪声)的平均计数

  • 1 ≤ S N {S_{N}} SN ≤2,需保证有20-40正确对 S N {S_{N}} SN较大

  • S N {S_{N}} SN ≥100时,需保证有3-4个正确对

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/diannao/57406.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

JMeter使用不同方式传递接口参数

1、使用 HTTP 请求中的参数: 在 JMeter 的测试计划中,添加一个 "HTTP 请求" 元件。 在 "HTTP 请求" 元件的参数化选项中,可以添加参数的名称和值。可以手动输入参数,也可以使用变量来传递参数值。 如果要使…

汇川机器人与PLC通信-ModbusTCP超详细案例

#SCARA机器人与H5UPLC通过ModbusTCP通信,HMI界面手动操作# 应用背景: 本项目案例部分软件界面已被更新,如机器人示教软件旧版本S01.19R03。但通信的原理基本一致,废话少说,我们直接上图。 一、PLC端配置 1.添加ROB通讯表(自定义),变量表内容包括ROB系统变量,IN区和…

【利用Seaborn进行高级数据可视化】创建美观且信息丰富的图表!

利用Seaborn进行高级数据可视化:创建美观且信息丰富的图表 数据可视化是数据分析和科学研究中不可或缺的部分。通过有效的图表,我们可以迅速了解数据的分布、趋势和关系。在Python的数据科学生态系统中,Seaborn是一个基于Matplotlib的高级库…

大厂面试真题-了解云原生吗,简单说一下docker和k8s

K8s(Kubernetes)和Docker都是容器化技术中的关键组件,但它们各自扮演着不同的角色。以下是对这两者的详细解析: 一、Docker Docker是一个开源的容器化平台,它允许开发人员将应用程序及其依赖项打包为一个独立的镜像&…

条款8 优先考虑nullptr而非0和NULL

目录 一、nullptr,0,NULL都是什么类型 二、正确调用函数指针版本的函数重载 三、模板推导时使用不能混用 一、nullptr,0,NULL都是什么类型 auto a = 0; -> int auto a = NULL; -> long auto a = nullptr; -> std::nullptr_t 二、正确调用函数…

Notepad++将搜索内容所在行选中,并进行复制等操作

背景 Notepad在非常多的数据行内容中,按照指定内容检索,并定位到具体行,而后对内容行的数据进行复制、剪切、删除等处理动作。 操作说明 检索并标记所在行 弹出搜索框:按下 Ctrl F。 输入查找字符串:在搜索框中输入要…

Cursor零基础小白教程系列「进阶」 - Cursor 智能代码补全详解(Tab)

最适合小白零基础的Cursor教程 网站lookai.top相同作者,最新文章会在网站更新,欢迎收藏书签 Cursor 智能代码补全详解(Tab) 概述 Cursor的智能代码补全,也就是快捷键Tab,是其最强大和独特的AI辅助编程工具之一。本教程将详细介绍…

“避免序列化灾难:掌握实现 Serializable 的真相!(二)”

文章目录 一、什么是序列化?二、Serializable 是如何起作用的?三、为什么不自动序列化所有对象?四、Java 序列化的底层原理序列化的核心步骤: 五、反序列化的原理六、总结:为什么必须实现 Serializable 才能序列化&…

最好的ppt模板网站是哪个?做PPT不可错过的18个网站!

现在有很多PPT模板网站,但真正免费且高质量的不多,今天我就分享主流的国内外PPT模板下载网站,并且会详细分析这些网站的优缺点,这些网站都是基于个人实际使用经验的,免费站点会特别标注,让你可以放心下载&a…

【Jmeter】jmeter指定jdk版本启动

背景: 因权限问题,不能修改操作系统的环境变量或者因jmeter启动加载的默认jdk8版本低,需要指定jdk XX版本启动Jmeter 解决办法: 进入jmeter bin目录选择jmeter.bat,记事本编辑jmeter.bat, 在最前面添加 set MINIMAL_…

go 中的斐波那契数实现以及效率比较

package mainimport ("fmt""math/big""time" )// FibonacciRecursive 使用递归方法计算斐波那契数列的第n个数 func FibonacciRecursive(n int) *big.Int {if n < 1 {return big.NewInt(int64(n))}return new(big.Int).Add(FibonacciRecursiv…

抗肺癌市场迎新突破,十款创新药物获批!

在肺癌治疗领域&#xff0c;近年来取得了令人瞩目的进展。随着科学技术的不断进步和临床研究的深入&#xff0c;多款创新肺癌药物相继获批上市&#xff0c;为患者带来了前所未有的治疗选择和希望。本文将详细介绍十款最新获批的肺癌创新药物&#xff0c;探讨它们的特点、适应症…

Leetcode 1135. 最低成本连通所有城市

1.题目基本信息 1.1.题目描述 想象一下你是个城市基建规划者&#xff0c;地图上有 n 座城市&#xff0c;它们按以 1 到 n 的次序编号。 给你整数 n 和一个数组 conections&#xff0c;其中 connections[i] [x_i, y_i, cost_i] 表示将城市 x_i 和城市 y_i 连接所要的cost_i&…

Stable Diffusion Web UI 大白话术语解释 (二)

归纳整理&#xff0c;Stable Diffusion Web UI 使用过程中&#xff0c;相关术语 ControlNet ControlNet 说简单点&#xff0c;就是你可以给 AI 一些“规则”&#xff0c;比如让它根据某些线条、结构或者骨架去画图。 这样能让 AI 画出更符合你要求的图片&#xff0c;特别适合画…

买华为系的车,这个理由无法拒绝

文 | AUTO芯球 作者 | 雷慢 激动人心啊&#xff0c; 超过45万问界车主&#xff0c; 还有几十万其他用华为鸿蒙智能座舱系统的车主, 大家的软件安全、自主可控问题&#xff0c; 这下可以彻底放心了&#xff01; 为什么&#xff0c;就在昨晚&#xff0c; 完全自主可控、彻…

ECharts饼图-饼图34,附视频讲解与代码下载

引言&#xff1a; 在数据可视化的世界里&#xff0c;ECharts凭借其丰富的图表类型和强大的配置能力&#xff0c;成为了众多开发者的首选。今天&#xff0c;我将带大家一起实现一个饼图图表&#xff0c;通过该图表我们可以直观地展示和分析数据。此外&#xff0c;我还将提供详…

可编辑60页PPT | 大数据基础知识培训课件

荐言分享&#xff1a;在当今信息化高速发展的时代&#xff0c;大数据已成为推动各行各业创新转型的关键力量。无论是金融、医疗、教育还是零售等行业&#xff0c;大数据的应用都为企业带来了前所未有的机遇和挑战。为了帮助学员更好地理解和应用大数据&#xff0c;我们精心设计…

鸿蒙应用的Tabs 组件怎么使用

鸿蒙应用中的Tabs组件是一个用于通过页签进行内容视图切换的容器组件&#xff0c;每个页签对应一个内容视图。以下是Tabs组件的使用方法&#xff1a; 一、基本结构 Tabs组件的页面组成包含两个部分&#xff0c;分别是TabContent和TabBar。TabContent是内容页&#xff0c;TabB…

纯css实现瀑布流! 附源码!!!

瀑布流用于展示图片信息,我这里用的背景颜色来代替图片 PC端效果 源码(直接复制粘贴就可以运行了!!!) <!DOCTYPE html> <html lang"en"><head><meta charset"UTF-8"><title>PC端瀑布流</title><style>.box {w…

Umi UI报错:连接失败,请尝试重启dev服务

Umi UI连接失败&#xff0c;请尝试重启dev服务 使用umi ui时遇到以下问题 报错如下 从报错可以看出是淘宝镜像失效的问题&#xff0c;检查淘宝镜像 可以看出淘宝镜像是最新的&#xff0c;并无问题 经过查找发现报错是因为依赖文件中使用了旧的淘宝镜像&#xff0c;在node…