2、密码系统识别研究：基于随机性测试的特征提取与实验分析

密码系统识别研究：基于随机性测试的特征提取与实验分析

1. 相关工作概述

早期密码系统识别研究主要针对经典密码系统，例如Pooja基于密文中字母频率设计了识别方案，用于分析替换密码、换位密码和维吉尼亚密码等经典密码。然而，现代密码系统安全性更高，研究者开始利用机器学习分类算法提出密码系统识别方案。
- 基于神经网络：De Souza W使用基于神经网络的方法对候选AES算法的最后一轮进行分类。
- 基于聚类算法：Wu等人提出基于k - 均值聚类算法的方法，对AES、Camellia、DES、3DES和SMS4进行分类。
- 基于支持向量机：Dileep等人提出基于支持向量机的方案，识别包括AES、DES、3DES、Blowfish、RC5等密码系统。
- 不同操作模式研究：Negireddy将支持向量机与识别任务结合，对ECB模式和CBC模式下的AES、DES、3DES、Blowfish和RC5进行分类。

此外，还有一些研究分析了不同机器学习技术的性能，如Rotation Forest分类器表现优于其他7种分类器。Huang等人给出了密码系统识别问题的定义系统，其两阶段方案优于现有的单阶段方案。同时，密码系统识别的研究范围正从分组密码扩展到更广泛的领域，如Manjula等人使用决策树分类器对11种密码系统进行分类，Turan等人提出了新的随机性测试框架，Rao研究了IDEA和RSA的分类。

目前，研究者通常关注分类算法和目标密码系统，很多工作未专门研究密文特征提取方法，现有特征提取方法简单，与密码系统结构联系不紧密，部分特征维度高，不利于大数据处理。随机性测试用于衡量密文随机性，与密码系统安全性相关，但公开研究中仅讨论了少数几种随机性测试，