7、AI与密码学的双向进化：现状与未来展望

AI与密码学的双向进化：现状与未来展望

1. AI推动密码学进化

1.1 神经网络在密码系统中的应用

神经网络在密码学领域展现出了巨大的潜力，不同类型的神经网络被应用于各种加密场景。
- RNN用于密钥生成和加密 ：RNN可用于生成密钥并提供密码块链接（CBC）模式加密。其提出的密码系统会将神经网络的第一个输出（密文）作为第二个明文输入的一部分。
- AENNs用于文本消息加密 ：AENNs是一种前馈神经网络，可用于无监督学习，其输出也可作为输入。应用AENNs能够提高加密方案的安全性，因为它为每个训练集生成不同的密钥，从而为单个明文生成不同的密文。
- RRNN - 基于密码保护移动自组网 ：RRNN - 基于的密码可通过多路径路由方案（MPRS）来保护移动自组网的传输，有助于解决移动自组网目前面临的许多机密性、完整性和访问控制问题。

1.2 混沌神经密码学

混沌神经网络在公钥密码系统，特别是Diffie - Hellman公钥基础设施（PKI）中得到了应用。
- 混沌序列与神经网络的单向函数 ：在某些系统中，神经网络的混沌序列与超存储Hopfield神经网络（OHNN）之间存在单向函数（OWF）。
- 利用混沌特性进行信号加密 ：人工神经网络（ANN）的类噪声混沌特性可用于通过生成时间序列和哈希值进行信号加密，这些可与ANN和混沌序列融合创建具有密钥和哈希值的信号数字信封。
- 生成高