墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
100+累计阅读
99平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
MISTY1允许可变轮数，但轮数需为4的倍数，本文主要研究4轮版本。其主要结构组件包括：
- 轮函数FO ：是一个3轮网络，使用双射的内部轮函数FI。FI自身也是一个3轮网络，采用两个双射S盒S9和S7，宽度分别为9位和7位，FI的密钥宽度为16位。
- FL函数 ：对于任何固定密钥，它是线性或仿射函数，内部结构是一个2轮Feistel网络，轮函数分别是与密钥材料进行按位布尔与和按位或操作。
- 密钥调度 ：使用128位密钥，由16位值K1, …, K8组成。首先计算额外的16位值K′t = FIKt+1(Kt)（1 ≤ t ≤ 8，K9 := K1），然后生成三个子密钥流KOi、KIi和KLi。
| 子密钥流 | 具体内容 |
|---|---|
| KOi | (KOi1, …, KOi4) |
| KIi | (KIi1, …, KIi3) |
| KLi | (KLi1, KLi2) |
此攻击针对包含所有FL函数的4轮MISTY1版本，改进了以往
35、MISTY1加密算法详解与应用
本文详细介绍了MISTY1加密算法的设计原理、结构特点以及应用场景。MISTY1是由日本NEC公司提出的分组密码算法，采用双重Feistel网络结构，具备良好的扩散和混淆特性，支持64位分组和128位密钥长度。文章还分析了MISTY1的安全性优势，包括抗差分攻击和线性攻击的能力，并探讨了其在网络安全、金融系统和物联网中的实际应用。此外，文中提供了MISTY1的Python实现示例，并对其性能进行了评估。最后，文章展望了MISTY1未来的发展方向，包括性能优化和安全性增强措施。
基于Misty1算法的加密软件（Java）的实现
随着DES的出现，人们对分组密码展开了深入的研究和讨论，已有大量的分组密码，如DES的各种变形、IDEA算法、SAFER系列算法、RC系列算法、Skipjack算法、FEAL系列算法、REDOC系列算法、CAST系列算法Khufu, KhafreMMB, 3-WAY, TEA, Blowfish,GOST,SQUARE,MISTY,Rijndael算法和AES15种候选算法（第一轮），另有NESSIE17种候选算法（第一轮）等。换句话说算法无需保密，需保密的仅是密钥。
9、密码分析：MISTY1与RC6的深入研究
本文深入研究了MISTY1和RC6两种密码算法的安全性。针对MISTY1，分析了利用FL函数结构的切片攻击方法，并探讨了可能的防御策略，如调整FL函数位置或引入位旋转。对于RC6，研究了在弱密钥条件下实施的多重线性攻击，并讨论了线性概率计算和攻击复杂度。文章还比较了两种算法的攻击特点，提出了未来研究方向，包括改进FL函数、管理弱密钥以及优化攻击复杂度等，为密码算法的设计与分析提供了理论参考。
7、精简轮次 XTEA 和 TEA 的不可能差分密码分析及 MISTY1 改进密码分析
本文深入分析了 XTEA、TEA 和 MISTY1 三种加密算法的安全特性，重点探讨了它们在不可能差分密码分析和切片攻击下的脆弱性。通过对精简轮次的详细研究，展示了如何利用算法结构和差分特征进行有效攻击，并比较了不同攻击方法的复杂度和效果。文章旨在为密码学研究和实际应用提供安全性评估与参考。
49、全MISTY1的积分密码分析
本文详细介绍了针对MISTY1分组密码的积分密码分析方法，重点基于划分属性的传播特性构建积分特性。通过对MISTY1的核心组件——FI、FO函数和FL层的结构与代数性质分析，利用S7和S9 S盒的低次特性优化传播规则，并提出相应的算法实现。文章系统阐述了从组件函数到完整加密轮的积分特性构建流程，最终实现了对全轮MISTY1的有效积分攻击，可在2⁶³.⁵⁸个选择明文下以2¹²¹时间复杂度恢复密钥。同时指出了减少选择明文数量的开放问题，为后续研究提供了方向。
50、全MISTY1的积分密码分析
本文提出了一种针对全MISTY1的积分密码分析方法，通过构建FI和FO函数的传播特性表，并分析FL层的划分属性，成功构造出新的6轮积分特征。该方法去除了首个FL层的影响，利用猜测轮密钥生成选择明文，结合部分和技术实现密钥恢复。研究表明，S7和S9的代数次数对差分特征的存在性起决定性作用。通过权衡数据与时间复杂度，最优情况下可在约2^63.994个选择明文下以2^107.9的时间复杂度恢复密钥，显著提升了对MISTY1的攻击效果。
34、改进的积分攻击与不可能差分攻击：MISTY1和Camellia-128的密码分析
本文探讨了针对MISTY1和Camellia-128的改进密码分析方法。对于MISTY1，分别介绍了针对5轮、无最后FL层的6轮以及包含所有FL层的6轮结构的改进积分攻击，详细分析了攻击步骤和复杂度。对于Camellia-128，提出了一种新的12轮不可能差分攻击，利用密钥调度的弱点并通过哈希表优化攻击效率，成为首个成功的12轮攻击案例。文章还对两种攻击方法的技术细节和实际意义进行了深入讨论，为密码算法的安全评估和设计提供了重要参考。
27、轮安全与 MISTY 型结构的超伪随机性
本文研究了五轮MISTY型结构的超伪随机性与轮安全性。通过分析不同轮函数的性质以及攻击者可访问的函数子集，得出了五轮MISTY型结构在特定条件下的超伪随机性结论，并探讨了其在密码学应用中的安全性与优化方向。
33、密码分析中的密钥恢复与积分攻击优化
本文探讨了密码分析中密钥恢复成功率的评估方法，并基于线性偏差与概率分布推导出正确密钥选择的概率模型。同时，重点研究了MISTY1算法的结构与密钥调度机制，利用FO关系优化了5轮MISTY1的积分攻击方法，显著降低了时间复杂度。在此基础上，进一步将攻击扩展至6轮，并提出了针对6轮全FL层的选择密文攻击方案。通过对比不同轮次攻击的数据复杂度与时间复杂度，验证了改进积分攻击的有效性。研究成果为密码分析提供了新的思路，也对密码设计的安全性提出了更高要求。
14、积分密码分析技术详解
本博客详细介绍了积分密码分析技术，包括对MISTY1的四轮攻击方法、广义Feistel网络的积分特性分析、DES中的积分构造方法，以及积分与插值攻击的结合应用。文中还探讨了多种密码算法的积分攻击案例，并总结了积分密码分析的应用价值及其在现代密码学中的意义。
48、对称双线性群中伪随机函数的扩展与MISTY1的积分密码分析
本文研究了对称双线性群中伪随机函数（PRF）的构造问题，针对交换性和假设挑战提出了广义多项式（GP）安全性的新框架，并在E2,d-MDDH假设和通用双线性群模型下建立了安全性证明。同时，将该理论应用于RKA-PRF的构造。另一方面，本文利用基于除法性质的积分攻击方法对分组密码MISTY1进行密码分析，首次实现了对完整8轮MISTY1的密钥恢复攻击，通过评估S盒、FI、FO、FL层的除法性质传播特征，设计算法搜索积分特征，在理论层面取得了突破。研究成果为密码学理论与实践提供了重要参考。
基于Misty1算法的加密软件(JAVA)的实现(源代码+论文).zip
基于Misty1算法的加密软件(JAVA)的实现(源代码+论文).zip
基于Misty1算法的加密软件(JAVA)的实现(源代码+论文)
基于Misty1算法的加密软件(JAVA)的实现(源代码+论文).rar 基于Misty1算法的加密软件(JAVA)的实现(源代码+论文).rar 基于Misty1算法的加密软件(JAVA)的实现(源代码+论文).rar
基于Misty1算法的加密软件_java_packagef5u_Misty1算法_
本文用JAVA语言开发了一个基于Misty1算法的加密软件，该软件能对文件进行加密和解密。在具体实现时，首先分析了Misty1算法的基本结构，设计出相应的实施方法，正确实现了该算法，其次，设计了一个图形用户界面，最后对软件进行了测试，验证了实现方法的正确性。
数据结构之栈(Stack)的实现详解
堆栈是一种线性数据结构，其插入新元素和删除现有元素都发生在堆栈的顶部。栈（Stack）按照"后进先出"（Last-In-First-Out，LIFO）的原则存储和访问数据。栈类似于现实生活中的堆叠物体，比如一摞书或者一堆盘子。
农业AI避坑指南：用YOLO11做叶片病害检测时遇到的5个典型问题
本文分享了使用YOLO11模型进行农业叶片病害检测时常见的五个典型问题及解决方案。针对田间多变光照、病害样本不均衡、标注歧义、背景干扰和边缘部署等挑战，提供了包括场景自适应数据增强、解耦训练、软标签与鲁棒损失函数、困难负样本构建以及模型轻量化部署在内的实战经验，旨在帮助开发者提升农业AI项目的落地效果。
Tomcat启动过程中cmd窗口（控制台）中文乱码的问题
tomcat启动时，启动过程日志中文乱码的处理方法。
人体红外传感器HC-SR501
本文记录的是如何用stm32使用HC-SR501。实验平台：野火指南者stm32f103vet6。实验现象：一旦有人体经过，LED会亮红色。HC-SR501 传感器工作原理人体都有恒定的体温，一般在 37 度，所以会发出特定波长 10UM 左右的红外线，被动式红外探头就是靠探测人体发射的 10um 左右的红外，进行工作的。人体发射的 10um 左右。
Python爬虫实战：携程旅游平台数据爬取（酒店+机票+景点），破解加密与反爬（附完整代码）
携程的反爬机制再复杂，核心逻辑都是“识别非真实用户的请求”，而爬虫的核心就是“让请求看起来像真实用户的行为”。本文的方案从登录态处理、参数加密破解、动态数据抓取，到反爬应对，都是围绕“模拟真实”展开：用Playwright模拟真实浏览器登录，用住宅代理模拟真实用户IP，用随机延迟模拟真实用户的操作频率。掌握了这个核心思路，无论平台的反爬如何升级，都能找到应对方法。当然，爬虫技术是一把双刃剑，合理使用才能发挥其价值。如果你的爬虫项目中遇到了携程的反爬问题，不妨按照本文的步骤试试，大概率能解决问题。
Google Play上架：谷歌2024年5月份审核政策改动，审核强度逐步提升
Google Play上架：谷歌2024年5月份审核政策改动，审核强度逐步提升
华为云物联网系统开发（纯云端）外包方案及项目需求说明书
提供一个详细的需求文档（SRS，Software Requirements Specification），用于指导完全零基础的非专业负责人外包兼职专业技术人员开发一款基于华为云物联网平台、Astro低代码平台和Astro Canvas大屏设计的物联网系统，纯软件实现并支持下载部署。文档涵盖详细的软硬件组成清单（聚焦软件和云服务）、技术文档要求等，确保非专业人员在移交后能够复用、扩展和操作该系统。本文档简洁、全面，适合非技术背景的管理者使用，并基于华为云生态的内部实施部署。
通过Simulink搭建一个智能微电网能量管理系统（Energy Management System, EMS）
通过上述代码实现，您可以逐步创建一个智能微电网能量管理系统。多源能量集成：整合光伏、风力发电、柴油发电机、电池储能等多种能源资源。负荷预测与调度：基于历史数据和天气预报，预测未来负荷和可再生能源输出，进行优化调度。储能系统优化：设计合理的充放电策略，确保储能系统的高效利用和寿命延长。经济性分析：评估不同运行模式下的经济性，考虑电价、维护成本等因素。环境影响评估：分析微电网对环境的影响，如减少碳排放、提高可再生能源利用率等。硬件在环仿真（HILS）
pscad IEEE标准系统搭建说明
pscad IEEE标准系统搭建说明，包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。
假人有限元模型
假人模型，车辆碰撞假人有限元模型，适合做乘员安全的研究者利用
LinePhone3.2.7(android端最新版本) sip客户端
SIP客户端For android：LinePhone3.2.7(最新版本)，官网地址：http://www.linphone.org/
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
超级会员免费看
订阅专栏 解锁全文
145
扫一扫
