Feistel结构上的中间相遇攻击

Feistel结构上的改进的中间相遇区分器

摘要

采用高效制表技术的改进的中间相遇密码分析已被证明是对SPN结构分组密码(尤其是高级加密标准)极为强大的密码分析方法。然而,针对平衡Feistel网络(BFN)和广义Feistel网络(GFN)的研究成果却较少。这主要是因为在预计算阶段存在影响路径的错位以及特殊的截断差分路径,即这两条路径在BFN和GFN密码中差异较大。本文提出了一种高效且通用的算法,用于在面向字的BFN和GFN分组密码上搜索最优的、基于高效制表技术的改进的中间相遇区分器。该算法基于递归算法和贪心算法。

为了验证我们方法的有效性,我们对14/16轮CLEFIA‐192/256实现了密钥恢复攻击,这是目前最好的攻击结果。同时,我们还给出了对13/15轮 Camellia‐192/256(不含 FL/FL−1)的密钥恢复攻击。

关键词 : 分组密码 · Improved中间相遇攻击 · Effi-高效的制表技术 · Automatic搜索算法 · CLEFIA ·Camellia分组密码

1 引言

中间相遇攻击[8]最初由迪菲和赫尔曼提出,用于攻击DES。近年来,由于该攻击对分组密码高级加密标准(AES)具有显著效果而被广泛研究。对于AES,吉尔伯特和米尼耶在[12]中展示了针对7轮AES的一些碰撞攻击。在FSE 2008上,德米尔奇和 Sel¸cuk采用中间相遇技术改进了吉尔伯特和米尼耶的攻击方法,取代了原有的碰撞思想。更具体地说,他们指出4轮AES密文每个字节的值可以表示为一个函数,该函数依赖于 δ‐set(即一个包含256个明文的集合,其中一个字节(称为活动字节)取遍所有可能值,其余15个字节保持不变),并由 25[5]和 24[6] 8比特参数进行参数化。最新的改进在于存储差分而非具体数值。该函数用于在离线阶段构建区分器,即他们构建一个查找表,其中包含所有

改进的中间相遇区分器在Feistel结构上的应用 12 3

由 δ‐集合构造的可能序列。在在线阶段,他们识别出一个 δ‐集合,然后通过若干轮部分解密 δ‐集合,并检查其是否属于预计算表。在ASIACRYPT2010上,邓克尔曼、凯勒和沙米尔提出了许多新思想以解决德米尔奇和塞尔¸库攻击中的内存问题[10]。首先,他们仅存储 multiset,即带有多重性的无序序列,而非有序序列。第二个也是主要的思想是差分枚举技术,该技术利用截断差分特征上的特殊性质,将描述函数集合的参数数量从24减少到16。此外,德尔贝兹、富克和让在EUROCRYPT 2013[7],

内容概要:本文是一份针对2025年中国企业品牌传播环境撰写的《全网媒体发稿白皮书》,聚焦企业媒体发稿的策略制定、渠道选择与效果评估难题。通过分析当前企业面临的资源分散、内容同质、效果难量化等核心痛点,系统性地介绍了新闻媒体、央媒、地方官媒和自媒体四大渠道的特点与适用场景,并深度融合“传声港”AI驱动的新媒体平台能力,提出“策略+工具+落地”的一体化解决方案。白皮书详细阐述了传声港在资源整合、AI智能匹配、舆情监测、合规审核及全链路效果追踪方面的技术优势,构建了涵盖曝光、互动、转化与品牌影响力的多维评估体系,并通过快消、科技、零售等行业的实战案例验证其有效性。最后,提出了按企业发展阶段和营销节点定制的媒体组合策略,强调本土化传播与政府关系协同的重要性,助力企业实现品牌声量与实际转化的双重增长。; 适合人群:企业市场部负责人、品牌方管理者、公关传播从业者及从事数字营销的相关人员,尤其适用于初创期至成熟期不同发展阶段的企业决策者。; 使用场景及目标:①帮助企业科学制定媒体发稿策略,优化预算分配;②解决渠道对接繁琐、投放不精准、效果不可衡量等问题;③指导企业在重大营销节点(如春节、双11)开展高效传播;④提升品牌权威性、区域渗透力与危机应对能力; 阅读建议:建议结合自身企业所处阶段和发展目标,参考文中提供的“传声港服务组合”与“预算分配建议”进行策略匹配,同时重视AI工具在投放、监测与优化中的实际应用,定期复盘数据以实现持续迭代。
先展示下效果 https://pan.quark.cn/s/987bb7a43dd9 VeighNa - By Traders, For Traders, AI-Powered. Want to read this in english ? Go here VeighNa是一套基于Python的开源量化交易系统开发框架,在开源社区持续不断的贡献下一步步成长为多功能量化交易平台,自发布以来已经积累了众多来自金融机构或相关领域的用户,包括私募基金、证券公司、期货公司等。 在使用VeighNa进行二次开发(策略、模块等)的过程中有任何疑问,请查看VeighNa项目文档,如果无法解决请前往官方社区论坛的【提问求助】板块寻求帮助,也欢迎在【经验分享】板块分享你的使用心得! 想要获取更多关于VeighNa的资讯信息? 请扫描下方二维码添加小助手加入【VeighNa社区交流微信群】: AI-Powered VeighNa发布十周年之际正式推出4.0版本,重磅新增面向AI量化策略的vnpy.alpha模块,为专业量化交易员提供一站式多因子机器学习(ML)策略开发、投研和实盘交易解决方案: :bar_chart: dataset:因子特征工程 * 专为ML算法训练优化设计,支持高效批量特征计算与处理 * 内置丰富的因子特征表达式计算引擎,实现快速一键生成训练数据 * Alpha 158:源于微软Qlib项目的股票市场特征集合,涵盖K线形态、价格趋势、时序波动等多维度量化因子 :bulb: model:预测模型训练 * 提供标准化的ML模型开发模板,大幅简化模型构建与训练流程 * 统一API接口设计,支持无缝切换不同算法进行性能对比测试 * 集成多种主流机器学习算法: * Lass...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值