CN115529121A - 基于混沌神经网络的s盒构建方法 - Google Patents
基于混沌神经网络的s盒构建方法 Download PDFInfo
- Publication number
- CN115529121A CN115529121A CN202211188842.5A CN202211188842A CN115529121A CN 115529121 A CN115529121 A CN 115529121A CN 202211188842 A CN202211188842 A CN 202211188842A CN 115529121 A CN115529121 A CN 115529121A
- Authority
- CN
- China
- Prior art keywords
- output
- input
- neural network
- chaotic
- box
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000000739 chaotic effect Effects 0.000 title claims abstract description 83
- 238000010276 construction Methods 0.000 title claims abstract description 25
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 19
- 238000003062 neural network model Methods 0.000 claims abstract description 38
- 238000013507 mapping Methods 0.000 claims abstract description 34
- 238000004364 calculation method Methods 0.000 claims abstract description 14
- 210000002364 input neuron Anatomy 0.000 claims description 25
- 238000012546 transfer Methods 0.000 claims description 18
- 210000004205 output neuron Anatomy 0.000 claims description 15
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 230000005284 excitation Effects 0.000 claims description 3
- 238000007667 floating Methods 0.000 claims description 3
- 238000006467 substitution reaction Methods 0.000 abstract description 7
- 210000002569 neuron Anatomy 0.000 abstract description 5
- 230000000638 stimulation Effects 0.000 abstract 1
- 230000009466 transformation Effects 0.000 description 11
- 238000000034 method Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
- H04L9/001—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols using chaotic signals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0418—Architecture, e.g. interconnection topology using chaos or fractal principles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
- H04L9/06—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols the encryption apparatus using shift registers or memories for block-wise or stream coding, e.g. DES systems or RC4; Hash functions; Pseudorandom sequence generators
- H04L9/0618—Block ciphers, i.e. encrypting groups of characters of a plain text message using fixed encryption transformation
- H04L9/0631—Substitution permutation network [SPN], i.e. cipher composed of a number of stages or rounds each involving linear and nonlinear transformations, e.g. AES algorithms
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Security & Cryptography (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Complex Calculations (AREA)
Abstract
基于混沌神经网络的S盒构建方法,通过混沌神经网络模型构建S盒,构建S盒的激励函数选用Logistic混沌映射,Logistic混沌映射:Xn+1=λXn(1‑Xn),其中控制参数λ∈(0,4),Xn∈[0,1];设置混沌神经网络模型的输入集合,通过迭代Logistic混沌映射设置混沌神经网络模型的输入权重参数、输入权重偏差、输出权重参数、输出权重偏差,定义空数组Sx,计算出输出序列,提取整数数组S添加至空数组Sx内生成构建S盒并输出。本发明利用混沌神经网络模型的空间复杂性、混合和非线性特征进行S盒构建,提高了SM4算法的安全性和稳定性。通过神经元权重及偏差参数的运算代入,使得输出序列更可靠,S盒构建高效且稳定,加密运算安全性得到较大提升。
Description
技术领域
本发明涉及基于混沌神经网络的S盒构建方法,属于S盒运算改进的技术领域。
背景技术
随着网络通信的发展,大量信息暴露在网络平台中,密码学也开始在信息通信中担任重要角色。由于网络通信的飞速发展,信息通信受到被窃听、盗用与篡改等威胁,安全问题受到人们的普遍重视。
数据加密作为网络安全的核心技术,可以很大程度上避免重要数据的泄漏,有效地保障数据传输的安全,其核心研究内容就是加密算法。科技的进步使得密钥攻击手段不断升级,该算法计算效率高、设计灵活、稳定性好,是目前网络安全领域受众最大的核心算法之一。然而由于信息技术连续突破进步,密码的破译能力提升迅猛,传统算法的安全性能难以得到保障。
SM4的S盒是一种以字节为单位的非线性代替变换,其密码学的作用起混淆作用。S盒的输入和输出都是8位的字节,它本质上是8位的非线性置换。近几年,SM4算法被攻击的现象越发频繁,使其稳定性受到威胁,且算法缺陷日益明显,暴露出其密钥构成单一、S盒简单、轮密钥间关联紧密等劣势,由于轮密钥是初始密钥经变换算法扩展而成的,各轮次密钥的非线性特征不明显,因此可以以其中任何一轮密钥为突破口破解出系统密钥。
发明内容
本发明的目的是解决上述现有技术的不足,针对传统SM4密钥构建单一、非线性特征不明显导致安全性较差的问题,提出基于混沌神经网络的S盒构建方法。
为了达到上述目的,本发明所采用的技术方案为:
基于混沌神经网络的S盒构建方法,包括如下步骤:
S1混沌神经网络模型构建,
所述混沌神经网络模型包括输入层和输出层,所述输出层设有8个输出神经元,所述输入层上设有若干输入神经元,输入神经元的数量为8的整数倍,每个所述输入神经元具备256个输入点,所述输入神经元包括输入权重参数、输入权重偏差、输入传递函数,所述输出神经元包括输出权重参数、输出权重偏差、输出传递函数,所述输入传递函数和输出传递函数结构相同;
S2通过混沌神经网络模型构建S盒,
构建S盒的激励函数选用Logistic混沌映射,
Logistic混沌映射:Xn+1=λXn(1-Xn ),其中控制参数λ∈(0,4),Xn∈[0,1];
设置混沌神经网络模型的输入集合,通过迭代Logistic混沌映射得到混沌神经网络模型的输入权重参数、输入权重偏差、输出权重参数、输出权重偏差,
定义空数组Sx并设置混沌神经网络模型的输入权重参数、输入权重偏差、输出权重参数及输出权重偏差,
计算出输出序列,提取整数数组S添加至空数组Sx内生成构建S盒并输出。
优选地,所述步骤S1中,所述输入层上的输入神经元包括BI1、BI2、...、BI16,所述输出层上的输出神经元包括BO1、BO2、...、BO8,
所述输入点包括I1、I2、...、I256,所述输入权重参数包括WI1,1、WI1,2、...、WI1,16、WI2,1、WI2,2、...、WI2,16、...、WI256,16,所述输入权重偏差Bi1、Bi2、...、Bi16,
所述输出权重参数包括WO1,1、WO1,2、...、WO1,8,、WO2,1、W02,2、...W02,8、...、W016,8,所述输出权重偏差包括Bo1、Bo2、...、Bo8。
优选地,所述步骤S2包括:
将整数序列{0、1、 2,、...、255}任意排列,任一序列为I,将其变换为相应的浮点数序列D,变换函数为Dk=(Ik + 0.1)/256,k=1、2、3、...、256,其中Dk和Ik分别代表序列D和序列I中的第K项,将D序列作为混沌神经网络的输入序列I1、I2、...、I256,
定义整数数组Sx,初始状态为空,
设置混沌神经网络模型中输入权重参数、输入权重偏差、输出权重参数及输出权重偏差,
将Logistic混沌映射函数输出值作为下一次混沌映射函数的输入,迭代Logistic混沌映射函数M次,其中M是常数,
继续迭代Logistic混沌映射函数并设置X(M+1)、X(M+2)、...、X(M+4096),作为输入神经元的输入权重参数WI1,1、WI1,2、...、WI1,16、WI2,1、WI2,2、...、WI2,16、...、WI256,16,分别将X(M+ 4097)、X(M+4098)、 ...、X(M+4112)设置为输入神经元的输入权重偏差Bi1、Bi2、...、Bi16,
将X(M+4113)、X(M+4114)、...、X(M+4240)设定为输出神经元的的输出权重参数WO1,1、WO1,2、...、WO1,8,、WO2,1、W02,2、...W02,8、...、W016,8,将X(M+4241)、X(M+4242)、...、 X(M+4248)设置为输出权重偏差包括Bo1、Bo2、...、Bo8,
在输入层的输入神经元中,通过计算将输入序列D变换为输出序列C,C=[C1、C2、...、C16],计算公式为:
其中传递函数f是对数映射,τ是迭代次数,I=1、 2、...、16;
在输出层的输出神经元中,通过计算将数据序列C变换为输出数据Out=[Out1、Out2、…、Out8 ],计算公式为:
其中传递函数f是对数映射,τ是迭代次数,i=1、2、...、16;
根据公式:
提取0到255之间的整数得到数组S。
优选地,所述步骤S2中,提取整数数组S后判断当前数组S是否属于空数组Sx,是则进行x值对比,否则添加至空数组Sx,
进行x值比对时,数值对比正确则生成构建S盒并输出,数值对比错误则返回重新计算输出序列。
优选地,当空数组Sx中具备256个数据时,将添加256个数据的数组Sx转换为16*16的构建S盒输出;当x小于256时,进行序列D内的数据交换,并重新计算输出序列。
本发明的有益效果主要体现在:
1.利用混沌神经网络模型的空间复杂性、混合和非线性特征进行S盒构建,提高了SM4算法的安全性和稳定性。
2.通过神经元权重及偏差参数的运算代入,使得输出序列更可靠,S盒构建高效且稳定,加密运算安全性得到较大提升。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本发明基于混沌神经网络的S盒构建方法的流程示意图。
图2是本发明基于混沌神经网络的S盒构建方法中混沌神经网络模型的结构示意图。
图3是本发明基于混沌神经网络的S盒构建方法中构建S盒生成流程图。
图4是SM4算法系统的架构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
本发明提供基于混沌神经网络的S盒构建方法,如图1至图4所示,包括如下步骤:
S1混沌神经网络模型构建,
所述混沌神经网络模型包括输入层和输出层,所述输出层设有8个输出神经元,所述输入层上设有若干输入神经元,输入神经元的数量为8的整数倍,每个所述输入神经元具备256个输入点,所述输入神经元包括输入权重参数、输入权重偏差、输入传递函数,所述输出神经元包括输出权重参数、输出权重偏差、输出传递函数,所述输入传递函数和输出传递函数结构相同;
S2通过混沌神经网络模型构建S盒,
构建S盒的激励函数选用Logistic混沌映射,
Logistic混沌映射:Xn+1=λXn(1-Xn ),其中控制参数λ∈(0,4),Xn∈[0,1];
设置混沌神经网络模型的输入集合,通过迭代Logistic混沌映射得到混沌神经网络模型的输入权重参数、输入权重偏差、输出权重参数、输出权重偏差,
定义空数组Sx并设置混沌神经网络模型的输入权重参数、输入权重偏差、输出权重参数及输出权重偏差,
计算出输出序列,提取整数数组S添加至空数组Sx内生成构建S盒并输出。
具体地实现过程及原理说明:
SM4算法的非线性变换τ是一种以字为单位的非线性代替变换。本质上它是S盒的一种并行应用。线性变换部件L是以字为处理单位的线性变换部件,其输入输出都是32位的字。其密码学的作用是起扩散的作用。合成变换T由非线性变换τ和线性变换L复合而成,数据处理的单位是字。由于合成变换T是非线性变换τ和线性变换L的复合,所以它综合起到混淆和扩散的作用,从而可提高密码的安全性。
传统S盒密钥构成单一、S盒简单、轮密钥间关联紧密等劣势,由于轮密钥是初始密钥经变换算法扩展而成的,各轮次密钥的非线性特征不明显,因此可以以其中任何一轮密钥为突破口破解出系统密钥。
本案中,提出了如图2所示的混沌神经网络模型,其具有较强的空间复杂度、混合和非线性特征,且对于混沌映射的初始条件和参数的微小变化的敏感性极强。
而本案即利用混沌神经网络模型的重构良好性能从而进行S盒构建。
具体地,首先构建如图2所示的混沌神经网络模型,再构建S盒的激励函数选用Logistic混沌映射,Logistic混沌映射:Xn+1=λXn(1-Xn ),其中控制参数λ∈(0,4),Xn∈[0,1];设置混沌神经网络模型的输入集合,通过迭代Logistic混沌映射得到混沌神经网络模型的输入权重参数、输入权重偏差、输出权重参数、输出权重偏差,定义空数组Sx并设置混沌神经网络模型的输入权重参数、输入权重偏差、输出权重参数及输出权重偏差,计算出输出序列,提取整数数组S添加至空数组Sx内生成构建S盒并输出。
即利用混沌神经网络模型实现反映模型规律输出,从而满足S盒构建需求,利用迭代Logistic混沌映射使得神经元输入到神经元输出满足S盒特性,从而实现构建。
一般情况下,选择若干个初始样本S盒,任一S盒为经过256个输入节点和Logistic函数迭代运算生成的,然后将各S盒的非线性度同差分均匀度的比值设为权值,从而得到满足S盒特性的混沌神经网络模型,使得S盒构建较为顺畅且安全性得到较大提升。
参照图2所示,输入层上的输入神经元包括BI1、BI2、...、BI16,所述输出层上的输出神经元包括BO1、BO2、...、BO8,
所述输入点包括I1、I2、...、I256,所述输入权重参数包括WI1,1、WI1,2、...、WI1,16、WI2,1、WI2,2、...、WI2,16、...、WI256,16,所述输入权重偏差Bi1、Bi2、...、Bi16,
所述输出权重参数包括WO1,1、WO1,2、...、WO1,8,、WO2,1、W02,2、...W02,8、...、W016,8,所述输出权重偏差包括Bo1、Bo2、...、Bo8。
该混沌神经网络模型满足构建S盒特性需求,更贴合S盒规律,同时满足映射复杂度需求,其中输入神经元一般采用16个为宜,其满足16*16S盒需求。
在一个具体实施例中,参照图3所示,将整数序列{0、1、 2,、...、255}任意排列,任一序列为I,将其变换为相应的浮点数序列D,变换函数为Dk=(Ik + 0.1)/256,k=1、2、3、...、256,其中Dk和Ik分别代表序列D和序列I中的第K项,将D序列作为混沌神经网络的输入序列I1、I2、...、I256。
定义整数数组Sx,初始状态为空,设置混沌神经网络模型中输入权重参数、输入权重偏差、输出权重参数及输出权重偏差。
将Logistic混沌映射函数输出值作为下一次混沌映射函数的输入,迭代Logistic混沌映射函数M次,其中M是常数,
继续迭代Logistic混沌映射函数并设置X(M+1)、X(M+2)、...、X(M+4096),作为输入神经元的输入权重参数WI1,1、WI1,2、...、WI1,16、WI2,1、WI2,2、...、WI2,16、...、WI256,16,分别将X(M+ 4097)、X(M+4098)、 ...、X(M+4112)设置为输入神经元的输入权重偏差Bi1、Bi2、...、Bi16,
将X(M+4113)、X(M+4114)、...、X(M+4240)设定为输出神经元的的输出权重参数WO1,1、WO1,2、...、WO1,8,、WO2,1、W02,2、...W02,8、...、W016,8,将X(M+4241)、X(M+4242)、...、 X(M+4248)设置为输出权重偏差包括Bo1、Bo2、...、Bo8。
在输入层的输入神经元中,通过计算将输入序列D变换为输出序列C,C=[C1、C2、...、C16],计算公式为:
其中传递函数f是对数映射,τ是迭代次数,I=1、 2、...、16;
在输出层的输出神经元中,通过计算将数据序列C变换为输出数据Out=[Out1、Out2、…、Out8 ],计算公式为:
其中传递函数f是对数映射,τ是迭代次数,i=1、2、...、16;
根据公式:
提取0到255之间的整数得到数组S。
该实施例为本案的一个具体实施例,通过各项运算能得到混沌神经网络模型的各项权值,从而满足代入导出输出数据需求,实现S盒构建。
在一个具体实施例中,提取整数数组S后判断当前数组S是否属于空数组Sx,是则进行x值对比,否则添加至空数组Sx。
进行x值比对时,当空数组Sx中具备256个数据时,将添加256个数据的数组Sx转换为16*16的构建S盒输出;当x小于256时,进行序列D内的数据交换,并重新计算输出序列。具体地,进行Ds与Dx的交换,即Dk中第x项和第s项的数据交换,如此能得到新数组S,从而满足空数组Sx补充需求,实现256个数据完备需求。
通过以上描述可以发现,本发明基于混沌神经网络的S盒构建方法,利用混沌神经网络模型的空间复杂性、混合和非线性特征进行S盒构建,提高了SM4算法的安全性和稳定性。通过神经元权重及偏差参数的运算代入,使得输出序列更可靠,S盒构建高效且稳定,加密运算安全性得到较大提升。
术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素,而且还包括没有明确列出的其它要素,或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征作出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (5)
1.基于混沌神经网络的S盒构建方法,其特征在于包括如下步骤:
S1混沌神经网络模型构建,
所述混沌神经网络模型包括输入层和输出层,所述输出层设有8个输出神经元,所述输入层上设有若干输入神经元,输入神经元的数量为8的整数倍,每个所述输入神经元具备256个输入点,所述输入神经元包括输入权重参数、输入权重偏差、输入传递函数,所述输出神经元包括输出权重参数、输出权重偏差、输出传递函数,所述输入传递函数和输出传递函数结构相同;
S2通过混沌神经网络模型构建S盒,
构建S盒的激励函数选用Logistic混沌映射,
Logistic混沌映射:Xn+1=λXn(1-Xn ),其中控制参数λ∈(0,4),Xn∈[0,1];
设置混沌神经网络模型的输入集合,通过迭代Logistic混沌映射得到混沌神经网络模型的输入权重参数、输入权重偏差、输出权重参数、输出权重偏差,
定义空数组Sx并设置混沌神经网络模型的输入权重参数、输入权重偏差、输出权重参数及输出权重偏差,
计算出输出序列,提取整数数组S添加至空数组Sx内生成构建S盒并输出。
2.根据权利要求1所述基于混沌神经网络的S盒构建方法,其特征在于:
所述步骤S1中,所述输入层上的输入神经元包括BI1、BI2、...、BI16,所述输出层上的输出神经元包括BO1、BO2、...、BO8,
所述输入点包括I1、I2、...、I256,所述输入权重参数包括WI1,1、WI1,2、...、WI1,16、WI2,1、WI2,2、...、WI2,16、...、WI256,16,所述输入权重偏差Bi1、Bi2、...、Bi16,
所述输出权重参数包括WO1,1、WO1,2、...、WO1,8,、WO2,1、W02,2、...W02,8、...、W016,8,所述输出权重偏差包括Bo1、Bo2、...、Bo8。
3.根据权利要求2所述基于混沌神经网络的S盒构建方法,
其特征在于所述步骤S2包括:
将整数序列{0、1、 2,、...、255}任意排列,任一序列为I,将其变换为相应的浮点数序列D,变换函数为Dk=(Ik + 0.1)/256,k=1、2、3、...、256,其中Dk和Ik分别代表序列D和序列I中的第K项,将D序列作为混沌神经网络的输入序列I1、I2、...、I256,
定义整数数组Sx,初始状态为空,
设置混沌神经网络模型中输入权重参数、输入权重偏差、输出权重参数及输出权重偏差,
将Logistic混沌映射函数输出值作为下一次混沌映射函数的输入,迭代Logistic混沌映射函数M次,其中M是常数,
继续迭代Logistic混沌映射函数并设置X(M+1)、X(M+2)、...、X(M+4096),作为输入神经元的输入权重参数WI1,1、WI1,2、...、WI1,16、WI2,1、WI2,2、...、WI2,16、...、WI256,16,分别将X(M+ 4097)、X(M+4098)、 ...、X(M+4112)设置为输入神经元的输入权重偏差Bi1、Bi2、...、Bi16,
将X(M+4113)、X(M+4114)、...、X(M+4240)设定为输出神经元的的输出权重参数WO1,1、WO1,2、...、WO1,8,、WO2,1、W02,2、...W02,8、...、W016,8,将X(M+4241)、X(M+4242)、...、 X(M+4248)设置为输出权重偏差包括Bo1、Bo2、...、Bo8,
在输入层的输入神经元中,通过计算将输入序列D变换为输出序列C,C=[C1、C2、...、C16],计算公式为:
其中传递函数f是对数映射,τ是迭代次数,I=1、 2、...、16;
在输出层的输出神经元中,通过计算将数据序列C变换为输出数据Out=[Out1、Out2、…、Out8 ],计算公式为:
其中传递函数f是对数映射,τ是迭代次数,i=1、2、...、16;
根据公式:
提取0到255之间的整数得到数组S。
4.根据权利要求1所述基于混沌神经网络的S盒构建方法,其特征在于:
所述步骤S2中,提取整数数组S后判断当前数组S是否属于空数组Sx,是则进行x值对比,否则添加至空数组Sx,
进行x值比对时,数值对比正确则生成构建S盒并输出,数值对比错误则返回重新计算输出序列。
5.根据权利要求4所述基于混沌神经网络的S盒构建方法,其特征在于:
当空数组Sx中具备256个数据时,将添加256个数据的数组Sx转换为16*16的构建S盒输出;当x小于256时,进行序列D内的数据交换,并重新计算输出序列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211188842.5A CN115529121A (zh) | 2022-09-28 | 2022-09-28 | 基于混沌神经网络的s盒构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211188842.5A CN115529121A (zh) | 2022-09-28 | 2022-09-28 | 基于混沌神经网络的s盒构建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115529121A true CN115529121A (zh) | 2022-12-27 |
Family
ID=84700048
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211188842.5A Pending CN115529121A (zh) | 2022-09-28 | 2022-09-28 | 基于混沌神经网络的s盒构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115529121A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130114805A1 (en) * | 2010-04-29 | 2013-05-09 | Dongguk University Industry-Academic Cooperate Foundation | Encryption system using discrete chaos function |
CN106209358A (zh) * | 2016-07-12 | 2016-12-07 | 黑龙江大学 | 一种基于长密钥的sm4密钥扩展算法的实现系统及其方法 |
CN114268423A (zh) * | 2021-12-02 | 2022-04-01 | 电子科技大学 | 一种基于mtcnn的s盒生成方法 |
-
2022
- 2022-09-28 CN CN202211188842.5A patent/CN115529121A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130114805A1 (en) * | 2010-04-29 | 2013-05-09 | Dongguk University Industry-Academic Cooperate Foundation | Encryption system using discrete chaos function |
CN106209358A (zh) * | 2016-07-12 | 2016-12-07 | 黑龙江大学 | 一种基于长密钥的sm4密钥扩展算法的实现系统及其方法 |
CN114268423A (zh) * | 2021-12-02 | 2022-04-01 | 电子科技大学 | 一种基于mtcnn的s盒生成方法 |
Non-Patent Citations (1)
Title |
---|
YONG WANG 等: "A method for designing S-box based on chaotic neural network", 《2010 SIXTH INTERNATIONAL CONFERENCE ON NATURAL COMPUTATION (ICNC 2010)》, vol. 2, 23 September 2010 (2010-09-23), pages 1033 - 1037 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yin et al. | An anti-quantum transaction authentication approach in blockchain | |
Zhang et al. | Division cryptanalysis of block ciphers with a binary diffusion layer | |
Zheng et al. | An image encryption algorithm using a dynamic S-box and chaotic maps | |
CN102938767B (zh) | 基于云数据外包系统的高效可验证的模糊关键词搜索方法 | |
CN112347500B (zh) | 分布式系统的机器学习方法、装置、系统、设备及存储介质 | |
CN112347495A (zh) | 一种基于区块链的可信隐私智能服务计算系统及方法 | |
Li et al. | Efficient quantum blockchain with a consensus mechanism QDPoS | |
CN105144625A (zh) | 隐私保护矩阵因子分解的方法和系统 | |
CN114547643B (zh) | 一种基于同态加密的线性回归纵向联邦学习方法 | |
CN101872339B (zh) | 一种基于复杂动态网络的Hash函数构造方法 | |
CN106487503A (zh) | 基于剪裁的霍普菲尔德神经网络的多元密码学 | |
CN107181600A (zh) | 一种密码登录认证方法、系统及用户设备和认证服务器 | |
CN103778593A (zh) | 基于图像关联分解的量子图像加密方法 | |
CN115730333A (zh) | 基于秘密分享和同态加密的安全树模型构建方法和装置 | |
CN108038184A (zh) | 一种基于区块链的数据存储方法及系统、一种智能区块链 | |
EP4202768A1 (en) | Machine learning model training method and related device | |
CN110263586A (zh) | 一种混沌密码系统的硬件安全评估方法 | |
CN112787971A (zh) | 侧信道攻击模型的构建方法、密码攻击设备及计算机存储介质 | |
Abdoun et al. | Secure hash algorithm based on efficient chaotic neural network | |
Jin et al. | Efficient side-channel attacks beyond divide-and-conquer strategy | |
Blanca et al. | Swendsen‐Wang dynamics for general graphs in the tree uniqueness region | |
CN115529121A (zh) | 基于混沌神经网络的s盒构建方法 | |
Abdurakhimov et al. | Application of artificial neural networks in the classification of classical encryption algorithms | |
CN111277406A (zh) | 一种基于区块链的安全两方向量优势比较方法 | |
CN116957112A (zh) | 联合模型的训练方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230908 Address after: Room A0101-56, Building 2, No. 452, 6th Street, Baiyang Street, Qiantang New District, Hangzhou City, Zhejiang Province, 311119 Applicant after: Hangzhou Xinxiao Information Technology Co.,Ltd. Address before: Room 701, Building 01 (NW-01), Northwest District, Suzhou Nanotown, No. 99, Jinjihu Avenue, Suzhou Industrial Park, Jiangsu Province, 215000 Applicant before: SUZHOU AKEYDRIVE INFORMATION TECHNOLOGY CO.,LTD. |
|
TA01 | Transfer of patent application right |