Skip to content

Deep Learning for Cryptanalysis based on Linear Attacks against Reduced Rounds of 32/64 bit SIMECK Algorithm

Cover

Penerapan Deep Learning untuk kriptanalisis dengan mengajukan skema neural-linear attack untuk menyerang algoritma SIMECK 32/64 bit dengan konsep serangan linear.

Kriptanalisis merupakan teknik untuk menemukan kelemahan pada algoritma kriptografi. Kriptanalisis bekerja dengan melakukan serangan terhadap algoritma kriptografi menggunakan berbagai metode, seperti serangan diferensial, serangan linear, dan serangan related-key. Namun, metode ini tidak praktis karena membutuhkan banyak waktu, plaintext, dan memori. Sejak 2019, deep learning telah diterapkan sebagai teknik baru dalam kriptanalisis untuk mengatasi permasalahan waktu dan sumber daya. Penelitian ini diawali oleh Gohr dengan menggunakan arsitektur convolutional neural network (CNN) untuk menyerang algoritma SPECK 32/64 bit dengan konsep serangan diferensial. Penelitian tersebut menghasilkan model yang mampu memproses banyak data dengan akurasi klasifikasi yang baik. Selanjutnya, banyak peneliti yang mengembangkan model CNN untuk kriptanalisis berbasis serangan diferensial terhadap algoritma lightweight-block cipher lainnya. Namun, implementasi deep learning untuk serangan linear baru dilakukan terhadap algoritma DES oleh Hou et al. dan Zhou et al. Oleh karena itu, penelitian ini berkontribusi dengan mengajukan skema neural-linear attack untuk menyerang algoritma SIMECK 32/64 bit dengan konsep serangan linear.

Adapun maksud dari serangan tersebut yaitu untuk memulihkan satu bit sub-kunci berdasarkan algoritma 1 Matsui. Penelitian ini juga berkontribusi dengan mengusulkan aristektur residual convolutional neural network (RCNN), classic-long-short term memory (LSTM), LSTM dengan penambahan mekanisme atensi (LSTM-Attention), serta variasi dari gabungan arsitektur RCNN dengan LSTM secara seri. Hasil penelitian menunjukkan bahwa struktur data dalam pembangunan dataset sangat mempengaruhi hasil akurasi pemulihan sub-kunci. Selain itu, variasi model LSTM yang diusulkan dapat memulihkan sub-kunci dengan pendekatan prediktif berdasarkan histori bit-bit sampel data dengan baik. Namun, model RCNN menunjukkan akurasi pemulihan sub-kunci terbaik, yaitu mencapai 97.20% pada fase pelatihan, 96.65% pada fase validasi, 96.23% pada fase tes, dan 98.96% pada fase evaluasi.

Judul penelitian

Kajian Implementasi Deep Learning untuk Kriptanalisis berbasis Serangan Linear terhadap Putaran Tereduksi Algoritma SIMECK 32/64 bit

Poster

Poster penelitian

Tangkapan Layar

  1. Skema penyerangan
    Skema penyerangan

  2. Arsitektur yang diusulkan
    Arsitektur

Peneliti

  • Ihsan Fadli Tampati

Supervisor

  • Bety Hayat Susanti
  • R. Budiarto Hadiprakoso
  • Girinoto

Publikasi

Not yet published.