20189216 2018-2019-2 《密码与安全新技术专题》第三次作业

20189216 2018-2019-2 《密码与安全新技术专题》第三次作业

课程：《密码与安全新技术专题》 班级： 1892 姓名： 鲍政李 学号：20189216 上课教师：金鑫 上课日期：2019年3月26日 必修/选修： 选修 ## 1.本次讲座的学习总结

讲座主题：基于深度学习的密码分析与设计

1.1密码分析与机器学习

机器学习的研究人员是试图从多个样本与标签配对来进行机器学习模型的求解（训练）。
密码分析与机器学习之间有天然的相似性，在密码分析中，攻击者试图通过推算出密钥来破解密码系统。解密函数是从一个由密钥索引的已知函数空间（解空间）求解出。攻击者的目的是发现解密函数的精确解。如果攻击者能够获取多个获取密文与明文配对来进行密码分析，其与机器学习的概念相似。

在机器学习中，x为输入样本，F（x）为机器学习的模型（可以理解为一个函数），y为输出。如果是分类，则y是分类标签，如果是回归，则y是真实值向量。
在密码分析中，x为输入的明文，F（x）为密钥（可以理解为一个函数），y为加密后得到的密文。

1.2深度学习简介与现状

目前深度学习技 术涌现出大量性能优秀的深度神经网络（DNN:DeepNeural Networks），例如卷积神经网络（CNN:ConvolutionalNeural Networks）、循环神经网络（RNN:RecurrentNeuralNetworks）、 生成对抗网络（GAN:GenerativeAdversarialNetworks）等，在大数 据分析、图像识别、机器翻译、视频监控中取得了较大进步。

深度学习四大天王

视觉大数据时代模型学习的突破：端到端深度学习

深度学习现已深入我们生活工作当中，如人脸识别、人体分割、姿势识别、人脸分割与自动上妆、视觉问答、攻陷Dota2、图像识别验证码破解、考场视频监控作弊行为自动发现等等。

1.3深度学习与密码分析

（1）基于卷积神经网络的侧信道攻击
（2）基于循环神经网络的明文破译
（3）基于生成对抗网络的口令破解
（4）基于深度神经网络的密码基元识别

1.4深度学习与密码设计

生成对抗网络设计密码
生成式对抗网络（GAN, Generative Adversarial Networks）是一种深度学习模型，是近年来复杂分布上无监督学习最具前景的方法之一。模型通过框架中（至少）两个模块：生成模型（Generative Model）和判别模型（Discriminative Model）的互相博弈学习产生相当好的输出。

密码组件经过生成对抗网络中的算法生成器，得到设计出来的密码算法，同时密码破解器将对此密码算法进行破解，算法生成器和密码破解器就这样在相互博弈中学习产生出好的算法和好的破解方法。

2.学习中遇到的问题及解决

  • 问题1：：机器学习的研究人员通过从多个样本与标签配对来进行机器学习模型的求解（训练）。那训练模型需要多少训练数据？
  • 问题1解决方案：从谷歌的机器学习代码中得知，目前需要一万亿个训练样本。训练数据的特性和数量是决定一个模型性能好坏的最主要因素。一旦你对一个模型输入比较全面的训练数据，通常针对这些训练数据，模型也会产生相应的结果。但是，问题是你需要多少训练数据合适呢？这恰恰取决于你正在执行的任务、最终想通过模型实现的性能、现有的输入特征、训练数据中含有的噪声、已经提取的特征中含有的噪声以及模型的复杂性等等诸多因素。所以，发现所有这些变量相互之间有何联系，如何工作的方法即是通过在数量不一的训练样本上训练模型，并且绘制出模型关于各个训练样本集的学习曲线图。你必须已经具有特性比较明显、数量适合的训练数据，才能通过模型的训练学习出感兴趣、性能比较突出的学习曲线图。自动生成大量的关于逻辑回归的问题。对于每个生成的逻辑回归问题，学习出训练样本的数量与训练模型性能之间的存在的某种关系。基于一系列的问题观察训练样本的数量与训练模型性能之间的联系，从而得到一个简单的规则——拇指规则。
  • 问题2：循环神经网络的理解
  • 问题2解决方案：查阅了相关资料和在网上阅读相关博客。如TonLP 和hebi123s

3.本次讲座的学习感悟、思考等）

金鑫老师充满活力的给我们带来一个精彩的讲座——基于深度学习的密码分析与设计。我发现人工智能需要我们的知识储备非常足，要有很好的数学基础，密码学基础等等。本次讲座使我对人工智能、机器学习和深度学习增加了系统性的认知，以及对深度学习的应用有了更为宽阔的了解。我发现自己对人工智能、深度学习有点感兴趣，可是知识储备远远不够，希望后期自己能够努力培养这方面的知识。

4.机器学习最新研究现状

(1)Quality and Energy-Aware HEVC Transrating Based on Machine Learning

期刊名称:IEEE Transactions on Circuits and Systems I: Regular Papers ( Early Access ) Date of Publication: 2019
作者信息：

  • Thiago Luiz Alves Bubolz
    Video Technology Research Group (ViTech), Graduate Program on Computer Science (PPGC), Federal University of Pelotas (UFPel), Pelotas 96010-610, Brazil.
  • Ruhan A. Concei|ão
    Video Technology Research Group (ViTech), Graduate Program on Computer Science (PPGC), Federal University of Pelotas (UFPel), Pelotas 96010-610, Brazil.
  • Mateus Grellert
    Graduate Program in Electrical and Computing Engineering, Catholic University of Pelotas, Pelotas 96010-165, Brazil.
  • Luciano Agostini
    Video Technology Research Group (ViTech), Graduate Program on Computer Science (PPGC), Federal University of Pelotas (UFPel), Pelotas 96010-610, Brazil.
  • Bruno Zatt
    Video Technology Research Group (ViTech), Graduate Program on Computer Science (PPGC), Federal University of Pelotas (UFPel), Pelotas 96010-610, Brazil.
  • Guilherme Correa
    Video Technology Research Group (ViTech), Graduate Program on Computer Science (PPGC), Federal University of Pelotas (UFPel), Pelotas 96010-610, Brazil (e-mail: gcorrea@inf.ufpel.edu.br).

研究进展：
视频转换已成为允许在流媒体服务和实时应用中传输相同视频的不同版本的基本任务。然而，由于转换操作依次包括解码和编码步骤，因此需要高处理时间和能量消耗，这在大规模系统中是禁止的。本文提出了一种基于决策树的可扩展质量和时间/能量感知高效视频编码（HEVC）转换系统。可扩展方案在三种不同模式下操作，这三种模式根据图像质量和时间/能量节省之间的期望权衡以不同方式使用决策树结果。实验结果表明，与原始转码器相比，转换时间缩短高达57.5％，最小能耗降低49.5％，平均内存带宽降低24％。这些结果是以最保守的转换模式中Bjøntegaarddelta（BD）速率仅增加0.664％为代价实现的，这使得转换时间减少了48.5％。拟议的决策树作为IP核实现，并以45纳米ASIC技术为目标，实现了以240帧/秒的速度处理7680×4320视频，功耗可忽略不计0.849兆瓦的能力。

(2)Active Machine Learning Approach for Crater Detection From Planetary Imagery and Digital Elevation Models

期刊名称:IEEE Transactions on Geoscience and Remote Sensing ( Early Access ) Date of Publication: 27 March 2019
作者信息：

  • Yiran Wang
    Department of Land Surveying and Geo-Informatics, The Hong Kong Polytechnic University, Hong Kong.
  • Bo Wu
    Department of Land Surveying and Geo-Informatics, The Hong Kong Polytechnic University, Hong Kong (e-mail: bo.wu@polyu.edu.hk).

研究进展：
机器学习是一种广泛使用的方法来检测行星表面数据上的陨石坑。机器学习的关键步骤是确定训练样本。在以前的研究中，训练样本主要是手动选择的，由于成本高和质量差，通常导致数量不足。表面图像和数字高程模型（DEM）现在通常可用于行星表面;这为火山口检测提供了新的机会，具有更好的性能。本文提出了一种新颖的主动机器学习方法，其中覆盖相同区域的图像和DEM用于收集具有更多自动化和更好性能的训练样本。在训练过程中，该方法主动询问来自图像的2-D特征的注释，其中来自DEM的3-D特征的输入。因此，可以相应地更新训练池，并且可以重新训练模型。该过程可以进行若干次以获得足够数量和良好质量的训练样本，从中可以生成具有更好性能的分类器，然后可以将其用于其他区域中的自动火山口检测。本文所提出的方法突出了两个优点：1）自动生成大量高质量训练样本 2）在分类边界附近对训练样本进行优先级排序，以便更快地学习。月球和火星上的两组测试数据用于实验验证。所提方法的性能优于常规机器学习方法。

(3)Machine Learning Based Network Analysis using Millimeter-Wave Narrow-Band Energy Traces

期刊名称:IEEE Transactions on Mobile Computing ( Early Access ) Date of Publication: 26 March 2019
作者信息：

  • Maria Scalabrin
    Dipartimento di Ingegneria dellInformazione, Università degli Studi di Padova, Padova, Italy Italy (e-mail: mariascalabrin91@gmail.com)
  • Guillermo Bielsa
    Wireless Networking Group, IMDEA Networks, 202534 Leganes, Madrid Spain (e-mail: guillermo.bielsa@imdea.org)
  • Adrian Loch
    Wireless Networking Group, IMDEA Networks, 202534 Leganes, Madrid Spain (e-mail: adrian.loch@imdea.org)
  • Michele Rossi
    Dipartimento di Ingegneria dellInformazione, Università degli Studi di Padova, Padova, Italy Italy (e-mail: rossi@dei.unipd.it)
  • Joerg Widmer
    Wireless Networking Group, IMDEA Networks, 202534 Leganes, Madrid Spain (e-mail: widmer@acm.org)

研究进展：
下一代无线网络有望提供极高的数据速率，尤其是利用所谓的毫米波频率范围。从频谱使用中获取信息对于为未来的网络协议栈提供智能适配能力变得越来越重要。诸如耳聋，天线未对准或堵塞等问题可能严重影响网络性能，并且其识别至关重要。尽管全分析模型的复杂性，但机器学习技术正在逐步被考虑用于改善更高层的频谱使用。在本文中，设计了一种信号处理技术，该技术使用从一个或多个通道嗅探器获得的窄带物理层能量轨迹。所提出的技术利用模板匹配和显式持续时间隐马尔可夫模型（EDHMM）的组合来正确地对帧进行分类，同时应对迹线的非平稳性。这导致协议级监视器不需要在物理层解码信道，而只是推断基于子采样能量轨迹交换的分组的类型。该框架的性能使用现成的毫米波无线设备进行评估，在存在一个或多个嗅探器的情况下量化其检测性能，并评估物理层参数（如噪声功率和信号电平）的影响。

(4)Machine Learning Based Blind Decoding for Space-Time Line Code (STLC) Systems

期刊名称:IEEE Transactions on Vehicular Technology ( Early Access ) Date of Publication: 18 March 2019
作者信息：

  • Jingon Joung
    Chung-Ang University, 26729 Seoul, Seoul Korea (the Republic of) 156-756 (e-mail: jgjoung@cau.ac.kr)
  • Bang Chul Jung
    Dept. of EE, Chungnam National University, Daejeon, Daejeon Korea (the Republic of) 34134 (e-mail: bcjung@cnu.ac.kr)

研究进展：
本文针对时空线码（STLC）系统提出了一种新的基于机器学习（聚类）的盲解码方法，该方法没有调制大小和信道的信息。 通过使用k均值聚类验证度量（例如，轮廓得分和Davies-Bouldin索引）从接收信号估计簇的数量，其等于调制大小，并且簇索引直接映射到传输的二进制 信息位。 为了提高聚类性能，通过利用组合的STLC信号结构来设计接收信号归一化和簇的初始质心。 从数值结果可以证实，所提出的盲解码方法可以通过i）小尺寸调制，ii）接收机处的低噪声或iii）大量发射天线来实现近相干解码性能三种方法来解决。

(5)Data-driven Local Control Design for Active Distribution Grids using off-line Optimal Power Flow and Machine Learning Techniques

期刊名称: IEEE Transactions on Smart Grid ( Early Access ) Date of Publication: 15 March 2019
作者信息：

  • Stavros Karagiannopoulos
    Power Systems Laboratory, ETH Zurich, 8092 Zurich, Switzerland.
  • Petros Aristidou
    School of Electronic and Electrical Engineering, University of Leeds, Leeds LS2 9JT, UK.
  • Gabriela Hug
    Power Systems Laboratory, ETH Zurich, 8092 Zurich, Switzerland.

研究进展：
对配电网络的最佳控制通常需要集中或分布式监控和通信基础设施。 然而，大多数当前的分配系统缺乏这种基础设施，并且依赖于次优的，即装即用的本地控制来确保网络的安全性。 在本文中，提出了一种数据驱动算法，该算法使用历史数据，高级优化技术和机器学习方法，设计模拟最佳行为的本地控件，而无需使用任何通信。 本文在三相，非平衡，低压配电网络上展示了优化本地控制的性能。 结果表明，提出的数据驱动方法明显优于标准的行业本地控制，并成功模仿基于最优功率流的控制。

(6)Prediction of Digital Terrestrial Television Coverage Using Machine Learning Regression

期刊名称: IEEE Transactions on Broadcasting ( Early Access ) Date of Publication: 14 March 2019
作者信息：

  • Carla E. Garcia Moreta
    Department of Electrical/Electronic and Computer Engineering, University of Ulsan, Ulsan 689-749, South Korea.
  • Mario R. Camana Acosta
    Department of Electrical/Electronic and Computer Engineering, University of Ulsan, Ulsan 689-749, South Korea.
  • Insoo Koo
    Department of Electrical/Electronic and Computer Engineering, University of Ulsan, Ulsan 689-749, South Korea (e-mail: iskoo@ulsan.ac.kr).

研究进展：
在数字地面电视（DTT）系统的尺寸确定过程和规划期间，适当的覆盖预测是操作员的基本任务，因为它允许向最终用户提供令人满意的服务质量。因此，已经提出了几种基于传播路径损耗估计和传统统计模型的预测方法。但是，模型的选择取决于许多因素，例如障碍物（建筑物，树木等）和传播路径的存在。这一事实导致增加预测值与实际值之间的误差，该误差从一种传播模型到下一种传播模型不同。因此，需要新颖的技术来基于感兴趣区域上的少量局部测量来实现信号强度预测的高精度。机器学习回归算法是一种新颖的方法，无论上述约束如何，都能提高DTT覆盖预测的准确性。为此，本文提出了一种基于聚类和机器回归算法的方法，例如随机森林回归，AdaBoost回归和K-最近邻回归。本文使用与厄瓜多尔基多市8个DTT频道相对应的电场强度进行实际测量。此外，本文还在Google地图中显示覆盖结果。基于十倍交叉验证方法进行广泛的模拟分析，以评估机器学习回归算法的性能，并将三个误差度量的结果与支持向量回归，套索回归，多层感知器回归和普通克里金法技术进行比较。令人满意的是，使用随机森林回归的结果描绘了在低计算负荷下覆盖预测的准确性的显着改进。

参考资料
posted @ 2019-04-02 21:42  鲍政李20189216  阅读(314)  评论(1)  编辑  收藏  举报