"Sieci neuronowe we wspomaganiu rozwiÄzywania ... - IPPT PAN

More documents

Recommendations

Info

Rys. 4.2 Struktura układu w architekturze FPGA. Analogie do tej budowy można zaobserwować również w neuronowych układach szyfrujących, których konstrukcja jest przedmiotem tej pracy. W rozwiązaniach proponowanych w rozdziale 6 wykorzystano również koncepcję rekonfiguracji układu składającego się z pojedynczych komórek (neuronów) w celu realizacji konkretnego algorytmu szyfrującego. 45
Rozdział 5. Wykorzystanie sieci neuronowych w kryptologii Sieć neuronowa (SN) jest to metoda matematyczna, która zaliczana jest przez współczesną naukę do grona narzędzi tak zwanej sztucznej inteligencji. Sposób wykorzystania sieci neuronowych, który opisane zostały w tej pracy nie traktuje ich jako sztucznej inteligencji. SN w rozważaniach tu prowadzonych to przede wszystkim układ adaptacyjny. Choć w niektórych przypadkach wykorzystywane są odwołania do właściwości SN, jaką jest zdolność do uogólniania i klasyfikacji obiektów. Pojawienie się w światowym nurcie badań prac, z zakresu wykorzystania sieci neuronowych w kryptologii, to w zasadzie ostatnie dwadzieścia lat. Wcześniej pojawiały się prace korzystające z metod obliczeniowych dziś określanych mianem metod sztucznej inteligencji. Pierwsze prace dotyczyły wykorzystania algorytmów ewolucyjnych do ataków na proste szyfry podstawieniowe [44],[45]. W pracy [46] zostały porównane metody wykorzystujące algorytmy genetyczne do ataków na szyfry wykorzystujące permutacje, podstawienia i transpozycje. Jedną z ciekawszych cytowanych tam koncepcji jest wykorzystanie algorytmów genetycznych do ekstrakcji klucza z szyfru opartego na koncepcji Feistela [47]. W 1996 roku pojawiła się propozycja użycia algorytmów genetycznych do ataku na szyfr Merkle-Hellman [48]. W 1997 roku pojawiła się praca przedstawiająca pomysł [49] na wykorzystanie metod genetycznych do przeszukiwania dużych przestrzeni kluczy dla czterowirnikowej maszyny rotorowej. Wymienione tu zostały jedynie wybrane zastosowania algorytmów genetycznych w kryptologii. Praca ta dotyczy wykorzystania sieci neuronowych, więc to ich wykorzystaniu w kryptografii zostanie poświęcone więcej miejsca. Sporo publikacji dotyczy zastosowania sieci neuronowych w kryptografii asymetrycznej, w szczególności problemu logarytmu dyskretnego[50],[51]. Wiele algorytmów asymetrycznych (np. uzgadniane klucza Diffie- Hellman, szyfr El Gamal) wykorzystuje potęgowanie modularne w postaci: a x mod n. Wyznaczanie wartości powyższego wyrażenia jest proste. Problemem odwrotnym do potęgowania modularnego jest wyznaczenie logarytmu dyskretnego: = , wyznaczenie x gdzie a x b( mod n) jest to zadanie bardzo trudne obliczeniowo. Formalna definicja logarytmu dyskretnego: 46
Page 1 and 2: Instytut Podstawowych Problemów Te
Page 3 and 4: Rozdział 7 Neuronowa realizacja sz
Page 5 and 6: faktycznego stanu wiedzy i dokonań
Page 7 and 8: XX obecny stan wiedzy z zakresu bez
Page 9 and 10: "konstruowanie maszyn, o których d
Page 11 and 12: 1.3. Teza pracy Ogólnie sformułow
Page 13 and 14: Rozdział 8. (str. 97-101) W tym ro
Page 15 and 16: Celem badań opisanych w tej rozpra
Page 17 and 18: Po wprowadzeniu powyższych element
Page 19 and 20: 2.3. Wstęp do algorytmów szyfruj
Page 21 and 22: M m1 m2 mn K c1 K c2 K cn c1 c2 cn
Page 23 and 24: Szyfrowanie według CFB przebiega n
Page 25 and 26: ędzie miało miejsca. Jeśli gener
Page 27 and 28: Rozdział 3. Podstawy matematyczne
Page 29 and 30: Cykl można zapisać na k różnych
Page 31 and 32: Funkcje Boolowskie Rozważając wł
Page 33 and 34: zrównoważona dla każdego wektora
Page 35 and 36: się w literaturze, że neuron real
Page 37 and 38: Współczynnik uczeniaη decyduje o
Page 39 and 40: W sytuacji, gdy wartości wag i wej
Page 41 and 42: Rozdział 4. Metody implementacji s
Page 43 and 44: 4.2. Współczesne implementacje pr
Page 45: 4.3. Współczesne implementacje sp
Page 49 and 50: n Krzywą eliptyczną E określoną
Page 51 and 52: Rys. 6.1 Schemat ogólny neuronoweg
Page 53 and 54: 6.2. Realizacja permutacji Pomysł
Page 55 and 56: 6.2.2. Permutacja trzech bitów Sam
Page 57 and 58: Sieć składa się dwóch takich sa
Page 59 and 60: 6.3. Realizacja S-bloku Drugim prze
Page 61 and 62: Wychodząc więc z ogólnej koncepc
Page 63 and 64: Tabela 6.6 Wyjście I warstwy sieci
Page 65 and 66: Został rozwiązany problem realiza
Page 67 and 68: typowego dla sieci neuronowych. Je
Page 69 and 70: zasadę działania funkcji realizow
Page 71 and 72: f = ϕ , 1 f 2 ⎧0, ϕ ≥ p1 =
Page 73 and 74: Tabela 6.13. Tablica prawdy pierwsz
Page 75 and 76: Rys. 6.25 Sieć neuronowa realizuj
Page 77 and 78: Dzięki temu, że od początku tej
Page 79 and 80: Wprowadzone zmiany wynikają z prze
Page 81 and 82: Tabela 6.15 Działanie nauczonych m
Page 83 and 84: Rys. 6.33 Sieć neuronowa realizuj
Page 85 and 86: Wobec powyższego „SN-blok” mo
Page 87 and 88: są w procesie uczenia modułu „p
Page 89 and 90: na rysunku 6.35 dla różnych ciąg
Page 91 and 92: Tabela 7.1 Permutacja i podstawieni
Page 93 and 94: Permutacja realizowana przez całą
Page 95 and 96: Tabela 7.2 Statystyka modułu reali
Page 97 and 98:
Następnie przygotowane zostają mo
Page 99 and 100:
8.2. Uczenie po stronie serwera (Pr
Page 101 and 102:
zmiany algorytmu realizowanego prze
Page 103 and 104:
Rozdział 9. Możliwości wykorzyst
Page 105 and 106:
może też być zastosowanie moduł
Page 107 and 108:
σ Rys. 9.3 Wykorzystanie sieci neu
Page 109 and 110:
Podsumowanie i wnioski W pracy tej
Page 111 and 112:
Literatura [1] D. Kahn, “Łamacze
Page 113 and 114:
[41] J.B. Alam, C.K. Sarkar, E.U. A
Page 115 and 116:
Spis Rysunków Rys 1.1 Wykrywanie z
Page 117:
Spis tabel Tabela 3.1 Neuron boolow
show all

"Sieci neuronowe we wspomaganiu rozwiÄ zywania ... - IPPT PAN

Create successful ePaper yourself

Delete template?

Save as template?

"Sieci neuronowe we wspomaganiu rozwiÄzywania ... - IPPT PAN