Text

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

---

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.

---

Availability

Detail Information

Series Title

-

Call Number

2024 IHS k

Publisher

Bogor : Politeknik Siber dan Sandi Negara., 2024

Collation

xxv, 120 hal

Language

Indonesia

ISBN/ISSN

--

Classification

NONE

Content Type

-

Media Type

-

Carrier Type

-

Edition

-

Subject(s)

deep learning
kriptanalisis
serangan linear

Specific Detail Info

-

Statement of Responsibility

-

Other Information

Link

-

Daftar Isi

-

Other version/related

File Attachment

Comments

---

You must be logged in to post a comment